汽车自动驾驶测试软件

1. 首台车最早11月下线 特斯拉柏林超级工厂即将投产

据了解，特斯拉将尝试在柏林工厂生产电动卡车，并可能明年在欧洲推出全自动驾驶测试软件，而该软件“已经接近完成”。

此外马斯克还表示，柏林超级工厂生产的汽车将供应整个欧洲地区，而最初电池供应或来自中国。

2. 美自动驾驶创企Helm.ai完成1300万美元融资 目前团队仅15人

编|六毛

车东西3月26日消息，近日，美国自动驾驶公司Helm.ai宣布完成种子轮融资，在本轮融资中，Helma.ai共筹集到1300万美元（约合人民币9239万元）。

据了解，Helm.ai是一家专注于自动驾驶软件开发的初创公司，在软件研发过程中Helm.ai主要依靠无监督式学习方法，从而使软件开发的周期和成本得到降低。

另外，由Helm.ai研发的自动驾驶软件主要适用于两种场景，即L2级（和L2+）的高级驾驶辅助和L4级的自动驾驶汽车。据Helm.ai联合创始人ValdVoroninski介绍，该公司目前已经和一些客户达成交易，其中有部分软件已完成基本的测试。

一、自动驾驶创企Helm.ai获1300万美元种子轮融资

据国外媒体TechCrunch报道，成立于2016年的美国自动驾驶创企Helm.ai于近日宣布完成种子轮融资，该公司在该轮融资中共筹集到1300万美元（约合人民币9239万元）。

本次融资的投资方包括A.CapitalVentures、Amplo、BinnaclePartners、SoundVentures、FontinalisPartners、SVAngel等。此外，还有超过10位天使投资人也参与到了本轮融资当中，包括BerggruenHoldings的创始人NicolasBerggruen、Quora的联合创始人CharlieCheever和AdamD’Angelo、NBA球员KevinDurant、Gen.DavidPetraeus、Matician的联合创始人兼首席执行官NavneetDalal，QuietCapital的管理合伙人LeeLinden以及股票交易平台Robinhood的联合创始人VladimirTenev等。

接下来，Helm.ai计划将从本轮融资中筹集到的1300万美元（约合人民币9239万元）用于研发、聘用员工以及完成现有的交易。有趣的是，虽然Helm.ai在四年以前就已经成立了，但目前来看这仍然是一家小规模的公司，只有约15名员工。

二、利用无监督式学习技术开发软件专注L2和L4

对于自动驾驶汽车来说，软件就犹如“大脑”。Helm.ai便是一家专注于深耕自动驾驶软件开发的初创公司，在自动驾驶计算平台以及传感器方面，该公司暂时还没有进行业务布局。

与此同时，相较于通过有监督式学习方法来对自动驾驶软件进行训练及改进，Helm.ai在软件开发过程中主要依靠的是无监督式学习方法。后一种方法能够使自动驾驶软件在不需要大规模车队数据、模拟训练以及对数据进行标注的情况下对神经网络进行训练，从而可以缩短软件研发时间，降低研发成本。

Helm.ai联合创始人表示，在为自动驾驶汽车开发AI软件的时候，研究人员常常会遇到长尾问题以及无穷无尽的边角案例（cornercases）。因而真正重要的问题是，软件解决边角案例的效率是怎样的，以及软件运行的速度能够达到多快。在这一点上，Voroninski认为Helm.ai已经实现了真正的创新。

除此之外在软件商用方面，Helm.ai的自动驾驶软件主要适用于两种场景，即L2级（以及L2+级）的高级驾驶辅助和L4级的自动驾驶汽车。据了解，该公司目前已经和一些客户达成交易，其中部分软件已完成基本的测试，不过这些顾客的详细名单我们暂时还不得而知。

结语：应用无监督式学习方法成自动驾驶软件研发新方向

以训练所用的数据是否拥有特定的标签为依据，可以将机器学习大致分成有监督学习和无监督式学习两类。如果说有监督学习属于“我见过的我都知道”，那么无监督式学习则和人类的学习行为更加相似，即软件能够通过对比聚类等方法不断学习到新的知识。

目前，两种方法应用于自动驾驶软件研发各有利弊。但不可否认的是，正有越来越多的自动驾驶公司探索应用无监督式学习方法。根据来自外媒的信息，除了Helm.ai，还有被宝马风险投资基金iVentures所投资的CorticaAI公司也选择了这条路线。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

3. 游戏技术成优势 腾讯自动驾驶模拟仿真平台加速应用

今年受疫情影响，全国各地的朋友都开启了"肥宅"模式，每天在家刷剧、打游戏。看看这游戏逼真的视觉效果和完美的射击手感，怪不得受到了世界各地游戏玩家青睐。很多人不知道的是，这种极具真实感的大型游戏，其中的某些技术也正在被应用到自动驾驶的研发当中。

