【赛迪网讯】云计算、人工智能和工业互联成为自动驾驶的核心技术支撑。自动驾驶在快速改变汽车产业价值链和业务模式。如何在云层之上通过智能物联优化和完善自动驾驶产品和服务,成为传统汽车制造商和新兴汽车企业数字化转型业务战略重点。

中国自动驾驶市场潜力巨大。麦肯锡预测,在中国乘用车市场,到2040年,自动驾驶将占到乘客总里程的约66%,自动驾驶车辆的销售收入将达0.9万亿美元,与自动驾驶相关的移动出行所带来的市场收入将达1.1万亿美元*1。自动驾驶作为智能汽车、智能交通发展的一致方向,已经被我国列为重点发展领域。国务院发布的《新一代人工智能发展规划》提出要重点发展汽车产业中的自动驾驶技术,并且要在智能交通建设和自主无人驾驶技术平台等方面实现突破。而这一进程的推进离不开云计算平台,以及云层之上大数据分析、物联网、人工智能的支撑。

自动驾驶的价值

自动驾驶作为构建智慧出行服务新型产业生态的核心要素,在提高道路利用率的同时,还成为了消费升级的新动力。随着自动驾驶的不断完善,还将加速汽车产业链价值重心进一步向后服务倾斜,提高基于道路、交通等数字化服务的业务增长空间。

· 消费升级:自动驾驶技术的应用,让驾驶员能够从随时关注和调整汽车行驶状态的环境脱离出来,通过人工智能,办公、娱乐、生活等成为驾乘人员在汽车出行中的新选择,人们从传统的消费转变为智能消费,实现了消费体验的全面升级。

· 提高道路利用率:在城市交通中,由于车辆增长速度远大于道路增长速度,再加上不良行驶习惯,例如抢红灯、插队、路边乱停车等,使得道路拥堵成为城市交通管理的一大难题。自动驾驶与智能交通管理的协同使用,能够通过对路况变化的感知,自动调节车辆驾驶状态,更好地管理交通流量,从而有效释放道路资源,增强道路通行能力,缓解拥堵,提高道路利用率。

· 降低碳排放:自动驾驶技术成熟后,共享出行将成为城市交通的主要模式。届时,满足现有出行需求的汽车保有量将显著下降。根据密歇根大学的测算,一辆自动驾驶共享汽车(Shared Autonomous Car)可以取代9.34辆传统汽车*2。这不仅意味着车辆利用率的提高,同时车辆总量的减少将大幅降低碳排放,实现社会发展低碳化。

我国自动驾驶发展三阶段

我国自动驾驶的发展历程可以分为三个阶段*3:

智能物联-自动驾驶核心技术(第1页) -  1562752166675.png
6 天前 23:14

来源:麦肯锡,How china will help fuel the evolution in autonomous vehicles

· 第一阶段,~2023:在这一阶段,自动驾驶技术已经准备就绪,但受限于我国复杂的交通环境,例如高度复杂的标识、交通信号灯和道路标志尚未完全标准化,以及驾驶员不良习惯驾驶等,导致自动驾驶的初步使用,更多的在具有更少交通流量且驾驶要求更为简单的郊区进行,且驾驶速度只能维持在60km/小时以下的低速。

· 第二阶段,~2027:到2027年,自动驾驶技术不断发展,已经解决了城市和郊区驾驶的大部分所需条件,开始得到大规模的商业化采用。但自动驾驶还需解决坏天气带来的信号不佳,以及乡村独特的交通复杂性以及道路标识不统一的问题。

· 第三阶段,~2032:“移动即服务”(MaaS)在中国市场的快速增长,带来对自动驾驶出行的强烈需求。在这一阶段,随着自动驾驶技术的日益成熟和成本的逐步降低,自动驾驶将在城市、郊区和农村得到全面采用。

