новости

Источник: Визуальный Китай.

Казалось бы, в мгновение ока автономное вождение внезапно стало популярным.

В июле беспилотные такси Baidu «Luobo Kuaipao» широко распространились в Ухане, о чем почти каждый день появлялись новости.

По имеющимся данным, пиковое количество поездок Луобо Куайпао за один день превышает 20, что соответствует среднесуточному количеству такси, а качество обслуживания пассажиров лучше и комфортнее. По данным страховых компаний, уровень аварийности Carrot Run составляет всего 1/14 от уровня людей. Он благополучно проехал более 100 миллионов километров без каких-либо серьезных жертв.

По ту сторону океана Маск тоже сообщил, что выйдет в августе.ТеслаЧто касается первого беспилотного такси, Robotaxi (позже перенесенного на октябрь), он сказал, что владельцы автомобилей могут заняться арендным бизнесом Robotaxi в свободное время, а затраты на покупку автомобиля могут окупиться в течение двух лет.

По совпадению, 23 июля Google также объявила, что добавит в Waymo новый раунд огромных инвестиций в размере 5 миллиардов долларов США, чтобы «сохранить позицию Waymo как ведущей в мире компании по автономному вождению. Вы должны знать, что Microsoft потратила на это всего 1 миллиард долларов США». его инвестиции в OpenAI в размере 5 миллиардов долларов США близки к общему объему предыдущего финансирования Waymo.

На самом деле, сегодняшняя вспышка беспилотных автомобилей не случайна. С точки зрения отрасли, последние три года также были самыми быстрыми в развитии технологий автономного вождения, которые можно почти назвать «тысячами миль в день».

Судя по нынешнему прогрессу в Китае и США, если отбросить ограничения законодательных стандартов и времени, автономное вождение, вероятно, будет полностью коммерциализировано в ближайшие 1-2 года и достигнет сквозной «полноты» в 5-10 лет, реализуя беспилотную форму, подобную той, которую можно увидеть в научно-фантастических фильмах.

С этой точки зрения, хотя, возможно, еще слишком рано говорить о «моменте iPhone 4» автономного вождения, уникальность эпохи автономного вождения действительно наступила.

В то же время это также гонка на время: Китай и Соединенные Штаты, как две страны с наибольшим количеством компаний по производству беспилотных автомобилей в мире, тот, кто сможет взять на себя инициативу в прохождении и создании связанных промышленных цепочек, будет иметь возможность возможность определить путь и представить его другим странам. Способность страны экспортировать технологическую продукцию.

На фоне технологической конкуренции между Китаем и Соединенными Штатами это «битва, которую никто не может позволить себе проиграть» ни для одной из сторон.

В этой статье мы начнем с истории развития автономного вождения и попытаемся порассуждать о будущих тенденциях развития отрасли. Для начала поделюсь предварительными выводами:

1. От высокоточных карт, лидаров до BEV: все пути эволюции автономного вождения направлены на то, чтобы «заставить автомобили вести себя более как люди».

2. Последние три года также были периодом самого быстрого развития технологий автономного вождения. Большое количество игроков в стране и за рубежом в разной степени достигли комплексных результатов. Если смотреть в будущее, то это только вопрос времени. прежде чем он наконец достигнет окончательной сквозной формы.

3. Будь то чистое видение или лидарный маршрут, радар миллиметрового диапазона является лучшим способом компенсировать технические недостатки обоих. По мере того, как радар миллиметрового диапазона переходит от 3D к 4D к визуализации радара миллиметрового диапазона, возрастающая точность также способствует этому. Трек имеет возможность создавать компании с высокой стоимостью.

4. Внедрение и коммерциализация автономного вождения могут быть только началом. В будущем больше треков и продуктов (например, роботов в различных сценариях) могут повторить подобные истории после накопления достаточного количества данных.

5. На протяжении всей истории с каждым новым технологическим маршрутом открывались возможности для роста ряда начинающих компаний, и я верю, что это время не станет исключением.

Почему говорят, что последние три года были самыми быстрыми в развитии автономного вождения?

Признанное зарождение автономного вождения приходится на 2004 год. В то время США глубоко погрязли в войнах в Афганистане и Ираке. Им срочно требовалась партия военных беспилотных автомобилей, чтобы сократить потери американских военных, но исследования и исследования. прогресс развития никогда не был идеальным.

