本文介绍了由刘少山成立的PerceptIn公司在自动驾驶领域的发展。

目前，越来越多年轻的城市居民不想买汽车了，而且与前几代人不同，他们不必完全依靠公交车出行，需要去很远的距离（例如超过8公里）时，他们会使用手机来召唤Uber（或滴滴）。如果他们出去在2公里之内，他们要么步行，要么使用各种共享自行车等。

问题在于，当今的“移动即服务”生态系统通常无法很好地覆盖中间距离（例如几英里）。租用这样的短途旅行的Uber或Lyft证明是昂贵的，而且骑踏板车或自行车超过1英里左右可能对许多人造成负担。因此，去1到5英里之外的目的地可能是一个挑战。然而，此类旅行约占旅客总行驶里程的一半。

这些中距离旅行中的许多旅行都是在交通有限的环境中进行的，例如大学校园和工业园区，从经济上和技术上来说，现在都可以部署由电力驱动的小型低速自动驾驶汽车。著名的《第一本无人驾驶书》的作者刘少山成立的PerceptIn公司是其中一家，在日本奈良和福冈的旅游景点拥有自动驾驶汽车，在中国深圳的工业园区，并且刚刚在公司总部所在地印第安纳州费舍尔附近部署了车辆。

由于这些小型自动驾驶汽车每小时的速度不会超过20英里（32公里），并且不会与高速交通混在一起，因此不会像在普通道路和高速公路上行驶的自动驾驶汽车那样引发安全隐患。尽管自动驾驶是一项复杂的工作，但PerceptIn的真正挑战不是在这样的环境中制造出能够自行驾驶的车辆，而是要降低成本。

鉴于目前无人驾驶汽车的生产量仍然很昂贵（一种实验模型可能使您花费约300,000美元），以更低的价格出售任何一种自动驾驶汽车几乎是不可能的。PerceptIn 过去几年的经验表明，实际上，今天有可能生产出更加经济的自动驾驶乘用车：PerceptIn的汽车目前售价约为7万美元，而且价格肯定会在未来下降。

为什么自动驾驶汽车通常如此昂贵

简而言之，这是因为它们所携带的传感器和计算机非常昂贵。

自动驾驶所需的传感器套件通常包括高端卫星导航接收器，激光雷达（光检测和测距），一个或多个摄像机，雷达和声纳。该车辆还需要至少一台功能强大的计算机。

在这种情况下使用的卫星导航接收器与您手机中的卫星导航接收器不同。自动驾驶汽车内置的这种机器人具有所谓的实时运动功能，可精确定位到10厘米。这些设备的价格通常约为4,000美元。即使这样，也不能完全依靠这种卫星导航接收器来告诉车辆在哪里。在卫星信号从附近建筑物反弹，引入噪声和延迟的情况下，可能无法解决问题。无论如何，卫星导航都要求天空无遮挡。在封闭的环境（例如隧道）中，这是行不通的。

幸运的是，自动驾驶汽车还有其他方法可以确定它们的位置。特别是他们可以使用激光雷达，该激光雷达通过从物体上反弹激光束并测量光反射回来需要多长时间来确定与物体的距离。用于自动驾驶车辆的典型激光雷达装置覆盖150米的范围，每秒采样超过100万个空间点。

此类激光雷达扫描可用于识别本地环境中的不同形状。车辆的计算机随后将观察到的形状与该区域的高清数字地图中记录的形状进行比较，从而可以始终跟踪车辆的确切位置。激光雷达还可用于识别，避免行人和其他车辆等临时障碍物。

激光雷达是一项了不起的技术，但存在两个问题。首先，这些设备非常昂贵：用于自动驾驶的高端激光雷达的成本下降，但成本很容易超过80,000美元；对于低速应用，合适的设备价格约为4,000美元。而且，激光雷达作为一种光学设备，在恶劣的天气（如大雨或大雾）下可能无法提供合理的测量结果。

