本次會議圍繞智能汽車產業的發展趨勢，技術研發、行業求索、未來展望、智能汽車技術商業化落地等熱點話題共同進行了探討。

中國能不能自主發展智能汽車？智能汽車離我們還有多遠？自動駕駛汽車是否進入拐點？當人們還存有各種疑慮時，“2019AI+智能汽車創新峰會”給出明確回答。

參加這場峰會使我們深深地感受到：目前與智能汽車相關的各產業、行業的高科技研發項目層出不窮，有很多項目已轉化成產品落地,一場高科技革命正在形成。“山雨欲來風滿樓”。表面上看，目前智能汽車推進緩慢，實際上緩慢正是智能汽車技術的創新、實踐、積累過程，它就像孕育的地下之火，不久的將來終會爆發出來。到那時，智能化、信息化、網聯化的中國智能汽車將是大國重器的又一張新名片。

激光雷達關鍵技術及量產落地

裴軍：Cepton科技創始人兼CEO

激光雷達技術比拼的時代已過，各家技術路線已一錘定音，或MEMS、或Flash、或OPA。下一步的競爭才剛剛開始，即如何將激光雷達擺脫科研產品的帽子，實現產品量產落地上車。

裴軍從當前行業內激光雷達各路技術路線及 Cepton 的技術及優勢進行了分享。測試方式層面，目前全球大部分激光雷達公司都在采用 pulsed time of flight 方式進行測量；激光器方面，多數公司采用 905nm 或 1550nm 的技術。其中，Cepton 選擇了基于硅的 905nm 的激光器。在上述兩方面，各家廠商并沒有差別，且不能拉開差距。各路玩家競爭的重點是中間環節，即如何將產品變成一個成像激光雷達，高速的為自動駕駛提供三維成像。

與傳統玩家不同，硅谷激光雷達供應商Cepton獨特之處在于，自主研發Micro-motion微動技術。這項技術可以用來替代積激光雷達內部的旋轉部件。在激光雷達內部，Cepton 利用光學共軛的方法及電磁鐵，它沒有任何旋轉或摩擦部件。

激光雷達技術原理已成定勢，自發明以來，并未有太大改變。各家激光雷達供應商在激光雷達測量方式、激光波長方面并不能拉開差距，或TOF、或1550nm激光、或905nm激光。

激光雷達測量方式：現階段，在全球范圍內的60/70家激光雷達供應商中，90%的公司選擇TOF進行激光雷達測量。

激光波長層面：1550nm及905nm激光是常見方案。Cepton選擇905nm的激光。905nm激光的原材料主要是硅，已經廣泛使用在汽車及電子產業中，相比之下更經濟適用。理論上，1550nm的激光能夠達到更遠的探測距離，但其激光發射器所使用的原材料——砷化鎵的成本非常高，且短期內很難降下來，而砷化鎵材料現階段也并未實現車規級，成為車規級材料仍需一段時間。

去年8月，Cepton牽手日本最大汽車照明燈公司Koito（小糸制作所），為后者提供定制的微型激光雷達解決方案，將激光雷達安裝進車燈中。現階段雙方正在集中精力實現激光雷達生產自動化、量產上車。Cepton已經走在賽道前列。

新一代自動駕駛芯片帶來感知與定位技術新突破

李星宇：地平線市場拓展與戰略規劃副總裁

在汽車行業向出行服務和智能化轉型的大趨勢下，新的智能功能和服務需求幾乎每個月都需要更新，大眾的組織變革表明軟件定義汽車已經成為業界共識，傳統的分布式汽車電子電氣構架（E/EA）越來越難以為繼。為了適應行業智能化重塑的大趨勢，提升開發效率，一場深刻的構架變革正在醞釀，汽車行業正在沿著當年PC和手機行業走過的路邁向智能時代，這背后將折射出怎樣的技術挑戰、行業變局與應對措施？綜合這幾年來智能汽車的發展，我們可以歸納出十個關鍵結論：