В результате Тони Тессер, тогдашний директор Агентства перспективных исследовательских проектов Министерства обороны США (DARPA), придумал прихоть и запустил челлендж, объявив, что независимо от того, кто сможет использовать беспилотный метод вождения, чтобы перелететь из Лос-Анджелеса в Лос-Анджелес через 10 часов прибудьте в Лас-Вегас и выиграйте приз в 1 миллион долларов.

На самом деле это масштабный тендер военных США для гражданских лиц. Организатор изначально думал, что участвовать будет мало людей, но неожиданно зарегистрировалось более 100 команд. К сожалению, призовые в итоге никто не смог забрать - т.к. Самая дальняя участвующая машина проехала всего 12 километров, что составляет примерно 5% от всей дистанции гонки.

(Фото: Помимо автомобилей, в то время соревновались и беспилотные мотоциклы...)

Но DARPA не сдавалось и с 2005 по 2007 год провело три конкурса по автономному вождению, привлекая к участию исследовательские группы из многочисленных университетов и компаний. Это также позволило Ларри Пейджу, одному из основателей Google, увидеть потенциал автономного вождения. . Водительский потенциал.

В 2009 году под руководством Пейджа был официально запущен проект Google по беспилотному вождению «Шофер». Два основных инженера (Энтони Левандовски и Себастьян Трун) были бывшими сотрудниками DARPA, эти двое позже также стали основателями компании Google. приводной блок.

К 2014 году Google выпустила Firefly, первый в мире полностью автономный автомобиль без руля и педали акселератора, который не только потряс автомобильный мир, но и впервые заставил мир осознать возможность автономного вождения.

(Фото: Firefly, беспилотный автомобиль первого поколения, разработанный Google)

Сразу после этого в беспилотное движение начали поступать большие объёмы венчурного капитала: от Uber, Nvidia, Amazon до Baidu, Didi, Huawei, а затемБенц、BMW, общий,Хонда, в том числе новые отечественные производители автомобилей, начали инвестировать в исследования и разработки в области автономного вождения. Большинство известных нам сегодня компаний по автономному вождению были основаны в то время.

Время пришло два года спустя. Для индустрии беспилотного вождения 2016 год стал чрезвычайно важным, потому что в этом году Tesla официально вступила в битву.

Не будет преувеличением сказать,Если взять 2016 год за разделительную линию, то вся вторая половина автономного вождения — это история контратаки Tesla от гонщика отрасли к лидеру.Поэтому я лично считаю, что нельзя слишком сильно преувеличивать этот момент.

До 2016 года почти все компании, занимающиеся беспилотным транспортом, выбирали технические решения Google:

1) Позиционирование: вспомогательное позиционирование с помощью высокоточных карт;

2) Восприятие: используйте лидар + видеокамеру для предоставления информации о восприятии транспортных средств;

3) Регулирование и контроль: принятие решений и контроль на основе алгоритмов, основанных на правилах.

Нетрудно обнаружить, что в основе решения Google лежит «сложенная броня».«Что-то лучше, чем ничего, больше лучше, чем меньше».

Эта школа мысли считает, что при нынешнем уровне технологий ни один датчик не может выполнять все функции, необходимые для автономного вождения, или охватывать все нестандартные ситуации. Поэтому необходимо использовать все датчики для комплексного принятия решений по автономному вождению и назначения различных. функций для разных датчиков; среди них наибольший вес имеет лидар, поэтому решение этой группы еще называют.«ЛиДАР Решение»;По сути, это аппаратный технический маршрут.

Как технологическая компания, которая начинала с искусственного интеллекта, Tesla ценит больше программного обеспечения. Например, Маск считал, что лидары в то время были слишком дорогими, каждый из них стоил 80 000 долларов США, поэтому он больше сосредоточился на разработке мощных визуальных алгоритмов и специализированного искусственного интеллекта. чипы пытаются строить модели окружающих объектов с помощью камер и добавлять данные в нейросети для вычислений, медленно развиваясь«Чисто визуальное решение»Это программно-ориентированный технологический путь.

По словам Маска: «У людей и животных есть глаза, а не радары», и шестеренки судьбы начали вращаться.

