智能驾驶核心技术
国际上公认未来汽车的三大前沿科学技术发展方向包括：机器人技术Robotics，人工智能AI，云技术Cloud。
↑五大技术看点（来源：CEA）
1. 机器人技术Robotics
汽车感知传感器技术
汽车感知传感器技术细分包括超声波测距传感器、摄像头图像传感器、雷达传感器和激光扫描仪。
感知技术也经历了长久的发展。谷歌无人驾驶汽车为例，使用很多的技术实际上脱胎于DARPA组织的陆地挑战赛（Grand Challenge）。DARPA早在十多年就开始提供资金支持，协调大学研究机构、车企、传感器供应商和半导体供应商合作，进行一系列的无人驾驶汽车挑战赛。这个系列的挑战赛被称为DARPA陆地挑战赛。这一系列挑战赛中比较有名的就是2004年和2005年的两届陆地挑战赛（Grand
Challenge）和2007年举行的城市挑战赛（Urban Challenge）。
↑汽车感知传感器包括超声波、摄像头、毫米波雷达和激光雷达传感器等
由于2004年当时的技术限制，在当年第一届无人驾驶陆地挑战赛举办的时候甚至没有一家参赛队伍能够完成主办方DARPA设定的加州莫哈韦沙漠240公里赛道。因此在2005年的第二届陆地挑战赛中DARPA将赛道的最低目标距离设定为11.78公里。这也是第一届中无人驾驶汽车最远的行驶。此届挑战赛中有5辆无人驾驶汽车完成了目标。其中比较出名的应该就是TerraMax无人驾驶卡车。作为2005年TerraMax的陆地挑战赛参赛车型，它在BBC TOPGEAR汽车节目19季第5集中出镜，与詹姆斯梅驾驶的路虎揽胜来了一场机器与人的越野比赛。要知道TerraMax还仅仅是2005年挑战赛中5个完赛队伍中的最后一名。
↑BBC TOPGEAR出镜的TerraMax无人驾驶卡车（左）和詹姆斯梅驾驶的路虎揽胜（右）
第三届的陆地挑战赛被DARPA官方称为城市挑战赛（Urban Challenge）。于2007年在加州的乔治空军基地进行。比赛被设定成让无人驾驶汽车可以使用于城市驾驶环境中。赛道全长96公里，限时为6个小时。不同的队伍之间会有路线交叉的过程。美国Velodyne公司前期主要产品为音响产品。Velodyne公司参与了前两届的DARPA陆地挑战赛，才开始了激光扫描仪产品的开发，成为业界360度高性能激光扫描仪的领先者。DARPA挑战赛成就了Velodyne，成为激光扫描仪LIDAR界的巨人一点不为过。
↑Velodyne公司的激光扫描仪产品
到了2007年的城市挑战赛中，Velodyne公司的激光扫描仪已经应用到了大部分的参赛队伍中。6个完赛的参赛队伍中只有第三名的VictorTango队没有使用Velodyne公司产品。
↑斯坦福队使用的大众帕萨特旅行版（左）和VictorTango队使用的福特翼虎（上）在路口相遇
对于关键传感器-激光扫描仪的持续成本优化
↑行业分析显示，激光扫描仪在高级别的无人驾驶中不可或缺
从CES2016已经可以看到一个非常明显的信号，激光扫描仪未来发展趋势是固态化，小型化，低成本化
↑激光扫描仪未来发展趋势是固态化
谷歌提出的无人驾驶汽车就是基于置于车顶的机械旋转激光雷达产品实现的。就是来自Velodyne公司的64波束激光雷达。这款产品当初的价格也是惊人的超过了7万美金。是谷歌采用的原型车丰田普锐斯售价的两倍还要多。虽然性能非常好，为了实现将来无人驾驶汽车的量产，成本降低是必然之路。
↑装备激光扫描仪的上汽iGS无人驾驶概念车在广德试验场进行测试
由于全球供应链一体化的影响，加上中国是最大的汽车销售市场，相应的技术很快逐渐应用到了国内的无人驾驶概念车上，并逐步在量产车型中适配相应的驾驶辅助功能。
2.人工智能AI
↑摄像头采集图像进行分层学习
特斯拉等车厂率先实施人工智能的驾驶辅助系统。其中人工智能的核心技术为深度学习Deep NeuralNetworks （DNN）。通过对摄像头采集图像进行分层学习，从图像中可以抽取相应的目标位置，路线规划。从而通过深度学习，规划出的路径不再完全依靠车道线，基于对于前方目标辨认标识出的安全空间。
↑奥迪自动驾驶控制器zFAS
自动驾驶控制器当中的计算平台为了实现人工智能的需求，实际上有一个迭代演进的过程。率先量产L3自动驾驶的奥迪A8L为例。自动驾驶的核心自动驾驶控制器zFAS采用了大量不同架构的计算芯片实现1个激光雷达、5个毫米波雷达和3个摄像头的信号处理和决策。等效算力在2TOPS左右。其核心处理器包括
-Tegra K1 来自 NVIDIA，用于人工智能机器学习
-Aurix 来自 Infineon，用于提供符合功能安全和信息安全的驾驶辅助管理
-Cyclon V 来自 Altera，用于基于FPGA技术高速处理信号融合
-EyeQ3来自Mobileye，用于进行视觉信号处理
↑特斯拉Autopilot2.0域控制器CCM*计算模块
