智能物联-自动驾驶核心技术

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

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 100 TB 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，可以实现高达 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)、Amazon Simple 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。该解决方案以摄像头为主要传感器，融合激光雷达和毫米波雷达，实现了感知、定位、决策、控制等无人驾驶核心功能，能够让货运卡车在干线物流场景和半封闭枢纽场景中实现全无人驾驶。借助AWS云服务，图森加快了这一解决方案的开发效率和速度，并降低开发成本。AWS具备用户所需的计算和存储，通过AWS Snowball Edge，图森能够加速将海量数据传输到AWS云并进行处理，从而让图森能够进行非常广泛的模拟驾驶测试;通过AWS 弹性云服务，图森能够创建和训练其深度学习模型，从而将培训时间从数天缩短至数小时。借助AWS，图森建立了自主驾驶仿真平台，可以在其用于导航卡车的每一种算法上运行数百万英里的模拟里程，从而使安全可靠的自动车辆成为现实。

自动驾驶的实现，不仅要求通过传感器对周围环境实现感知，同时具备更强大的数据分析能力，通过数据进行智能决策和控制。针对自动驾驶开发的AWS云服务，借助云计算、大数据、物联网、人工智能，加快了汽车制造商和研发机构在自动驾驶系统这一方向的研发进程。借助AWS云服务，TRI和图森加快了自动驾驶研发的速度，向可靠、安全的自动驾驶不断前进。

网站栏目：智能物联-自动驾驶核心技术
网站链接：/news35/104585.html

成都网站建设公司_创新互联，为您提供网站收录、微信小程序、软件开发、移动网站建设、网站排名、自适应网站

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联