В то время у этих двух технических маршрутов были свои преимущества: хотя лидар стоил дорого, он был по своей сути точным и давал информацию о глубине (до сих пор многие инженеры питают слабость к лидару, в то время как камеры, хотя и дешевые, но все же имеют слабость); имело плохое разрешение. Имея ограниченные возможности, мы можем прилагать усилия только для сравнения информации на одной стороне объекта в двумерном мире. Информация, полученная путем вычислений и преобразований, всегда не так точна и интуитивно понятна, как информация из первых рук.

Это также привело к тому, что Tesla одновременно создала собственную команду по маркировке, состоящую из тысяч человек, поэтому многие люди в то время задавали Маску вопросы, говоря, что, хотя ваше оборудование было дешевле, общая стоимость была не такой хорошей, как у лидара.

Фактически, отсюда также видно, что уровень искусственного интеллекта всего автономного вождения на тот момент практически отсутствовал (за исключением лидара, который имел некоторые алгоритмы искусственного интеллекта).Это типичное «столько искусственных интеллектов, сколько есть разумов».Если на этом развитие искусственного интеллекта остановится, чистое видение Tesla, скорее всего, столкнется с узкими местами.

Но в итоге именно Google спас Tesla:

В 2019 году Google опубликовал знаменитую статью «Трансформер» (которая также легла в основу последующей большой модели).

Хотя Transformer — это модель нейронной сети, основанная на механизме внимания, инженеры Tesla быстро обнаружили, что Transformer может не только обрабатывать языковую информацию, но также может использоваться для обработки информации об изображениях.

Короче говоря, Transformer может интегрировать информацию, собранную восемью камерами Tesla, в одну и ту же систему координат позиционирования.Это эквивалентно предоставлению автомобилю «взгляда Бога» (т.е. BEV, «вид с высоты птичьего полета»),Способен видеть 3D-информацию об окружающей среде.

(Фото: технология BEV дает Tesla «божью точку зрения»)

В день искусственного интеллекта в 2021 году Tesla выпустила и успешно сделала BEV популярным. Начиная со второй половины 2022 года, отечественные игроки также объявили о дальнейших мерах и постепенно начали внедрять BEV в автомобили.

(Итак, хотя многие технологии не являются оригинальными для Теслы, ее способность разрабатывать передовые теории на основе передовых исследований и применять их на практике определенно находится на космическом уровне.)

В то же время Tesla также начала пытаться максимально автоматизировать процесс маркировки, чтобы решить проблему слишком высоких затрат.

Ее принцип немного похож на игру в шарады: сначала после того, как бортовая камера увидит объект (например, дерево), она загрузит информацию в большую модель в облаке, а затем большая модель «угадает», что это такое. объект есть? Если угаданный результат соответствует представлениям 8 датчиков, дерево будет автоматически помечено.

Таким образом, Tesla избавляется от ограничений в рабочей силе. Пока автомобиль может непрерывно отправлять информацию о дороге, он может неограниченно обучать свой собственный алгоритм.

До сих пор производительность Tesla была достаточно впечатляющей, но всего год спустя Маск сделал два больших шага в День искусственного интеллекта. Первым было введение пространственно-временной последовательности, а вторым — введение сети занятости.

Проще говоря,Первый позволяет автомобилю запоминать время, а второй обеспечивает эффект, аналогичный «псевдолидару».Разрешение автомобилю рассчитать пространственное положение и определить, необходимо ли избегать препятствий, не определяя, что это за объект, решает предыдущую проблему «столкновения с большим белым грузовиком».

До сих пор, независимо от пути, но с точки зрения эффекта, визуальное решение достигло в основном того же эффекта, что и радиолокационное решение.BEV+Transformer успешно добился конвергенции путей технологии восприятия автономного вождения и сформировал базовую структуру сегодняшнего алгоритма визуального восприятия.

(Фото: Захват сети приводит к эффекту, похожему на «псевдолидар»)

Таким образом, если судить по общей тенденции,Эволюционный путь автономного вождения на самом деле очень ясен: вся цель — заставить автомобиль вести себя как человек.Пусть ИИ предсказывает, что произойдет в будущем, основываясь на том, что произошло в прошлом.

С этой точки зрения, последние три года на самом деле были годами самого быстрого развития технологий автономного вождения, и ИИ постепенно продемонстрировал сильные возможности модернизации и итерации в автономном вождении, но большинство обычных людей в то время мало что знали об этом и думали, что; В области автономного вождения наблюдается небольшой прогресс.