1. 智能汽車E/E構架設計面臨四大挑戰：功能安全、實時性、帶寬瓶頸、算力黑洞。

2. 智能汽車E/E構架四大趨勢：計算集中化、軟硬件解耦、平臺標準化以及功能定制化，商業化落地時間大約在2025年。

3. 智能汽車的新構架將基于中央計算機-層-區的概念構建。

4. 新的E/E構架將使OEM在與領先的Tier1的博弈中重新贏得主動權。

5. OEM可能將只會擁有一個覆蓋了所有車型的電動汽車（EV）平臺。

6. AI芯片是中央計算機的核心，需要越過安全、成本和性能的臨界點。

7. 組織變革是OEM在這場技術革命中面臨的最大挑戰。

8. 蘋果、高通、三星和華為在這場變革的競爭中有先天的基因優勢。

9. 智能汽車將是有史以來軟硬件開發量最大的單一產品，將誕生新的Wintel。

10. 智能汽車作為移動自主機器的第一形態，將撬動比自身市場大得多的商業價值。

大趨勢：從分布式走向集中式

今天，E/E構架設計面臨四大挑戰：功能安全、實時性、帶寬瓶頸、算力黑洞。

1. 在功能復雜度持續提升的情況下滿足功能安全的要求，這里的功能安全是廣義的，不僅包括ISO26262,還包括SOTIF和RSS。

2. 復雜系統構架下實時性的保證。

3. 爆炸式增長的傳感數據造成的帶寬瓶頸。

4. 支持持續的軟件升級所需要的指數級算力增長。

為此，智能汽車E/E構架正從分布式走向集中式；其終極形態將是超級中央計算機，這其中包括四個關鍵趨勢：計算集中化、軟硬件解耦、平臺標準化以及功能定制化。

自動駕駛汽車成為有史以來開發最復雜的信息產品。現階段汽車電子構架越來越難以支持軟件需求。過去 20 年來，汽車 MCU 增長從不足 10 顆，發展至現今超過 100 顆。頂尖級汽車甚至超過 300 顆 MCU。這些 MCU 擁有不同的構架、不同接口，甚至不同的開發環境、不同的語言。

面對數字化浪潮，效率是決定企業競爭成敗的關鍵。我們迫切要回答的是，如何提升軟件開發效率。并且基于該主題重構汽車電子構架。同時，分布式電子電器架構在面向復雜功能時存在巨大問題。例如各個不同組件之間難以實現協同。

合久必分，分久必合。汽車電子構架趨勢是持續從分布式走向集成式。而域控制器可以看作為分布式集成構架計算的第一步。地平線相信這個趨勢會持續下去，未來會出現一個真正的中央式集成大腦，智能汽車將發展成為一部四個輪子上的超級計算兼數據中心。由此帶來的算力需求、軟件構架的調整都是空前的。

行業達成共識，智能汽車行業內的大趨勢是軟件驅動，及算力需求黑洞。在數字化浪潮下，地平線也提出了新商業理念 AI on Horizon 戰略：利用邊緣 AI 芯片開放賦能智能駕駛。

計算機視覺技術驅動自動駕駛的發展

阿爾伯特·布朗根（Alberto Broggi）：安霸半導體意大利總經理

計算機視覺技術在過去的 5-10 年時間里業界有很多重要的突破，計算機視覺已經無處不在了，攝像頭也無處不在了。

大約在 20 年之前，也就是 1998 年，我們在意大利做了無人駕駛的測試，大約行駛了 2000 公里的距離，在當時是很大的挑戰。

探索一直在持續，到 2010 年的時候，我們擁有了四輛純電動無人駕駛汽車，我們從意大利的帕爾馬一路開到中國的上海，橫跨了半個地球。當然這不是真正的全自動駕駛，還是有人在旁邊，一旦出現特殊情況，還是需要人類駕駛員接手。

雖然如此，這次測試對我們來說非常重要，因為我們收取了大量信息和數據，并且持續的改進。我們所有的技術都是基于計算機視覺來開發的，所以這項技術非常重要，能幫助車輛探測障礙物、理解不同事物之間的關系，信息密度很高。

當然，那時候也有一些眾所周知的問題，比如圖像解析度非常低，我們從隧道進去，在隧道當中的時候，視覺的動態范圍不高，弱光也會有各種各樣的問題，因為有大量的像素要處理，所以功耗的問題成為計算機視覺技術的障礙。