从技术角度而言,自动驾驶的过程涉及众多技术,其中感知、智能引擎和机器学习这三点非常关键。

- 感知:在工业互联网下,通过传感器、通信设备以及连接设备的数字化技术来感知多车型、多场景车辆数据,通过传感多数据交互,边缘端实时处理,实现实时、可靠的系统响应和感知。

- 智能引擎:在云层之上,结合大数据和人工智能,对收集的车辆海量数据进行实时处理,并作出智能决策,是实现自动驾驶的关键。这就需要自动驾驶系统具有高速可靠的计算能力,能够通过智能大数据分析,对车辆行驶做出相应决策。

- 深度学习:自动驾驶过程中,需要对基于汽车行驶的数据、性能评价进行智能判断、诊断和维护,这就对深度学习提出了要求,需要先进的深度学习框架,通过机器学习建模根据数据进行训练和改进。

AWS加速自动驾驶

全球先进的传统汽车制造商Rolls-Royce、BMW、Volvo、Toyota、Remault、福特、德国奥迪和新兴出行服务商如Lyft都是基于AWS ,以及云层之上的物联网、大数据和人工智能,满足车联网和自动驾驶的开发和部署需求。基于云平台灵活、丰富的计算资源,在运用大数据技术和先进的人工智能算法基础上,AWS自动驾驶系统分为车、云(平台)两层,通过车云协同,AWS一整套服务可助力自动驾驶的开发和部署。

· AWS 具备及用户所需的存储,支持海量数据存储。AWS Snowball Edge Storage Optimized 提供了 100TB 的容量和 24个 vCPU,满足本地存储和大型数据传输需求。

· Amazon Elastic Compute Cloud (Amazon EC2) P3 实例提供灵活且强大的高性能计算能力,可以实现最高 1 petaflop 的混合精度性能,显著加快机器学习和高性能计算应用程序的速度。且Amazon EC2 P3 实例支持所有主流机器学习框架,包括Apache MXNet、TensorFlow 和 PyTorch 等。

· Amazon SageMaker 机器学习托管服务,能够让自动驾驶研发人员快速构建、训练和部署机器学习模型,在减少研发工作量的同时降低成本,缩短产品面世周期。

· AWS IoT Greengrass 提供边缘计算及机器学习推理功能,可以实时处理车辆中的本地规则和事件,同时尽可能降低向云传输数据的成本。

下面我们通过两个实际案例看看AWS 如何助力自动驾驶。

丰田研究所利用AWS深度学习加快自动驾驶速度

自动驾驶系统的开发和部署,需要IT具有收集、存储和管理大量数据的能力,高性能计算能力和先进的深度学习技术,以及实时处理车辆数据的能力。丰田旗下的丰田研究所(Toyota Research Institute,以下简称TRI)的首要任务之一就是通过人工智能,帮助丰田生产更安全、更可用、更环保的汽车,为此,他们在AWS云服务基础上,通过Amazon EC2 P3实例、Amazon Simple Storage Service (Amazon S3)、AmazonSimple Queue Service (Amazon SQS)和AWS网络服务构建了一个可扩展且高性能的解决方案。Amazon EC2 P3实例为机器学习模型培训提供了所需的核心计算能力,在快速优化和重新培训模型的基础上,将培训模型的时间缩短了75%,显著加快TRI的自动驾驶研究和开发速度;通过Amazon S3,TRI能够快速存储和检索任何地方任何数量的数据,并将这些数据用于机器学习模型和模拟的分析和再培训;TRI还使用Amazon SQS协调远程数据采集站点之间的数据传输,并根据需求调整计算和存储资源。通过这一方案的部署,TRI的数据科学家和机器学习工程师能够更快地迭代、培训更多模型,并在应用程序中建立竞争优势,从而缩短研发自动驾驶研发周期,向未来帮助丰田生产更安全的汽车这一目标迈进。

AWS助力TuSimple 开发自动驾驶卡车系统

创立于2015年9月的TuSimple(以下简称“图森”)一直专注于研发可商用的 L4 级别(SAE 标准)无人驾驶卡车解决方案。