汽車自動駕駛測試軟體

1. 首台車最早11月下線 特斯拉柏林超級工廠即將投產

據了解，特斯拉將嘗試在柏林工廠生產電動卡車，並可能明年在歐洲推出全自動駕駛測試軟體，而該軟體「已經接近完成」。

此外馬斯克還表示，柏林超級工廠生產的汽車將供應整個歐洲地區，而最初電池供應或來自中國。

2. 美自動駕駛創企Helm.ai完成1300萬美元融資 目前團隊僅15人

編|六毛

車東西3月26日消息，近日，美國自動駕駛公司Helm.ai宣布完成種子輪融資，在本輪融資中，Helma.ai共籌集到1300萬美元（約合人民幣9239萬元）。

據了解，Helm.ai是一家專注於自動駕駛軟體開發的初創公司，在軟體研發過程中Helm.ai主要依靠無監督式學習方法，從而使軟體開發的周期和成本得到降低。

另外，由Helm.ai研發的自動駕駛軟體主要適用於兩種場景，即L2級（和L2+）的高級駕駛輔助和L4級的自動駕駛汽車。據Helm.ai聯合創始人ValdVoroninski介紹，該公司目前已經和一些客戶達成交易，其中有部分軟體已完成基本的測試。

一、自動駕駛創企Helm.ai獲1300萬美元種子輪融資

據國外媒體TechCrunch報道，成立於2016年的美國自動駕駛創企Helm.ai於近日宣布完成種子輪融資，該公司在該輪融資中共籌集到1300萬美元（約合人民幣9239萬元）。

本次融資的投資方包括A.CapitalVentures、Amplo、BinnaclePartners、SoundVentures、FontinalisPartners、SVAngel等。此外，還有超過10位天使投資人也參與到了本輪融資當中，包括BerggruenHoldings的創始人NicolasBerggruen、Quora的聯合創始人CharlieCheever和AdamD』Angelo、NBA球員KevinDurant、Gen.DavidPetraeus、Matician的聯合創始人兼首席執行官NavneetDalal，QuietCapital的管理合夥人LeeLinden以及股票交易平台Robinhood的聯合創始人VladimirTenev等。

接下來，Helm.ai計劃將從本輪融資中籌集到的1300萬美元（約合人民幣9239萬元）用於研發、聘用員工以及完成現有的交易。有趣的是，雖然Helm.ai在四年以前就已經成立了，但目前來看這仍然是一家小規模的公司，只有約15名員工。

二、利用無監督式學習技術開發軟體專注L2和L4

對於自動駕駛汽車來說，軟體就猶如「大腦」。Helm.ai便是一家專注於深耕自動駕駛軟體開發的初創公司，在自動駕駛計算平台以及感測器方面，該公司暫時還沒有進行業務布局。

與此同時，相較於通過有監督式學習方法來對自動駕駛軟體進行訓練及改進，Helm.ai在軟體開發過程中主要依靠的是無監督式學習方法。後一種方法能夠使自動駕駛軟體在不需要大規模車隊數據、模擬訓練以及對數據進行標注的情況下對神經網路進行訓練，從而可以縮短軟體研發時間，降低研發成本。

Helm.ai聯合創始人表示，在為自動駕駛汽車開發AI軟體的時候，研究人員常常會遇到長尾問題以及無窮無盡的邊角案例（cornercases）。因而真正重要的問題是，軟體解決邊角案例的效率是怎樣的，以及軟體運行的速度能夠達到多快。在這一點上，Voroninski認為Helm.ai已經實現了真正的創新。

除此之外在軟體商用方面，Helm.ai的自動駕駛軟體主要適用於兩種場景，即L2級（以及L2+級）的高級駕駛輔助和L4級的自動駕駛汽車。據了解，該公司目前已經和一些客戶達成交易，其中部分軟體已完成基本的測試，不過這些顧客的詳細名單我們暫時還不得而知。

結語：應用無監督式學習方法成自動駕駛軟體研發新方向

以訓練所用的數據是否擁有特定的標簽為依據，可以將機器學習大致分成有監督學習和無監督式學習兩類。如果說有監督學習屬於「我見過的我都知道」，那麼無監督式學習則和人類的學習行為更加相似，即軟體能夠通過對比聚類等方法不斷學習到新的知識。

目前，兩種方法應用於自動駕駛軟體研發各有利弊。但不可否認的是，正有越來越多的自動駕駛公司探索應用無監督式學習方法。根據來自外媒的信息，除了Helm.ai，還有被寶馬風險投資基金iVentures所投資的CorticaAI公司也選擇了這條路線。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

3. 游戲技術成優勢 騰訊自動駕駛模擬模擬平台加速應用

今年受疫情影響，全國各地的朋友都開啟了"肥宅"模式，每天在家刷劇、打游戲。看看這游戲逼真的視覺效果和完美的射擊手感，怪不得受到了世界各地游戲玩家青睞。很多人不知道的是，這種極具真實感的大型游戲，其中的某些技術也正在被應用到自動駕駛的研發當中。

