电脑自动驾驶软件

A. 快鱼吃慢鱼！软件是怎么控制汽车自动驾驶的

软件是如何控制车辆自动行驶的这个自动驾驶技术，在大家看来是个很神奇的技术，实际上并没有那么高科技，这东西的原理比较简单。就是通过车周围的雷达以及卫星的配合搜集车辆周围信息的变化，然后电脑里的程序软件会根据已有的数据库做出行为的调整。

因为车子就在高速行驶的时候，要保证更低的延迟才能保证更好的安全性，不能说车子都已经跑出去三米了，之前采集的信息才反应到微电脑里那里才处理完毕。那这时候车子有什么意外情况，根本就来不及反应了，所以未来全自动的驾驶技术必然就是需要更好的网络更好的道路基础设施，甚至说需要一定道路上的信息接收源发射源去配合，而不是单纯就靠车子本身就可以直接完成这个事情。

B. 自动驾驶中 BSP和c++有什么区别

这里有三个名词的概念，
自动驾驶，BSP和C++。
自动驾驶又称无人驾驶、电脑驾驶，是让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆的技术。
BSP（Board Support Package），板级支持包，也称为硬件抽象层HAL或者中间层。
它将系统上层软件和底层硬件分离开来，使系统上层软件开发人员无需关系底层硬件的具体情况，根据BSP层提供的接口开发即可。
BSP是相对于操作系统而言的，不同的操作系统有不同定义形式的BSP，要求BSP所实现的功能也有所不同。
而C++是一门软件编程语言。
三者是三个不同领域的概念，不能放在一起比较。
请采纳，谢谢。

C. 自动驾驶系统有哪些

如果你问的是一辆车的自动驾驶系统，那么可以大致分成车载和云端两大部分。
1.车载部分
传感系统：遍布车身的传感设备采集、接收数据，通过总线进行集成，再通过数据融合和智能分析处理，输出自动驾驶汽车所需的环境感知信息。
主控系统：由硬件部分的高性能车载集成计算平台和软件部分的智能车载操作系统组成。计算平台融合了传感器、高精度地图、V2X的感知信息进行认知和决策计算。智能车载操作系统融合了车内人机交互、运营服务商、内容服务商的数据，为乘客提供个性化服务，真正把智能车变成下一代移动智能入口终端。最后决策信息进入车辆总线控制系统，完成执行动作。
2.云端部分
自动驾驶车辆是一个具有高速移动属性的终端系统，需要云端大脑提供“智力”支持，完成数据存储、高精度地图数据采集、深度学习模型训练三大功能。

D. 280TOPS算力爆表！北京车展最强国产自动驾驶平台是它

▲左右分别为黑芝麻CEO单记章、COO刘卫红

黑芝麻CEO单记章此前是全球视觉芯片领军企业OmniVision创始团队成员，在硅谷芯片行业打拼了20多年，在图像处理芯片和软件算法上具有丰富的经验和技术积累。

CTO齐峥是英特尔奔腾二代芯片主要设计成员、CSO曾代兵是中兴微电子总工程师，COO刘卫红则曾是博世中国ADAS主力部门——底盘与控制系统事业部的中国区总裁。

正因为有超强的研发团队，让黑芝麻这家初创公司可以在3年时间内做出ADAS芯片华山一号A500并量产上市，在今年推出华山二号A1000芯片，发布FAD自动驾驶平台。

今年以来，新车如果没有配备L1/L2级自动驾驶，都“不好意思卖”，自动驾驶的普及程度正在快速提高，而更高等级的L3级甚至L4级自动驾驶也已经到了量产前夜，行业内对自动驾驶芯片和计算平台解决方案需求呈爆发性增长态势。仅自动驾驶芯片的市场规模，都有望达到万亿美元级别，成为半导体行业最大单一市场。

因此，FAD此时进入自动驾驶市场可谓正当其时。

今年8月，一汽智能网联开发院与黑芝麻达成技术合作协议。一汽智能网联开发院将启动基于华山二号A1000的智能驾驶平台的开发，以满足后续量产车型需求。双方将共同推动人工智能技术在汽车工业领域的应用，加速国产智能驾驶芯片的产业化落地。

另外，黑芝麻也已经签约多个FAD定点车型，预计明年就将有搭载FAD自动驾驶平台的车型上市。此外，国内外也已经有多家企业开始测试FAD自动驾驶平台，测试车辆已经上路。

黑芝麻在自动驾驶芯片和域控制器中取得的巨大成功，让行业研究机构开始重视这家刚成立4年有余创业公司。今年4月，硅谷最强智库之一的CBInsights发布中国芯片设计企业榜单，黑芝麻在车载芯片领域上榜，成为中国芯片设计企业65强之一。

