自动驾驶 无人车价格
在苏州的街道上，自驾车来来往往很正常，但在如今的车流中，一辆车却很不寻常。
它的传感器，包括激光雷达，都被覆盖了，但它们仍然可以在公共道路上畅通无阻地行驶。
即使遇到一些复杂的交通场景，比如红绿灯路口、无保护右转等，也能从容应对，就像一些偶发情况，比如堵车、十字路口人车混杂。
更何况他还是国内自动驾驶领域的老面孔，用如此特殊的方式展示技术和解决方案的实力：
王进。
低调修行四年后，王劲带着他的中智行和汇通天翼云重返舞台。
并正式发布车路协同新范式“好车熟路系统”。
发布轻型车辆熟路系统
熟悉道路是这条新路线的表现。两个核心组件。
熟悉道路
这里不得不简单提一下提案人——中兴和天一交通的关系。
如果说中智专注于汽车端，那么我们将探索汽车如何利用增强的路侧能力形成L4级自动驾驶。
中智行的加入推动了天一交通的成立，而天一交通更倾向于路侧技术的研发和相关建设，更重要的是整个路侧资产等平台体系的运营。
也就是说，一个专注于车侧，一个专注于路侧，两者共同完成这个车路协同方案。
轻型汽车，轻型自动驾驶汽车。不需要激光雷达，只需要L2+级别的传感器，比如摄像头、毫米波雷达等。
从传感器到力的计算是根据L2 或L2+ 级别配置的。在极端情况下，如果车端的所有传感设备都用3D打印的盖板和胶带覆盖，那么只有通过路侧传感才能实现L4级自动驾驶能力。
自动驾驶覆盖传感器
此前，车路协同的路端通常是交通感知系统，其置信度、稳定性和智能性难以满足支持自动驾驶的要求。
“熟悉路”系统，基于全息传感数据，实时计算，再将结果反馈给车辆，帮助车辆知晓一切。这里的全息图在空间和时间上都具有连续性。
（天翼交通数字孪生平台数字化改造实现的“全息智能道路”，可实时映射现实世界和数字世界）
也就是说，这相当于从过去的3D感知升级到现在的4D感知。
高空路边部署可以实现上帝视角（物理BEV），感知道路上所有参与者的动作，包括行人、汽车、电动车，也可以感知盲点和超视距区域，从而实现空间连续性。
由于路边的连续运行，每个参与者对交通情况的观察也是连续的。 —— 哪些被迫停止，哪些在移动，可以感知。
一个例子是发生故障的汽车占用右转车道的情况。
（P.S. 车载系统，利用道路尽头连续空地和固定背景的特点，灰色模块是暂时停留的车辆，黑色模块是长时间停留的车辆，蓝色模块module 是移动的车辆；如果汽车抛锚了，会出现一个红框。）
更重要的是，时间维度信息的收集不仅有助于理解目标意图和预测轨迹，还可以让人工智能具备“认知”能力。
路对路协调系统可以从人类那里学习如何应对奇怪的障碍物，一定程度上可以解决自动驾驶的长尾问题。
——除了增强感知能力效果最为明显外，在低通信延迟和系统稳定性方面也有一些突破。
首先，通信是车路协同的另一个核心问题。如果车路之间没有很强的通信能力，即使路边感知到紧急情况，未能及时将数据传输给车方，也于事无补。
一般来说，为保证其可靠性，道路端的延迟应与车辆端的延迟相等，并应严格控制在较低且稳定的范围内。
在感知召回率99.99%置信度的基础上，天翼交通通过引入通信切片技术、部署微基站、设计全新的通信协议架构，实现了低时延、高可靠的通信能力。
平均通信空中接口延迟为20 毫秒，P99（在99% 的情况下）延迟为30 毫秒。端到端（即从感知、计算、到预测和调节）P99延迟为240毫秒。
并且因为路上的基础设施，可以在硬件设备和软件系统上实现7*24小时的长期稳定运行。
在此期间，可以不断积累数据，迭代算法能力。
当然，还有一个更实际的好处，那就是武力成本的计算。
通过在路边使用边缘计算和云计算平台，可以根据实际需要充分调用海量计算能力。
发布会上举了个例子：
每辆车只需要50TOPS的算力，路边可以预留500TOPS加上云计算。从数据中心获得几乎无限的计算能力只需几毫秒。
尤其是面对复杂的路况，车端的计算能力往往成倍增加，但有了道路边缘和云计算，负担就没那么重了。
相关账户也很容易计算：
苏州市（含4个委托市）公路里程10200公里。量产情况下，路边建设成本约为35万/公里，总成本约为35亿元。
也就是说，投资35亿，苏州就能真正成为智能化升级的自动驾驶城市——国道。
可以看出，这套知名系统在：高置信度感知、低时延高可靠通信、系统稳定性三大核心技术上实现了突破。至此，自动驾驶在安全性、效率性、经济性等方面得到了全面升级。