在 2015 年的時候，VisLab 加入到了安霸公司，成為了集團的一部分。VisLab 主要研發計算機視覺技術，應用于無人駕駛汽車；安霸是芯片公司，擁有世界頂尖品質的芯片，強大的處理能力能得到高品質的圖像。兩家公司整合在一起可以說是強強聯手，可以將計算機視覺技術更好的應用到無人駕駛之中。

實現這些相關應用，背后最重要的技術支撐就是我們的芯片處理能力。我之前也提到了一些計算機視覺遇到的問題，比如說解析度比較低，特別是一些特殊工況，對于攝像頭和視覺技術來說都是很棘手的挑戰。這些特殊的工況包含了強光、逆光、黑夜、低光、隧道等等，憑借著安霸的芯片處理能力，即使在這樣的工況下，我們的圖像解析度以及相關細節都能做到很好。而且，我們還有 4K 的立體視覺技術，應用高密度的像素對很遠的標的物進行解析和解讀，探測距離也非常可觀。

對于立體視覺來說，校準問題確確實實存在，要實現高品質的立體視覺，校準問題一定要解決，因為車輛的工作環境會有振動，會有氣溫、氣候的變化情況。安霸在這方面可以在芯片上運行自己的算法，進行立體視覺的自動校準，為用戶提供定制化的服務。

我們打造了融入我們芯片的攝像頭。我們有不同類型的產品，能夠實現車輛周身 360 度無死角的覆蓋。當所有的攝像頭都啟動工作，可得到高解析度的圖像，并且探測距離也非常遠。安霸的視覺芯片產品擁有頂尖的圖像處理能力，處理速度非常快，能做到每秒 30 幀、60 幀，同時擁有很高的解析度，而且，實現這些性能的同時，其功耗也只有 2-4 W。這就是我們工作的結晶，能為客戶進行賦能。

我們專注計算視覺圖像處理，開發在芯片當中把圖像和其他數據進行融合，比如說毫米波雷達、激光雷達，或者將各種各樣的傳感器數據處理能力都放在芯片里面，它就成為了自動化的專業級處理芯片，能提供給客戶終極的解決方案，這是未來的方向。

以“車路協同”降成本

李謙：華人運通智能駕駛及電子電器副總裁兼創始合伙人

我們看到，已經有許多主機廠和零部件供應商把智能出行作為企業未來發展的重要方向。但是，做好智能出行實際上還面臨著很多具體問題。一方面是現在的自動駕駛系統成本非常昂貴，另一方面，能夠用于自動駕駛系統的實驗場景也非常少。

我們換了一種解決思路，給出的是一套“車、路、城”整體考量的解決方案，它包含了單車智能、基于車路協同的交通智能和城市互聯共享智能。這套方案從綜合體的視角去進行自動駕駛系統的設計，繼而進行智能出行的系統化設計。

為此，我們開發了三個平臺，分別為泊車平臺、自動駕駛平臺和車路協同的邊緣計算平臺。主要基于路邊感知、云端決策和車端控制這些思路展開設計。

通過車端和路端的傳感器融合，可以消除感知盲區，然后利用邊緣計算和分布式計算的方法，間接降低車輛自動駕駛所需要的最大算力量。同時，通過多目標協同控制來實現交通的調度工作，可以有效地降低自動駕駛車輛周邊環境的復雜度，同時減少發生交通事故的可能性。

我們計劃建設一條全長7公里的道路。目前已經完成第一期建設，并在路邊搭載了毫米波雷達和高精度的探測攝像頭等設備。還打造了一個數據中心，將邊緣計算部署到路上，通過這些系統和5G的V2X、路邊感知設備等實現彼此的通信，這套系統與自動駕駛車輛一起構成了完整的閉環。

對于這套系統，我們現在正嘗試通過微觀的引流和宏觀的調控，以降低整個交通環境的復雜性，為道路交通帶來一個相對簡單的使用環境。另外，我們還要解決低能見度的問題，因為霧、雪、霧霾等天氣均會對自動駕駛系統造成很嚴重的影響。

通過路邊感知設備，我們可以消除降雨和下雪帶來的能見度低、自動駕駛車輛性能低等局限。系統通過感知設備獲取的所有信息，將通過動態高精地圖傳遞到車輛上，實際這就是靠路邊引導車輛實現自動駕駛。

