無人駕駛汽車技術與市場
美國汽車聯合會（American Automobile Association）最新一項調查結果顯示，75% 的美國人對無人駕駛汽車 (Autonomous vehicle) 持擔憂的態度，只有20%受訪者表示信任無人駕駛技術。這調查結果並不讓人感到驚訝，考慮到現代人在使用的電子裝置如筆記型電腦、智慧手機等，多少碰上一些不便，讓人們坐進由電腦控制的汽車裡面，這主意聽起來就讓人不那麼舒服。還有，谷歌Google 說，無人車並不存在“零”事故率，未來我們還會遇到無人駕駛汽車撞車事件。無人車能發揮的作用，是降低事故率或減小事故導致的後果。併且，隨著這種技術的成熟，它對社會的發展、提升城市交通的效率是有益的。
無人駕駛汽車的核心技術
 |
汽車要實現真正的無人駕駛 (Autonomous driving)，它必須能夠感知和識別周圍的物體，並且要知道自己的確切位置。這兩方面都是無人駕駛技術的核心。英國劍橋大學的一個團隊利用圖像識別和深度學習(Deep Learning)技術在這兩個方面取得了一定的突破。他們針對這兩個方面，分別研發了SegNet系統和PoseNet系統。 |
1.SegNet系統
在無人駕駛汽車對周邊物體的感知方面，流行的思路是使用雷達感測器，或雷達與LIDAR（一種遙感技術）相結合的設備，但是他們的價格高昂，所有設備加起來甚至比整輛車還貴。這不利於無人駕駛技術的快速發展。
 |
劍橋大學研發團隊的 SegNet系統避開了這些昂貴的設備，利用傳統的相機來實現對周圍物體的識別。它能拍下街景照片，即時將照片中的物體分成12個類別， 例如路面、路標、行人、建築物和騎自行車的人等。它能應對不同的光照和陰影條件，以及夜間環境，標記圖元的準確度達到90%以上。 |
研究人員運用了深度學習的技術來訓練 SegNet系統，繼續優化它在更複雜的環境及氣候條件下能識別出物體。大學的一組本科生手工標記了5000張圖片中的所有圖元，研究員利用這5000張圖片訓練了SegNet，再進行測試，效果很令人鼓舞。
目前SegNet訓練的資料大多是高速公路或城市環境，相比鄉村、下雪天氣和沙漠的訓練還不足夠 ;不過它在這些環境中的測試，成績也不錯。
這個系統目前還不能直接用於無人駕駛汽車或卡車，但是它可以用於警示系統，與目前一些轎車上所使用的防撞技術相類似。
對於機器學習來說，資料庫是比較關鍵的，利用越多的資料對其進行訓練，其精確度就會更高。
2.PoseNet系統
PoseNet系統和SegNet系統相似，都需要對圖像進行識別。PoseNet系統是一個可以根據拍攝的照片進行精確定位的系統，該系統通過一張224x224 RGB的圖像識別出使用者的位置和方向。
 |
這個系統定位的精確度可以達到：室外環境下，精確度為2m和3°；室內環境下，精確度為0.5m和5°。相較於GPS定位，這個精確度要高出許多，並且 PoseNet系統克服了GPS的弱點：在沒有信號的地方，例如室內、隧道或GPS信號不好的城市，GPS無法定位。這些對於PoseNet都不是問題。 與 SegNet系統一樣，PoseNet系統也需要深度訓練，以及強大的資料庫支援。 團隊最自豪的地方就在於開發了一個使用深度學習的技術，來識別你的位置和周圍的物品;這是深度學習第一次被用來做這樣的事。 |
業界方面，在今年的國際消費性電子展Consumer Electronics Show (CES2016)中，顯示非常明顯的，擴張無人駕駛技術領域的意圖。除了在無人駕駛車的晶片市場中主要參與者，例如英偉達 (Nvidia)、Mobileye、恩智浦(NXP)和德州儀器(TI)等大公司外，還湧現出了許多“新面孔”包括IP供應商Ceva以及英特爾(Intel)和高通(Qualcomm)等。