腾讯高精度地图

据专业人士预计，未来5年仿真软件与测试的国际市场总规模约在百亿美元左右，适用于自动驾驶系统的仿真技术将会被大规模地应用于汽车产品的研发流程当中。众多国际车企都将中国市场作为战略发展的重点，我国的丰富的地理和环境基础，加之复杂的交通状况，为自动驾驶技术的研发和测试提供了丰富的学习资源。国内外车企也纷纷开展与腾讯等本土自动驾驶技术团队、各地智能网联测试基地的深度合作，在国家政策、技术助推和企业投入的多方合力之下，我国的自动驾驶将迎来可观的发展。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

4. 请问一下，我国有哪些自动驾驶平台

1.谷歌TPU

谷歌的TPU（Tensor Processing Unit，张量处理单元）起初是计算神经网路的专用芯片，目前正在研发第四代，将采用 7纳米制程，每秒矩阵乘法相当于2万多亿次浮点运算，相比同期的CPU和GPU，能够提供更高的性能。Waymo作为谷歌的姊妹公司，使用TPU进行训练，但是公开信息上显示，Waymo实车上采用的却是英特尔的Xeon处理器。

地平线公司2019年发布了国内第一款车规级AI芯片，之后征程2、征程3在长安、理想、长城、上汽等多家自主品牌车企的20+款车型上实现了前装量产。最新发布的征程5系列单颗芯片AI算力最高可达128Tops，主要面向L4高级别自动驾驶。地平线在2021年4月与造车新势力理想汽车达成深度合作，将为理想汽车提供高性能的智能计算平台。

除此之外，特斯拉、德州仪器、黑芝麻等一批企业也在从事芯片平台的设计，并有对应的计算平台发布，限于篇幅，不再一一进行介绍。

5. 汽车无人驾驶，自动驾驶怎么实现用什么设计工具或者软硬件

无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。具体包括 中远距离雷达，摄像头，GPS 等。
技术实现其实和高级辅助驾驶ADAS接近
目前特斯拉，宝马等厂商的无人驾驶采用的是 英伟达 Nvidia DrivePX2硬件平台

6. 自动驾驶汽车涉及哪些技术

最近，有一位对技术一窍不通的朋友对我说想买特斯拉，因为它配备了“你站着不动，让车来找你”的自动驾驶功能。这使我很意外，自动驾驶虽然暂时还只是从业者关注的话题，但也许用不了几年，就很有可能成为影响普通群众购车决策的关键因素。甚至可以说，自动驾驶已经成为汽车发展的热点和今后必然的趋势。那么，自动驾驶汽车涉及哪些技术呢？

简单概括基于自动驾驶系统的组成便是这三点：环境感知、行为决策与车辆控制系统的执行技术。

首先，什么是自动驾驶？就是全部或部分替代这些本来由人来执行的功能。那么，所谓的感知是指车的传感器“看”到了什么、决策是指车的大脑思考怎么去处理、执行是指车的控制系统去执行相应的操作。

---本文图片来源自网络

实现完全的自动驾驶和智慧交通是一个注定艰难的过程，无论是人工智能、环境感知、智能决策这类新技术，还是运动控制、远程通信这些基础技术，甚至基础设施建设、法律法规等，自动驾驶领域有太多技术等待我们去突破，太多山峰等待我们去翻越。这一未来必将造福全人类的技术正在各行各业的努力下快速发展着，我们一起期待吧。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

7. 特斯拉在美召回近5.4万辆汽车 自动驾驶系统存在缺陷

易车讯 日前，我们从相关渠道获悉，特斯拉公司应美国国家公路交通安全管理局（NHTSA）要求，召回53822辆位于美国地区的汽车。此次召回范围包括部分2016-2022年的Model S和Model X、2017-2022年的Model 3以及2020-2022年的Model Y。

“滚动停车”这项功能于去年10月20日在特斯拉的软件更新版本中实装。当汽车以不低于9千米/小时的速度行驶时，若其检测到附近没有移动车辆、行人或骑行者，便会在不停车的情况下通过标有“all-way stop”的十字路口。

该功能违反了一些要求车辆在“all-way stop”处停车的州和地方法律，促使NHTSA着手调查特斯拉。特斯拉表示，截至1月27日，没有发现任何与召回有关的保修索赔、撞车、受伤或死亡事件。

上周，FSD Beta车辆在美国的数量从去年9月底的几千辆增加至近6万辆。特斯拉表示，公司一直在公共道路上测试其FSD的改进版本，但它多次重申，“这些功能并不能使汽车完全实现自动驾驶。”

8. 现代集团打造“自动驾驶测试平台” 引领自动驾驶技术发展

随着中国前瞻数字研发中心的成立，现代汽车集团与网络Apollo等本土头部科技企业的合作将更加密切，先行开发适合中国用户的高新技术和服务，不断强化在华研发实力并为其在中国的发展提供新成长动力。