另一個系統是全息的感知。如果路口有比較大的建筑或者是樹，對于自動駕駛的車來講，兩側的視角是看不見的。通過路邊感知設備，就可以為整個道路上的自動駕駛車輛提供全息感知。

另外，我們還可以通過合理的分布計算單元去降低整個智能化出行的投入。

大家知道，一臺配備L4自動駕駛傳感器的車輛成本是非常昂貴的。中國現在每年有2400萬臺整車銷售量，如果每臺車都搭載了這樣的裝備，整個投入是非常巨大的。相反地，如果把這些傳感器成倍地用到道路上，比如，修10萬公里的智慧化道路所需要的投入，僅僅是現在每臺車上加裝傳感器的四分之一到五分之一的投入，這還只是針對一年的銷量來說。

所以，建設智慧化道路會對全社會完成道路交通智能化、智慧出行的總投入是低的。我們在鹽城建設了一條道路做試驗。這條道路主要基于路邊感知，云端決策和車端控制的思路設計而成，通過車端和路端的傳感器融合以消除感知盲區，然后利用邊緣計算和分布式計算等方法，降低車輛自動駕駛所需要的最大算力。同時，通過多目標協同控制來實現交通的良好調度，有效地降低自動駕駛車輛周邊的復雜環境，并且減少了交通事故的可能。

總之，我們探索的是車與路的感知協同和計算協同，最終要走向智慧協同。我們的目標是能夠從單一車輛的單體智能，實現城市集群的群體智能。

對于車企競相研發自動駕駛這一趨勢，華人運通創始合伙人、智能駕駛及電子電器副總裁兼李謙認為，諸如自動駕駛系統成本昂貴、試驗場景稀缺、道路實測風險大等，均是當前自動駕駛體系開發時面臨的問題。簡而言之，完全依靠車輛自身的傳感設備也即單車智能去實現真正意義上的高等級自動駕駛仍有一定難度。

華人運通的解決方案是從“車-路-城——車路協同”的角度進行基礎建設升級。這一方案既包含單車智能，也包含基于車路協同的交通智能，還包含城市互聯共享的智能，按照一個綜合體進行自動駕駛系統的設計，繼而進行智能出行系統化的設計。

為此，華人運通開發了三大平臺，分別為泊車平臺、自動駕駛平臺和車路協同的邊緣計算平臺。今年1月，華人運通發布了全球第一條基于車路協同理念打造的智慧化的道路，這條道路基于城市開放道路打造而成，相當于對自動駕駛測試環境的一種新的探索。

構建高質量智能駕駛數據基礎

閔楠：百度智能云數據眾包標注團隊負責人

自動駕駛離不開數據的支持，尤其是在國內比較復雜的道路情況下，感知的進步不能完全依賴算法的迭代和技術的革新來解決，因此還是需要對數據進行有效的利用，使得激光雷達、毫米波雷達等海量數據變成帶有語義信息也是研發團隊所要面對的重要問題。

傳感器從真實的世界采集到各種數據，完成了數據生產的過程，但數據必須要經過一定的標定和結構化、非結構化存儲，然后經過人工標注產生出帶有豐富標簽和語義信息的數據，從而才能夠對算法所利用。因此，數據的結構標準越精準，對算法的結果就越好。

通常企業和開發者對于數據的采集和標注，通常采取兩種做法：一種是自建團隊，需要開發甚至長期維護數據標注工具以及實效性數據的補充工作；另一種是業務外包的形式，如今自動駕駛的研發選型方案不斷進化，業界的標注需求也從最原始的 2D 進化到 3D，到全像素的語義分割，不斷進化的需求對標注能力提出非常大的挑戰。

百度數據眾包團隊則是提出另一種解決思路。百度數據眾包能夠較好處理障礙物的檢測和跟蹤以及融合、激光雷達和攝像頭、毫米波雷達的傳感器融合，V2X 的數據等智能駕駛傳感器的數據；此外，還能夠對車外環境感知以及車道信息等傳感器進行標注；對車內環境的感知和對駕駛員駕駛意愿的交互百度也有超過了 3000 萬條的標注經驗。

在注重數據質量之外，百度除了標準的合同條款以及保密協議也注重數據安全，對于任務封裝、數據加密、專利反扒都有相應技術手段，百度按照對數據安全不同級別需求的客戶，提供相應的標注方案。