今年7月，黑芝麻华山二号A1000芯片也亮相世界人工智能大会，与平头哥、依图、寒武纪等高端人工智能芯片同台亮相。

可以说，黑芝麻经过四年多的发展，已经成为全球领先的自动驾驶芯片设计公司，甚至已经有能力和芯片行业的老大哥们一较高下。同时，黑芝麻的快速进步，也推动着国内自动驾驶芯片设计再上新台阶。

在与两位创始人的交谈中，他们还透露了一个彩蛋，明年黑芝麻将发布性能更强的芯片，届时搭载这一芯片的FAD自动驾驶平台最高算力有望突破1000TOPS，其算力已经可以进行完全自动驾驶。

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。

E. 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。

F. needforspeed如何关闭自动驾驶

1、首先打开needforspeed软件，并登陆注册自己的账号。
2、其次点击该软件主界面的自动驾驶选项，并找到该选项右上角的关闭选项。
3、最后点击该选项进行关闭即可。

G. 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。

H. 英伟达“变软”，自动驾驶“破圈”

一个月前，黄仁勋用一小颗自动驾驶SoC芯片完成了整个GTCCHINA2019的“新品发布”。

发布会当天，这位“皮衣男子”赶在闭馆前匆匆去了自动驾驶汽车展位，用半个小时逐一聆听了几家自动驾驶初创企业的思路。那晚的黄教主，向在场工程师们释放出了一种近乎惺惺相惜的善意。

这种情愫很好理解——

要知道，在这届GTCCHINA散场时，很多观众发出的感慨是：“十分硬核，不够性感。”毕竟远道而来的大家直到演讲后半程，才终于等到黄仁勋掏出一块200TOPS深度学习算力的自动驾驶新品“Orin”。取而代之的，是各种“空口无凭”的软件技术升级。

面对一张张略显失望的脸，老黄也很无奈：“我这么努力，你都看不到。就好像你老婆做了一整天家务，你却说她什么都没做。”

众口难调，但这确实是英伟达在接下来的业务发展中必须要面对的问题。与“看得见摸得着”的硬件发布不同，软件迭代周期短、初期人力成本高、落地成果却很难形成清晰的概念……这些都让这家人工智能计算公司的技术发布开始与公众预期逐渐拉开差距。

而就在车云菌险些被观众情绪带跑节奏时，我们在英伟达的官方公众号上发现了一系列由NVIDIADRIVELabs出品的视频。视频内容从工程技术的视角，直观展现出NVIDIADRIVEAV软件团队如何完成一个个自动驾驶的日常任务，诸如从路径感知到交叉路口处理等一系列挑战。

那么，以自动驾驶为起点，车云菌尝试回答：当英伟达不再抛出核弹，他们到底做了些什么？

“直播”自动驾驶

严格来说，目前没有任何一家企业成功制造出一台全自动驾驶汽车，绝大多数玩家仍旧在奔向这一目标的路上相互博弈。

近年，英伟达正式加入战局。公司内部的软件开发人员已经远远超过了硬件工程师的数量。

他们首先打算解决自动驾驶汽车的三个问题：

知道自己在哪里：不光要掌握车辆具体位置，还得知道是在主路的第几条车道上，将定位精确到厘米级；

知道自己周围有什么：像人类大脑一样判断，前方卡车在减速、左后方有辆SUV驶来、右侧人行道有小孩、下一个路口是绿灯且不能左转……

作出正确的驾驶决策：判断从左侧超车可以安通过路口，然后控制车辆完成相应动作。

如今这些工作，都被团队一一摆上了台面。与常规“秀肌肉”的视频演示不同，英伟达实验室将自动驾驶最困难的感知层面的工作拆解成一个个小任务，条分缕析地告诉大家：我们是怎么做到的，以及我们为什么能做到。

任务的分解也很有意思。车队顺利攻克了包括建立感知路径、通过传感器融合实现环绕感知功能、打造像素级感知能力、借助特征追踪确保安全性、自主识别停车位、障碍物分类、车道线识别及自动补偿、测算车辆与障碍物距离、实现准确可靠的目标跟踪、预测目标的未来移动轨迹、不借助地图的情况下识别交叉路口。

https://v.qq.com/x/page/c0919cpz1w3.html

“可靠性”三个字贯穿了所有挑战过程。对此，NVLabs给出的说法是：“对于L2+级自动驾驶系统来说，例如NVIDIADRIVEAP2X平台，实时评估路径感知可靠性意味着评估该系统是否知道何时进行安全的自主操作，以及何时应该将操作权移交给人类驾驶员。”

至于NVIDIADRIVEAP2X。2019年初公司在GTC上刚刚发布了全新平台，其基于NVIDIAXavier系统级芯片运行，采用DriveWorks加速库和实时操作系统DRIVEOS，其中包含DRIVEAutoPilot软件、DRIVEAGX和DRIVE验证工具，并融合了DRIVEAV自动驾驶软件和DRIVEIX智能驾驶舱体验。