9. 全球自动驾驶汽车硬件和软件最新技术总结（2020）

进入到2020年，自动驾驶技术走到了需要规模商业化证明技术价值的时候。

不管是封闭或半封闭场景的矿区、港口和园区，还是公开道路的RoboTaxi、RoboTruck等，技术都是自动驾驶在不同场景商业化的基础。

本报告覆盖了自动驾驶汽车所需要的感知、定图与定位、传感器融合、机器学习方法、数据收集与处理、路径规划、自动驾驶架构、乘客体验、自动驾驶车辆与外界交互、自动驾驶对汽车部件的挑战（如功耗、尺寸、重量等）、通讯与连接（车路协同、云端管理平台）等技术领域的讨论，并且提供相应的各自动驾驶公司的实施案例。

本报告是由美国、中国、以色列、加拿大、英国等全球不同国家和地区的自动驾驶专家，针对自动驾驶技术的硬件和软件技术，进行的全面阐述，方便各位读者能够从技术角度，了解最新的技术动态，从而全面了解自动驾驶汽车。

本报告的案例大多数来自汽车领域，这也是目前自动驾驶行业最火热的应用场景，但是，服务个人出行的汽车并不是自动驾驶技术影响深远的行业，其他的行业，如公共交通、货运、农业、矿业等领域，也同样是自动驾驶技术应用的广泛天地。

RNN——当处理诸如视频之类的时间信息时，RNN是强大的工具。在这些网络中，先前步骤的输出作为输入被馈送到网络中，从而使信息和知识能够持久存在于网络中并被上下文化。

DRL——将深度学习（DL）和强化学习相结合。DRL方法使软件定义的“代理”可以使用奖励功能，在虚拟环境中学习最佳行动，以实现其目标。这些面向目标的算法学习如何实现目标，或如何在多个步骤中沿特定维度最大化。尽管前景广阔，但DRL面临的挑战是设计用于驾驶车辆的正确奖励功能。在自动驾驶汽车中，深度强化学习被认为仍处于早期阶段。

这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，它们试图一起使用多种方法来提高准确性并减少计算需求。

一次在多个任务上训练网络是深度学习中的常见做法，通常称为多任务训练或辅助任务训练。这是为了避免过度拟合，这是神经网络的常见问题。当机器学习算法针对特定任务进行训练时，它会变得非常专注于模仿它所训练的数据，从而在尝试进行内插或外推时其输出变得不切实际。

通过在多个任务上训练机器学习算法，网络的核心将专注于发现对所有目的都有用的常规功能，而不是仅仅专注于一项任务。这可以使输出对应用程序更加现实和有用。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

10. 竞速商业落地 自动驾驶赛程进入下半场

[汽车之家行业]?自动驾驶竞赛进入下半场，推进商业化应用成为各企业发力的重点。根据美国兰德公司的研究，自动驾驶算法想要达到人类驾驶员水平至少需要累计177亿公里的驾驶数据来完善算法。

如果配置一支100辆自动驾驶测试车的车队，每天24小时不停歇路测，平均时速25英里（40公里）每小时来计算，需要500多年的时间才能完成目标里程，期间所耗费的时间和成本无疑难以承受。

‘腾讯TADSim部分场景展示’

另一方面，自动驾驶仿真测试评价体系缺乏规范。

在自动驾驶仿真测试方面，由于不同仿真软件系统架构及场景库构建方法的不同，导致很难建立统一规范的仿真测试评价体系。目前国内仿真评价体系的研究方向主要是从驾驶安全性、舒适性、交通协调性、标准匹配性等方面评价自动驾驶车辆仿真测试结果，对于仿真软件自身的评价缺乏统一的评价标准，如仿真软件场景真实度、场景覆盖度、仿真效率等。

自动驾驶汽车作为智能化产品，未来需要应用深度学习算法使汽车具备自我学习能力，如道路障碍物的复述重现能力、场景的泛化迁移能力，因此自我学习进化性也是自动驾驶汽车的评价指标，目前自动驾驶汽车的学习进化性还缺乏相应的评价规范。

总结：

自动驾驶技术演化有两条路线，分别是由L2级到L3级和L4级到L5级，前者是多数车企走的路线，后者往往是科技公司的选择，两者的主要代表分别是特斯拉和Waymo。今年以来，多家企业表示，已具备L3级自动驾驶车辆量产能力；科技企业也纷纷展开Robotaxi的商业化运营测试。可以看出，各股竞争势力都在试图抢先落地应用自动驾驶技术。谁能在竞赛中拔得头筹？成本和效率无疑是最关键因素，仿真测试的成熟应用或将成为关键。（文/汽车之家肖莹）