这些车辆上的摄像头也是如此，这些摄像头通常用于识别和跟踪不同对象，例如行车道，交通信号灯和行人的边界。通常，多个摄像机安装在车辆周围。这些摄像机通常以每秒60帧的速度运行，并且所使用的多个摄像机每秒可生成超过1 GB的原始数据。当然，处理大量信息会给车辆的计算机带来很大的计算需求。从好的方面来说，相机并不是很昂贵。

自动驾驶汽车中的雷达和声纳系统用于避障。他们生成的数据集显示了距车辆路径中最近的物体的距离。这些系统的主要优点是它们可以在所有天气条件下正常工作。声纳通常可以覆盖10米的范围，而雷达通常可以覆盖200米的范围。像相机一样，这些传感器相对便宜，通常每个传感器的成本不到1,000美元。

传感器提供的许多测量值都输入到车辆的计算机中，这些计算机必须整合所有这些信息才能对环境有所了解。近年来迅速发展的一种方法是人工神经网络和深度学习，在这里起着重要的作用。利用这些技术，计算机可以跟踪附近行驶的其他车辆以及过马路的行人，从而确保自动驾驶汽车不会与任何东西碰撞。

当然，引导自动驾驶汽车的计算机所要做的不只是避免撞到东西而已。他们必须对转向何处以及走多快做出大量决定。为此，车辆的计算机会根据附近的预测以及乘员需要去的地方，在制定行动计划之前，对附近车辆即将发生的运动进行预测。

最后，自动驾驶汽车需要一个好的地图。传统的数字地图通常是从卫星图像生成的，并且具有仪表级的精度。尽管这对于人类驾驶员来说已经绰绰有余，但自动驾驶汽车要求车道级信息的准确性更高。因此，需要特殊的高清地图。

就像传统的数字地图一样，这些高清地图包含许多信息层。最底层是一个地图，其中网格单元大约为5 x 5厘米；它是由使用特殊汽车收集的原始激光雷达数据生成的。该网格记录有关环境中对象的高程和反射信息。

在该基本网格之上，有几层附加信息。例如，将车道信息添加到栅格地图，以允许自动驾驶车辆确定它们是否在正确的车道中。除了车道信息外，还会添加交通标志标签，以通知自动驾驶汽车当地限速，是否正在接近交通信号灯等。这在车辆的摄像头无法读取标志的情况下有帮助。

传统的数字地图每6到12个月更新一次。为了确保自动驾驶汽车使用的地图包含最新信息，高清地图应每周刷新一次。结果，对于一个中型城市，生成和维护高清地图每年可能要花费数百万美元。

这些高清地图上的所有数据都必须存储在车辆上的固态存储器中，以便随时使用，这增加了计算硬件的成本，而计算硬件的功能必须非常强大。从某种意义上说，百度用于自动驾驶的早期计算系统使用了Intel Xeon E5处理器和四到八个Nvidia K80 GPU加速器。该系统每秒可提供64.5万亿个浮点运算，但消耗了约3,000瓦，并产生了大量热量。它的成本约为30,000美元。

考虑到仅传感器和计算机的成本就很容易超过100,000美元，所以至少在今天，不难理解为什么自动驾驶汽车如此昂贵。当然，价格会随着制造总数的增加而下降。但是，尚不清楚如何将创建和维护高清地图的成本分摊下来。无论如何，要采用更好的技术来解决正常道路和高速公路上自动驾驶所带来的所有明显的安全隐患，都将需要时间。

传感器成本如何下降到2,000美元左右

刘少山和PerceptIn一直在努力解决这些挑战，重点是在有限的区域内操作且不必与高速交通混为一谈的小型低速车辆，例如大学校园和工业园区。

PerceptIn 用来降低成本的主要策略是完全放弃激光雷达，而使用价格更便宜的传感器：摄像头，惯性测量单元，卫星定位接收器，车轮编码器，雷达和声纳。然后可以通过称为传感器融合的过程来组合这些传感器中的每个传感器提供的数据。

在缺点和优点的平衡之间，这些传感器趋于相互补充。当一个发生故障或出现故障时，其他人可以接管以确保系统保持可靠性。使用这种传感器融合方法，传感器成本最终可能会下降到2,000美元左右。