这个怎么样？是不是跟之前公开讨论的自驾路线和思路不一样？
选手来自中智和天一交通
它不是一家正规的自动驾驶公司，也没有走单车智能科技的通行路线，更不是业界主流的L4级商业模式。
过去任何一家自动驾驶公司，无论是百度、Waymo这样的科技巨头，还是创业公司，几乎都是聚焦在汽车端:
如何实现系统的冗余，如何覆盖corner case，如何平衡性能和成本，如何满足快速增长的计算能力需求;
这就像在二维世界里从A点到B点，只需要老老实实地完成纸上的曲线。
而中之星和天一交通希望从更高的“维度”来解决这个问题:
如果智能车辆基础设施合作系统足够完善，那么所有车辆都可以统一指挥和调度，智能L4自动驾驶的自行车游戏可以升级为全局规划。
就像折叠一个二维平面，直接在三维之间连接两个点AB空。
其实这个体系和路线背后的核心思想，源于王锦提出的数字化运营理念:
通过传感设备收集高质量数据，用数据驱动三个目标:
技术突破规模化落地商业模式的实现。
并表示这将是中之星和天一交通未来的核心竞争力。
这也关系到车路协同的最大优势——数据维度增强。
通过路侧7*24小时不间断运营，可以积累大规模、高质量的数据。
以苏州为例，仅机动车日行驶总里程就超过1.2亿公里。如果这套系统全覆盖苏州市区道路，那么短短一天就可以积累1.2亿公里的行驶数据，包括各种突发事件和交通事故。
基于此，场景库和数字孪生平台可以再现整个城市交通图景，更有利于高质量的机器人学习、人工智能维度提升和意图理解能力构建。在过去，智能自行车的行驶里程在短时间内是遥不可及的。
有了数据，技术上有了突破——很好地熟悉道路的系统，即将迎来大规模落地。目前，中之星和天一交通正在推进苏州300公里智慧道路建设。
这种模式其实是整个自动驾驶行业商业化一直在探索的加速方式。
为什么选择这么协调的路线？中之星和天一交通给出了这样的解释:
或者说核心自行车智能和道路协调的区别。智能自行车起步快，发展慢，存在技术瓶颈。然而，车路协调的缓慢启动不仅将可预见的挑战摆在了面前，也降低了自行车智能的技术天花板。
路路协调往往伴随着基础设施建设相关的工作，这样的特点往往给人投资高、周期长、难度大的印象。而天翼交通的区别是从实际落地的角度，连接的是车路协同的商业闭环。
从成本上来说，过去单车的智能路线所堆积的传感器和计算平台，本身就是不小的支出。
但在实际使用中，这些计算力和传感器实际上99%的时间都不需要。这也导致目前L4自动驾驶车辆的成本居高不下。
智能车辆基础设施协同系统不仅具有云计算能力的灵活部署，而且能够7*24小时连续采集数据。从长远来看，基本建设费用很容易摊销。
而且，最重要的是，一个城市或地区的车辆、道路的协同R&D和建设投入是有上限的、可以估算的项目，而自行车智能化则是谁也说不清的R&D周期和资金需求。
如前所述，苏州I4全息路升级改造费用为每公里35万元，全区域约35亿元。考虑到单车硬件的减少和成本的降低，苏州整个L4的升级成本大概在250亿元左右(包括汽车和道路的全面升级)——在此之前，要实现城市级自动驾驶需要多少投资？有很多求解者，但很少有人给出确切的数字。而35亿元对于自动驾驶行业来说并不是大钱。自动驾驶公司，花了35亿，还是没有落地L4，其实是常态。
这也是中之星成立之初坚持走车路协同路线的核心原因。
在道路协同的“苏州模式”下:中之星提供成熟的自动驾驶技术积累，通过对行业的了解，实现汽车配置的轻量化，让智能汽车不再是复杂昂贵的行为。
会上还透露了一个目标:将5万多台自行车智能设备降低一个数量级，即量产成本低于5000元。
这样主机厂就可以快速投放市场进行预装和量产。
天翼交通为这种全新的L4商业模式提供基础设施和5G通信基础支撑，让道路“似曾相识”。
在与汽车建立通信系统的同时，各种传感和计算设备也从汽车中取出，使配置轻量化，成本大大降低。
这样，最大限度发挥双方优势并迅速投入量产的“苏州模式”，在他们看来，就是一种“战略性产业部署”:
(A+B) 2 =“路车强赋能”无人驾驶。
A 2代表智能汽车；B 2代表智慧之路，2ab是其中最重要的部分，也就是车和路结合的部分。据介绍，他们试图解决的是智能汽车和智能道路真正结合的问题——汽车如何充分利用路侧能力，道路如何真正赋能汽车？