特斯拉演进至Autopilot2.0，将驾驶辅助的控制都合并到了CCM*计算模块当中。CCM就像车载的强力大脑，高速处理1个毫米波雷达和8个摄像头信号，算力提升至10TOPS。仍采用分立的SOC和GPU架构，包含如下组成部件：
-Parker SOC +Pascal GPU 来自 NVIDIA，用于人工智能机器学习
-Aurix 来自 Infineon，用于提供符合功能安全和信息安全的驾驶辅助管理
-EthernetSwitch 来自 Marvel，用于基于以太网技术的高速信号交互
↑特斯拉Autopilot3.0域控制器采用自研异构芯片FSD
迭代至Autopilot3.0可以说是自动驾驶*计算模块的分水岭和里程碑。因为采用自研异构芯片FSD，使得芯片内部集成了3个四ARM A72 CPU核心加GPU和2组神经网络处理单元NPU。能更高速且低能耗地处理1个毫米波雷达和8个摄像头信号，系统算力大幅提升至144TOPS。异构计算架构功不可没。
↑英伟达自动驾驶异构芯片
作为通用图形处理单元GPU领军者，英伟达NVIDIA很快意识到了深度学习神经网络DNN在自动驾驶中的崛起和应用挑战。基于异构计算架构推出了一系列定制的SOC芯片。比如小鹏P7采用的Xavier芯片算力为30TOPS，具有强大的八核ARM64处理核心和512核Volta GPU，能够达到汽车安全所需要功能安全ASIL-D（最高等级）的级别。相对整车级别优化了功耗性能比。即将量产的蔚来ET7配备了ADAM超算平台，算力达到1016TOPS。ADAM超算平台采用了4组英伟达最新的Orin自动驾驶异构计算技术SOC芯片。每组Orin芯片集成了12个ARM A76 CPU核心和算力在200TOPS左右的GPU内核。
↑芯片半导体技术逐渐成为自动驾驶的核心技术之一
3.云技术Cloud互联技术V2X
互联技术V2X相关标准还没有确定。最早的DSRC专用近距通讯技术IEEE802.11p与4G LTE技术之争。DSRC一直以200m内点对点通讯1秒的通讯实时性，压得4G LTE 6~7秒的通讯延迟喘不过气。
↑DSRC Dedicated Short-RangeCommunications IEEE802.11p (5.9GHz)
不过随着5G LTE或者称C-V2X的发展，彻底解决了实时性问题。业界逐渐统一了观点。按照行业标准对V2X有明确的定义。具体由V2I、V2V、V2P和V2N组成。
V2I与路面设施的通讯。如车辆与红绿灯或者十字路口标识牌间的交互。
V2V车辆与车辆间的通讯。如十字路口交汇车辆或者前后车辆间的交互。
V2P车辆与行人间的通讯。如与过马路的行人或者周围的骑车人的交互。
V2N车辆与云端服务器通讯。如导航路径规划或者高精度地图的交互。
↑5G C-V2X车云互联技术方案
随着自动驾驶技术的机器人技术和人工智能技术快速发展，车辆可以通过各种传感器比如激光雷达感知周围环境并且通过强大的计算能力做出决策。需要非常重要的一环，通过汽车互联技术V2X与智慧城市及外界环境进行交互。
众多车企都针对5G互联技术进行长期部署。国际厂商包括奥迪、宝马、奔驰和福特等，国内包括上汽集团和华为都是汽车5G互联技术联盟5GAA的成员。上汽集团作为汽车行业的领军，长期对于自动驾驶相关技术进行深耕，率先在2020年底获得了5G在汽车上应用的商用牌照。
↑上汽5G智能驾驶
5G通讯技术有着通讯速度快延时低的特点。基于5G通讯技术推出的C-V2X标准包括了依托基站的远距离通讯Uu协议和近距离点对点通讯的PC5协议。很好地解决了汽车互联中远距离通讯和近距离通讯的需求，将其合二为一。具有不依托基站进行安全低延时通讯的能力，可依托基站进行远距离大数据量传输。既能够基于车车通讯进行同步，又能够在GPS信号弱时基于基站辅助定位。
↑5G信号指引红绿灯通行速度
通过5G通讯技术，车辆可以与路面设施进行V2I通讯。如车辆与红绿灯或者十字路口标识牌间的交互。通过5G信号接受途径路段一系列红绿灯设施的指令，指引红绿灯通行速度。使绿灯车流更顺畅，合理控制行驶速度优化能耗。
↑5G信号指引车辆让行
通过5G通讯技术，车辆可以与车辆间进行V2V通讯。如十字路口交汇车辆或者前后车辆间的交互。通过5G信号接受交汇车辆的车速和位置信息。通过低延迟的车车通讯，合理让行降低事故概率。
↑5G信号指引车辆道路规划
通过5G通讯技术，车辆可以与云端服务器进行V2N通讯。如导航路径规划或者高精度地图的交互。通过5G信号接收前方事故路况信息。合理规划行驶路线，避开拥堵。自动驾驶技术越来越倚重高精度地图。高精度地图正成为汽车互联中大数据量交互用的一种典型应用。依托自动驾驶或驾驶辅助摄像头传感器，将各个路段的车道线和指示信号灯或路牌图像信息，通过移动网络上传到云进行统一计算。这样具备这种技术的自动驾驶汽车，可以基于云数据快速学习多变复杂的道路，最终实现良好的自动驾驶体验。
参考链接：
https://www.zhihu.com/question/267204565/answer/2304059167