由于车辆行驶速度很慢，因此最多需要7米就能停止，这比普通汽车要安全得多，后者要花几十米才能停止。而且由于速度较慢，计算系统的延迟要求不如高速自动驾驶汽车中使用的延迟要求高。

PerceptIn的车辆使用卫星定位进行初始定位。这些卫星导航接收器虽然不如具有高速公路功能的自动驾驶汽车上的系统精确，但仍可提供亚米级精度。车辆的计算机结合了惯性测量单元的摄像机图像和数据（一种称为视觉惯性里程法的技术），进一步提高了精度，将位置固定在分米级。

对于成像，PerceptIn已将四个摄像头集成到一个硬件模块中。一对面向车辆的前部，另一对面向后部。每对摄像机都提供双目视觉，从而可以捕获通常由激光雷达提供的空间信息。此外，这四台摄像机可以一起捕获360度的环境视图，并且各帧之间有足够的重叠空间区域，以确保视觉测距法可以在任何方向上正常工作。

即使视觉测距法失败并且卫星定位信号丢失，也不会丢失所有信号。车辆仍然可以使用安装在车轮上的旋转编码器来进行位置更新，这遵循水手们使用了数百年的通用策略，即航位推算。

来自所有这些传感器的数据集被组合在一起，以使车辆对环境有一个整体的了解。基于这种理解，车辆的计算机可以做出确保平稳安全行驶所需的决定。

该车辆还具有防撞系统，该系统独立于其主计算机运行，提供了最后一道防线。它使用毫米波雷达和声纳的组合来检测车辆何时位于距离对象5米以内的情况下，在这种情况下会立即停止。

依靠便宜的传感器只是PerceptIn降低成本的一种策略。另一个措施是将计算技术推向传感器，以减少对车辆主计算机，总成本不到1,500美元的普通PC和峰值系统功率仅为400 W的需求。

例如，PerceptIn的相机模块可以每秒生成400兆字节的图像信息。如果将所有这些数据都传输到主计算机进行处理，则该计算机将必须极其复杂，这将在可靠性，功耗和成本方面产生重大后果。相反，PerceptIn使每个传感器模块执行尽可能多的计算。这减轻了主计算机的负担并简化了其设计。

更具体地，GPU被嵌入到相机模块中以从原始图像提取特征。然后，仅将提取的特征发送到主计算机，从而将数据传输速率降低了数千倍。

限制成本的另一种方法涉及高清地图的创建和维护。PerceptIn并没有使用配备激光雷达装置的车辆来提供地图数据，而是使用视觉信息增强了现有的数字地图，以达到分米级的精度。

生成的高精度视觉地图（如它们替换的基于激光雷达的高清地图）由多层组成。底层可以是任何现有的数字地图，例如OpenStreetMap项目中的一个。该底层的分辨率约为1米。第二层记录路面的视觉特征，以将地图分辨率提高到分米级。第三层（也以分米分辨率保存）记录了环境其他部分的视觉特征，例如标志，建筑物，树木，栅栏和灯杆。第四层是语义层，其中包含车道标记，交通标志标签等。

尽管在过去十年中取得了长足进步，但可能要再过十年或更长时间，全自动驾驶汽车才能开始驶向大多数道路和高速公路。同时，一种实用的方法是在限制条件下使用低速自动驾驶汽车。包括Navya，EasyMile和May Mobility在内的数家公司以及PerceptIn一直在认真地追求这一战略，并取得了良好的进展。

最终，随着相关技术的发展，车辆的类型和部署可以扩展，最终包括可以达到或超过专业驾驶员性能的车辆。

PerceptIn已表明，制造小型低速自动驾驶汽车的成本远低于制造具有高速公路功能的自动驾驶汽车的成本。当大量生产车辆时，我们预计制造成本将低于10,000美元。在不久的将来，这种清洁能源的自动班车可能会在诸如曼哈顿中央商务区等城市中心载客，目前那里的平均交通速度仅为每小时7英里。这样的机队将大大降低骑手的成本，改善交通状况，增强安全性，并改善空气质量。解决世界高速公路上的自动驾驶的问题可能会在以后出现。