騰訊高精度地圖

據專業人士預計，未來5年模擬軟體與測試的國際市場總規模約在百億美元左右，適用於自動駕駛系統的模擬技術將會被大規模地應用於汽車產品的研發流程當中。眾多國際車企都將中國市場作為戰略發展的重點，我國的豐富的地理和環境基礎，加之復雜的交通狀況，為自動駕駛技術的研發和測試提供了豐富的學習資源。國內外車企也紛紛開展與騰訊等本土自動駕駛技術團隊、各地智能網聯測試基地的深度合作，在國家政策、技術助推和企業投入的多方合力之下，我國的自動駕駛將迎來可觀的發展。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

4. 請問一下，我國有哪些自動駕駛平台

1.谷歌TPU

谷歌的TPU（Tensor Processing Unit，張量處理單元）起初是計算神經網路的專用晶元，目前正在研發第四代，將採用 7納米製程，每秒矩陣乘法相當於2萬多億次浮點運算，相比同期的CPU和GPU，能夠提供更高的性能。Waymo作為谷歌的姊妹公司，使用TPU進行訓練，但是公開信息上顯示，Waymo實車上採用的卻是英特爾的Xeon處理器。

地平線公司2019年發布了國內第一款車規級AI晶元，之後征程2、征程3在長安、理想、長城、上汽等多家自主品牌車企的20+款車型上實現了前裝量產。最新發布的征程5系列單顆晶元AI算力最高可達128Tops，主要面向L4高級別自動駕駛。地平線在2021年4月與造車新勢力理想汽車達成深度合作，將為理想汽車提供高性能的智能計算平台。

除此之外，特斯拉、德州儀器、黑芝麻等一批企業也在從事晶元平台的設計，並有對應的計算平台發布，限於篇幅，不再一一進行介紹。

5. 汽車無人駕駛，自動駕駛怎麼實現用什麼設計工具或者軟硬體

無人駕駛汽車是通過車載感測系統感知道路環境，自動規劃行車路線並控制車輛到達預定目標的智能汽車。具體包括 中遠距離雷達，攝像頭，GPS 等。
技術實現其實和高級輔助駕駛ADAS接近
目前特斯拉，寶馬等廠商的無人駕駛採用的是 英偉達 Nvidia DrivePX2硬體平台

6. 自動駕駛汽車涉及哪些技術

最近，有一位對技術一竅不通的朋友對我說想買特斯拉，因為它配備了「你站著不動，讓車來找你」的自動駕駛功能。這使我很意外，自動駕駛雖然暫時還只是從業者關注的話題，但也許用不了幾年，就很有可能成為影響普通群眾購車決策的關鍵因素。甚至可以說，自動駕駛已經成為汽車發展的熱點和今後必然的趨勢。那麼，自動駕駛汽車涉及哪些技術呢？

簡單概括基於自動駕駛系統的組成便是這三點：環境感知、行為決策與車輛控制系統的執行技術。

首先，什麼是自動駕駛？就是全部或部分替代這些本來由人來執行的功能。那麼，所謂的感知是指車的感測器「看」到了什麼、決策是指車的大腦思考怎麼去處理、執行是指車的控制系統去執行相應的操作。

---本文圖片來源自網路

實現完全的自動駕駛和智慧交通是一個註定艱難的過程，無論是人工智慧、環境感知、智能決策這類新技術，還是運動控制、遠程通信這些基礎技術，甚至基礎設施建設、法律法規等，自動駕駛領域有太多技術等待我們去突破，太多山峰等待我們去翻越。這一未來必將造福全人類的技術正在各行各業的努力下快速發展著，我們一起期待吧。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

7. 特斯拉在美召回近5.4萬輛汽車 自動駕駛系統存在缺陷

易車訊 日前，我們從相關渠道獲悉，特斯拉公司應美國國家公路交通安全管理局（NHTSA）要求，召回53822輛位於美國地區的汽車。此次召回范圍包括部分2016-2022年的Model S和Model X、2017-2022年的Model 3以及2020-2022年的Model Y。

「滾動停車」這項功能於去年10月20日在特斯拉的軟體更新版本中實裝。當汽車以不低於9千米/小時的速度行駛時，若其檢測到附近沒有移動車輛、行人或騎行者，便會在不停車的情況下通過標有「all-way stop」的十字路口。

該功能違反了一些要求車輛在「all-way stop」處停車的州和地方法律，促使NHTSA著手調查特斯拉。特斯拉表示，截至1月27日，沒有發現任何與召回有關的保修索賠、撞車、受傷或死亡事件。

上周，FSD Beta車輛在美國的數量從去年9月底的幾千輛增加至近6萬輛。特斯拉表示，公司一直在公共道路上測試其FSD的改進版本，但它多次重申，「這些功能並不能使汽車完全實現自動駕駛。」

8. 現代集團打造「自動駕駛測試平台」 引領自動駕駛技術發展

隨著中國前瞻數字研發中心的成立，現代汽車集團與網路Apollo等本土頭部科技企業的合作將更加密切，先行開發適合中國用戶的高新技術和服務，不斷強化在華研發實力並為其在中國的發展提供新成長動力。