得益于二季度发布的DRIVEAP2XSoftware9.0上新增的大量自动驾驶功能加持，该平台成为业界公认的现阶段唯一完备的L2+自动驾驶解决方案。采埃孚、大陆、沃尔沃都心甘情愿为其买单。

于是，团队几个人在硅谷全长50英里的高速公路环路上完成了一次零干预的全自动驾驶。简单来说，这是一次类似“现场直播”的测试，工程师们没有机会像录制视频那样，拿实际路径感知信号与理想参数进行对比，还要随时准备应对过程中有可能发生的意外情况。

譬如，一旦自动驾驶车辆只能接收到一种传感器发射的感知信号，就无法保证最终决策置信度的实时及准确。比这更糟的还在后面——如果这唯一的路径感知输入失败，自动驾驶功能要么大幅影响操作的舒适及平稳度，要么干脆整个失灵。

而BB8完成的任务也足够交上一张漂亮的成绩单。基于NVIDIADRIVEAGX平台，自动驾驶车辆可以实时同步运行功能多样的360度环绕感知，定位以及规划和控制软件。

工程师通过使用感知和定位所提供的输入数据，规划和控制层让自动驾驶汽车能够独立行驶。规划软件通过感知和定位的结果来确定汽车特定操作所需的物理轨迹。视频里也清楚地展示出车辆在自主变换车道时的流畅动作：规划软件先利用环绕摄像头和雷达感知来进行变道操作安全检查，然后计算纵向速度曲线以及从当前车道的中心线移动到目标车道中心线所需的横向路径计划，最后控制软件发出加速/减速和向左/右转向的命令以执行车道变换规划。

正是这些软件组成部分，与硬件一起成就了系统的多样性和安全冗余。而这一系列任务视频，恰恰成了证明英伟达自动驾驶软件技术落地的可靠载体。

在这之外，将无形化的软件沉淀成可视化的视频内容，也能同时以更加轻松的方式触达到消费者层面。当汽车方向盘交到机器手中，用户会天然树立起不安与不信任感。这种先期教育市场的思路，能够消除部分不安心理，重建人们在自动驾驶空间内的安全感。

直观点说，NVLabs的“自动驾驶挑战”系列，是英伟达软件技术“破圈”的先导。

作为曾经游戏市场的霸主，这家芯片巨头必然深谙消费者之道。相比一般车厂对于车辆智能功能“洗脑式”的宣传，此番英伟达率先拿出一部分干货试探市场，占领用户心智。

这种策略直接体现在公司财报数据上，2019年三季度英伟达汽车业务迎来高光时刻。公开数据显示，彼时，该领域营收攀升至创纪录的2.09亿美元，同比增长30%。相比之下，英特尔第二季度的自动驾驶营收为2.01亿美元，同比增加16%。

对比来看，英特尔一季度该项营收2.09亿美元，英伟达为1.66亿美元。这意味着，英伟达环比上涨，英特尔环比下跌。

黄仁勋自己对于“软件公司”的蓝图也相当清晰：“这只是英伟达目前定位中的一部分。”

回顾既往十年，英伟达已经进行了两次业务转变。第一次是从GPU图像芯片公司转变为并行计算公司，典型的应用场景是人工智能。后来，公司又决定在少数特定场景中提供最完善的解决方案，覆盖游戏、专业渲染，超级计算、自动驾驶几大领域。

随着英伟达业务领域越来越广，客户“解放双手”的自由度就越高。这恐怕才是“Themoreyoubuy,themoreyousave”的真实含义。

观看NVLabs全系列视频，请点击：https://www.nvidia.cn/self-driving-cars/drive-labs/

?

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。

I. 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。

J. 自动驾驶使用的是什么技术软件控制汽车自动驾驶的原理是什么

随着技术的不断发展，自动驾驶汽车也出现在了大家的面前，这是一种通过电脑系统来控制汽车行驶的一种智能汽车。自动驾驶主要是通过雷达、人工智能、监控装置、视觉计算以及全球定位系统来使汽车运作的一种方式。人们在使用自动驾驶装置的时候，并不需要人为主动操作，汽车就能够安全的启动，这是一项非常方便的技术，是很有发展前景的。

高度自动化系统也就意味着可以在短时间内代替驾驶者去行驶车辆，但是驾驶者需要关注车子行驶的状态。完全自动化系统，这是一个非常高的水平，车主可以干其他的事情，并不需要对车子进行监控，系统可以自行的驾驶车辆。虽然自动驾驶汽车是目前发展的一个趋势，但是人们在行驶的过程中，仍然需要关注车子前方的情况，以免发生意外。