投資者和媒體社群都非常熱衷於支援無人駕駛車的技術包括感測、攝像頭、雷達和雷射雷達、地圖繪製、演算法、深度網路(或者非深度網路)與人工智慧AI等等。 在CES上，Nvidia公司挾其“深度學習”技術以及Mobileye公司展示地圖繪製技術，成為這次展會上最耀眼的明星。兩家公司在ADAS和無人駕駛領域的競爭都相當激烈，Mobileye介紹了最新開發的地圖繪製技術 : 稱為道路體驗管理系統 Road Experience Management (REM) ，它對競爭晶片供應商以及恩智浦、博世(Bosch)與Denso等一線廠商來說，可能是“最具威脅性”。
這種技術是根據執行於MobileyeEyeQ處理晶片的軟體。它能以極低的頻寬擷取地標和道路資訊 : 大約每行駛一公里擷取10Kb(相形之下，Google進行定位和繪製HD地圖時大約每公里1Gbit)。在雲端執行的後端軟體可以將搭載車載軟體的所有汽車所發送的資料片段整合成一個全球地圖。Mobileye的目視判讀機制(有助於壓縮資料)應該可以協助汽車製造商創造自己的‘道路指南’(Road Book)。
Nvidia竭力鼓吹“深度學習”，無人駕駛車需要一個功能強大的視覺運算系統來融合從攝影機和其它感測器而來的資料。它最新推出的DrivePX2被稱為‘為汽車設計的超級電腦’，它可以處理來自12個攝像頭、雷達、雷射雷達和超聲波感測器的輸入資料。用來感知汽車所處位置、辨識汽車周遭的物體，並且即時計算最安全的路徑。它發佈了一款名為Digits的深度學習平臺。已經在用這個平臺測試自己的無人駕駛車了。
然而， Ceva也在積極推廣該公司自有的XM4成像與視覺DSP，這些DSP使用的是Ceva的即時神經網路軟體架構，名為Ceva深度神經網路Deep Neural Network (CDNN)。該公司的客戶將選擇一種訓練有素的神經網路，預先處理物件參數。透過使用Ceva的DSP引擎、韌體和CDNN，採用浮點網路和權重描述的物件參數將“在不損失精度的條件下”被轉換為定點客制的網路和權重。
另外，高通公司發佈了整合LTE資料機和機器智慧的Snapdragon820車用系列產品，包含了Zeroth機器智慧平臺。Zeroth專案設計用於協助汽車製造商使用神經網路為ADAS和車載資訊娛樂系統創建基於深度學習的解決方案。但到目前為止，奧迪(Audi)在2017款汽車產品線中就選用了Snapdragon系列的處理器。
解決無人駕駛導航挑戰的兩大陣營
第一個陣營是Google和百度(Baidu)等公司，目標是為特定地區創建極度詳細的地圖(釐米級精確度的3D地圖)，然後搭配雷射雷達等低解析度的感測器一起使用，在有地圖的區域就能以完全無人的模式讓汽車無人駕駛。
第二陣營的方法是創建低解析度的世界地圖，然後採用車上較高解析度的感測器、攝像頭和其它感測器對地圖進行優化和更新，Mobileye是第二個陣營代表。它稱此為汽車產業的首選方法，因為它能讓汽車能“以部份無人功能到處行駛。”這種方法缺少的是人類等級的人工智慧 (AI) 來處理由感測器所擷取到的資料。
無人駕駛車的目標是“以完整功能隨處行駛”，這正是Mobileye提出REM的切入點。這種系統設計可讓所有使用Mobileye技術的汽車有效地產生世界地圖，並創建“道路手冊”(Roadbook);一份基於雲端的詳細世界地圖。這份地圖可以不斷地即時更新，最終為所有汽車製造商業界使用。