自動駕駛硬體配置

自動駕駛目前是一個技術和應用的熱點。

自動駕駛汽車相比於傳統汽車的主要區別(功能配置)在於其裝備有大量感測器和相應的演算法硬體，因此自動駕駛車能夠實時感知上百米範圍的所有目標，並根據學習模型預測其行為，相當於遊戲中開了局部上帝視角；同時車內或者雲端有附近道路的高精地圖，結合高精定位演算法，給自動駕駛車提供一個整體的世界模型知識，提升其魯棒性並能進行全局決策，這部分相當於遊戲中的世界地圖。

自動駕駛技術目前還處於一個快速的變化狀態，無論演算法硬體還是技術指標都還沒有定下來，因此各種配置千差萬別， 我這裡簡單總結一下目前互聯網系公司做自動駕駛上比較公認的一些感測器和處理器選型，供相關從業人員參考(其實這是一門生意，參見autonomousstuff)。

一、位置感測器：IMU(陀螺儀、加速計、磁力計)、GPS(RTK)。目前這塊選擇比較多的一個是Novatel的組合導航系統(不算基站幾十萬)，一個是北斗的組合產品(北斗星通，二三十萬)。當然也可以買北斗的開發板和單獨IMU自己組合(總成本可以小於五萬)。通常使用RTK基站的情況下其定位精度是厘米級，單獨GPS其精度是幾米量級，IMU可以保證在定位信號斷開10s的情況下位置偏差在米級。至於RTK基站的成本和範圍問題，目前有千尋公司提供相應的解決方案，現在覆蓋約半個中國範圍，使用成本約300/月。如果自己做組合導航產品（GPS+IMU+Encoder等），比較常用的就是EKF類的融合演算法，典型的庫如ethzasl_msf及robot_localization。

二、 感知感測器：攝像頭(單目雙目、廣角長焦等)、毫米波雷達(短距長距)、激光雷達(單線多線等)、超聲波雷達、深度攝像頭。普通攝像頭價格幾百上千，需要8~10個，長焦攝像頭至少需要1個，攝像頭總成本約幾萬(平民配置)。毫米波雷達一般車廠成本千元，但是市面上比較難以買到，因此價格差別較大，總共需要2~4個長距，2~8個短距，總成本幾萬到幾十萬。激光雷達至少需要一個360度的，成本幾十萬（要保證至少50m的穩定可靠感知距離），嵌入車體內部高角解析度激光雷達需要3~6個，成本也是幾十萬。超聲波雷達比較便宜，作用距離幾米。深度攝像頭常見的有結構光、TOF、雙目等，其中雙目有效距離遠，但是計算量大可靠性穩定性差，結構光和TOF有效距離較近，但是可靠性尚可，目前不少公司正在努力提高這類感測器的有效距離。攝像頭、毫米波雷達和激光雷達、深度攝像頭其實互有冗餘，如果你的某一個演算法可靠性逆天，那你可以捨棄一些其他的配置。總體上自動駕駛需要感知的目標屬性包括顏色、幾何、運動等，相機、激光雷達、毫米波雷達恰好能感知這幾個屬性，如果有一種感測器能同時獲得目標的這幾類屬性，那在功能上會更加完美，比如多普勒TOF相機。另外目前最新毫米波的發展也很快，新一代毫米波可以輸出跟激光雷達同樣的點雲效果，但是雜訊和精度方面還有待提升。

三、計算處理器：CPU、GPU、FPGA、ASIC。這塊CPU工控機比較便宜約萬級，GPU如果是直接工控機插入普通GPU成本也就幾萬，如果是用PX2成本就會飆升到十萬。FPGA和ASIC主要根據演算法確定，差別較大。自動駕駛演算法開發的過程中由於演算法未定，因此最好使用靈活性較大的處理平台，比如CPU和GPU。當演算法到一定階段有一些module將要freeze的時候，FPGA和ASIC會是比較合適的選擇，Mobileye和地平線機器人是ASIC演算法功能模塊的提供者。

四、輔助器件：主要有電源和時間同步、通信交換機等。 要車輛上各種各樣的感測器協同工作，需要首先進行感測器空間標定和時間同步，保證在同樣的時空坐標系下。空間標定一般涉及的是標定演算法，包括激光和GPS的標定，激光和相機、激光和毫米波等標定。時間同步主要是讓各個感測器的輸出處在同樣的Timeline上，以便於多感測器融合，典型的配置是用GPS的時間輸出作為其他感測器的同步信號，比如一般的激光都有時間同步輸入介面比較容易應用，但是市面上的相機很多卻沒有同步觸發介面，如果當相機數據傳輸到處理平台後再打上時間戳，那其會有相應的延遲並可能動態變化。

從上面的羅列可以看出，自動駕駛火熱會推升一波感測器處理器公司估值，尤其是激光雷達/深度相機和GPU公司，比如Velodyne、IBEO、Quanery、NVIDIA等，而且當前一些感測器價格和產量完全無法支持自動駕駛大規模應用，因此如Google選擇自研全部感測器和計算卡，而Tesla加大了對毫米波和晶元的投入，百度和福特也入股Velodyne，Bosch和三星投資的TetraVue等。另外國內也有不少創業公司，比如北科天繪、速騰聚創、雷神智能、光珀等。

另外一大塊開銷是高精地圖，這塊主要的套路一個是如Google和百度的全度量詳細地圖，一個是如Mobileye的拓撲度量簡略地圖，前者主要是製作和更新成本太高，難以保證覆蓋範圍和更新頻率，後者採用眾包形式成本比較低可以動態更新，缺點是後續的感知和決策演算法都要考慮這種定位的不精確，模塊之間耦合複雜(複雜降低可靠性)。