9. 全球自動駕駛汽車硬體和軟體最新技術總結（2020）

進入到2020年，自動駕駛技術走到了需要規模商業化證明技術價值的時候。

不管是封閉或半封閉場景的礦區、港口和園區，還是公開道路的RoboTaxi、RoboTruck等，技術都是自動駕駛在不同場景商業化的基礎。

本報告覆蓋了自動駕駛汽車所需要的感知、定圖與定位、感測器融合、機器學習方法、數據收集與處理、路徑規劃、自動駕駛架構、乘客體驗、自動駕駛車輛與外界交互、自動駕駛對汽車部件的挑戰（如功耗、尺寸、重量等）、通訊與連接（車路協同、雲端管理平台）等技術領域的討論，並且提供相應的各自動駕駛公司的實施案例。

本報告是由美國、中國、以色列、加拿大、英國等全球不同國家和地區的自動駕駛專家，針對自動駕駛技術的硬體和軟體技術，進行的全面闡述，方便各位讀者能夠從技術角度，了解最新的技術動態，從而全面了解自動駕駛汽車。

本報告的案例大多數來自汽車領域，這也是目前自動駕駛行業最火熱的應用場景，但是，服務個人出行的汽車並不是自動駕駛技術影響深遠的行業，其他的行業，如公共交通、貨運、農業、礦業等領域，也同樣是自動駕駛技術應用的廣泛天地。

RNN——當處理諸如視頻之類的時間信息時，RNN是強大的工具。在這些網路中，先前步驟的輸出作為輸入被饋送到網路中，從而使信息和知識能夠持久存在於網路中並被上下文化。

DRL——將深度學習（DL）和強化學習相結合。DRL方法使軟體定義的「代理」可以使用獎勵功能，在虛擬環境中學習最佳行動，以實現其目標。這些面向目標的演算法學習如何實現目標，或如何在多個步驟中沿特定維度最大化。盡管前景廣闊，但DRL面臨的挑戰是設計用於駕駛車輛的正確獎勵功能。在自動駕駛汽車中，深度強化學習被認為仍處於早期階段。

這些方法不一定孤立地存在。例如，特斯拉（Tesla）等公司依靠混合形式，它們試圖一起使用多種方法來提高准確性並減少計算需求。

一次在多個任務上訓練網路是深度學習中的常見做法，通常稱為多任務訓練或輔助任務訓練。這是為了避免過度擬合，這是神經網路的常見問題。當機器學習演算法針對特定任務進行訓練時，它會變得非常專注於模仿它所訓練的數據，從而在嘗試進行內插或外推時其輸出變得不切實際。

通過在多個任務上訓練機器學習演算法，網路的核心將專注於發現對所有目的都有用的常規功能，而不是僅僅專注於一項任務。這可以使輸出對應用程序更加現實和有用。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

10. 競速商業落地 自動駕駛賽程進入下半場

[汽車之家行業]?自動駕駛競賽進入下半場，推進商業化應用成為各企業發力的重點。根據美國蘭德公司的研究，自動駕駛演算法想要達到人類駕駛員水平至少需要累計177億公里的駕駛數據來完善演算法。

如果配置一支100輛自動駕駛測試車的車隊，每天24小時不停歇路測，平均時速25英里（40公里）每小時來計算，需要500多年的時間才能完成目標里程，期間所耗費的時間和成本無疑難以承受。

『騰訊TADSim部分場景展示』

另一方面，自動駕駛模擬測試評價體系缺乏規范。

在自動駕駛模擬測試方面，由於不同模擬軟體系統架構及場景庫構建方法的不同，導致很難建立統一規范的模擬測試評價體系。目前國內模擬評價體系的研究方向主要是從駕駛安全性、舒適性、交通協調性、標准匹配性等方面評價自動駕駛車輛模擬測試結果，對於模擬軟體自身的評價缺乏統一的評價標准，如模擬軟體場景真實度、場景覆蓋度、模擬效率等。

自動駕駛汽車作為智能化產品，未來需要應用深度學習演算法使汽車具備自我學習能力，如道路障礙物的復述重現能力、場景的泛化遷移能力，因此自我學習進化性也是自動駕駛汽車的評價指標，目前自動駕駛汽車的學習進化性還缺乏相應的評價規范。

總結：

自動駕駛技術演化有兩條路線，分別是由L2級到L3級和L4級到L5級，前者是多數車企走的路線，後者往往是科技公司的選擇，兩者的主要代表分別是特斯拉和Waymo。今年以來，多家企業表示，已具備L3級自動駕駛車輛量產能力；科技企業也紛紛展開Robotaxi的商業化運營測試。可以看出，各股競爭勢力都在試圖搶先落地應用自動駕駛技術。誰能在競賽中拔得頭籌？成本和效率無疑是最關鍵因素，模擬測試的成熟應用或將成為關鍵。（文/汽車之家肖瑩）