中之星凭借四年的技术积累，率先构建了车路协同的技术基础。现在，两家公司正在合作，以不同的侧重点迭代升级这个系统。
道路协调的具体路线如何走，自动驾驶公司和智能交通运营商相结合的方法，很可能是所有后来者无法绕开的路径参考。
自动驾驶的三种路线
自动驾驶，无论过去还是现在，更多的融资和更多的讨论焦点，都流向了基于传感器和算法的智能自行车路线。
判断自动驾驶模式和能力好坏的标准通常有三个:
安全。
效率。
经济。
这三个标准直接关系到自动驾驶落地的规模和速度。
从这个标准出发，我们可以对目前自动驾驶落地的三种主要模式做一个判断。
首先是众所周知的特斯拉车型。这是一条完全依靠自行车智能的路线。马斯克的基本逻辑是，AI司机要达到的目标是像人类司机一样，只靠自己的能力应付所有的驾驶任务。
他的方法是让全球数百万用户自愿成为测试员，通过返回的海量数据迭代系统。
效率和经济，可以用用户数量和规模来支付。然而，自行车智能长期存在的长尾问题很难解决:哪怕有1%的场景是看不见的、看不懂的、不准确的，都会造成事故。第二个是以Google Waymo为代表的路线，主要是Robotaxi。希望通过模拟或者路测把AI司机磨练到“万无一失”，然后逐步商业化。但是，AI在认知能力、概括能力等方面的突破。短期内难以实现，而Google的持久性也使得其长期以封闭固定的方式进行测试，数据收集和算法迭代的效率有限。
10年推广，烧了几百亿，RoboTaxi在路况复杂的城市落地依然困难。
与前两条路线相比，车路协同的比较优势在于解决效率和落地经济性，并兼顾安全性。
从道路协调的神视角出发，快速收集、筛选复杂、极端的交通场景，快速形成数据集进行系统学习。
这种带自行车的智能自驾系统，需要在数百万公里的里程内，以概率“遇见”长尾场景，效率要高得多。
路侧的整体控制也能最大程度避免车侧能力不足导致的事故。
而且，车路协同模式中还有一个更关键的“不可复制性”。
路对路协调基于V2X技术，因此它的实施应至少满足三个要求:
提高5G网络、基础设施能力和当地的合作意愿。这三点结合起来的恐怕只有中国了。
中国的5G网络和基础设施容量不需要任何多余的证明，这也是中之星+天翼的流量模式能够打通的前提。
需要特别强调的是，国内地方对车路协调路线的接受度很高。
对于当地来说，落地车路协同不仅是一张高科技的城市名片，还能带动当地基础设施、汽车、自动驾驶等相关产业链的发展。而自动驾驶带来的经济运行效率提升，潜力难以估量。
所以，中之星和天一交通在苏州高铁新城建设样板间只是第一步。
这也意味着大规模复制的实践已经开始，可以用时间和效果来检验，也可以开始迎接外界的评价。
中之星和天一交通提出的熟悉的系统，对于自动驾驶行业来说，真正意味着什么？
一方面是技术模式。以前的路车协调路线上，都是熟悉的路，对车的需求还是很高的。现在，一种新的模式被开发出来:熟悉道路。
另一方面，商业本质上是。“轻车”的价值不仅仅在于传感器、计算能力等方面的成本节约。更深刻的意义在于，第一次为高级自动驾驶的落地算了一笔明白账。传统的自行车智能化，资金、时间、人力、项目工期的投入，现在没有一家公司有准确的预估。
最核心的矛盾是，目前没有一家企业能够对自主研发的自动驾驶系统给出一个明确的、量化的可靠性指标。这样一来，自然就无法对监管准入和责任划分有一个明确的定性结论。
所以只能是“一步一个脚印”。没有人能从最后开始，向后推进。
但从车路协同的基础设施来看，技术指标已经明确，所依赖的基础能力不再是AI系统生效的概率，而是准确清晰的实施策略。以此为基础，可以计算出L4落地基本确定的成本，真正让自动驾驶落地回归商业本质，有更具体明确的时间表。
七年前，王锦断言“软件定义汽车”首先在传统汽车领域引起轩然大波，随后逐渐被接受。现在已经成为了几乎所有玩家的共识。
10年后，他是中国第一个自动驾驶事业部的总经理，也是带领团队探索自动驾驶从技术创新到商业化的第一人。
现在，他表示，在从事自动驾驶的第十个年头，是时候再次披露他对自动驾驶的最新商业实践和思考了。
以及更快、更大规模、更低成本普及自动驾驶的新路线。
在这个维度下，中之星+天一交通的影响可能才刚刚开始。
>>点击查看今日优惠<<
粤公网安备 44010602000157号