Что действительно заставило общественность осознать, что ИИ окажет революционное влияние на индустрию автономного вождения, так это несколько событий, произошедших в 2023 году:

·Маск впервые упомянул на социальных платформах, что «v12 зарезервирован для случаев, когда FSD представляет собой сквозной ИИ», делая сквозной подход общедоступным (Nvidia предложила это в 2016 году, но не оказала большого влияния), и бесчисленное количество людей начинают с нетерпением ждать выхода v12;

·Впервые за последние десять лет CVPR наградила лучшую работу китайской командой, высоко оценив ее вклад в реализацию комплексного автономного вождения;

·Маск провел 45-минутную прямую трансляцию на модели S, оснащенной бета-версией v12, и вмешался только один раз за весь процесс. Эффект можно назвать очень хорошим.

Однако следует также прояснить, что в настоящее время нет прямых доказательств того, что v12, представленный Tesla, достиг полной сквозной производительности. Однако эффект от его дисплея действительно потрясающий, а уровень его интеллекта в основном сопоставим. к опытным водителям-людям.

Фактически, если в традиционном понимании систему автоматического вождения разделить на восприятие, планирование и управление,В настоящее время крупные OEM-производители в основном используют комплексные модульные решения с частичными ограничениями базовых правил AI+.

Поскольку для каждого модуля требуется определяемый человеком интерфейс, некоторая информация будет потеряна в процессе. Поэтому, чем больше модулей, тем больше информации теряется. Как в будущем объединить все модули в одну модель, крупным производителям еще предстоит придумать. как объединить все модули в одну модель. Нужно продолжать усердно работать.

Однако, судя по информации, которую мы собрали, в соответствии с текущей скоростью развития технологий и техники,Это лишь вопрос времени, когда автономное вождение наконец будет реализовано в полном объеме. Для этого, по моему относительно консервативному прогнозу, все еще требуется около 3-5 лет накопления.

В это время транспортное средство может принимать решения о вождении в состоянии «черного ящика» на основе собранной в реальном времени дорожной информации и напрямую выводить управляющие сигналы, такие как торможение и рулевое управление, достигая конечной формы беспилотного вождения, аналогичной той, которая используется в научной фантастике. фильмы.

(Фото: Пять этапов развития автономного вождения, источник: Xianfeng Evergreen)

Возможности венчурного капитала, открывающиеся благодаря итерации автономного вождения

Причины очень сложны. Вот лишь три ключевых элемента, которые, по моему мнению, обсуждаются:

Во-первых, данных относительно много.

Как мы все знаем, «путешествие» — это высокочастотный спрос. Отечественная индустрия автономного вождения начала расти примерно в 2015 году, и с тех пор прошло почти 10 лет. За этот период данные, собранные OEM-производителями и компаниями, занимающимися интеллектуальным вождением, независимо от качества, он, по крайней мере в целом, достаточно богат, что создает базовые условия для последующей реализации данных замкнутого цикла.

Во-вторых, определение функции относительно ясное и ясное.

Честно говоря, хотя концепция этой волны ИИ очень популярна, направление развития многих продуктов на самом деле неясно.

Например, когда дело доходит до роботов-гуманоидов, многие компании создали только прототип, который можно демонстрировать на выставках. Однако в реальных промышленных сценариях технологической стороне неясно, какие проблемы могут решить эти роботы и в какой степени. . из.

Поскольку перерабатывающие предприятия не понимают ИИ, они часто не знают, какие функции могут выполнять эти роботы и можно ли их комбинировать с другими технологиями. Обеим сторонам потребуется много времени, чтобы просто улучшить свое понимание.

Но при беспилотном вождении этой проблемы нет. У транспортного средства есть только несколько действий, таких как движение вперед, назад, поворот, ускорение и торможение, которые могут охватывать основные варианты поведения во всех сценариях вождения, если ИИ может выполнять их хорошо. , этого достаточно, а требования просты и понятны.

Таким образом, для преобразования передовых технологий в простые в использовании продукты важными факторами также являются четкое функциональное определение и разделение стандартов.

В-третьих, аппаратная база относительно зрелая.

Будь то лазер, камера, миллиметровая волна и другие сенсорные решения, или различные чипы, обеспечивающие передачу и обработку сигнала, после 10 лет полной «инволюции» они в основном вышли на стадию высокой себестоимости + стабильного питания.

Таким образом, в стремительно развивающемся процессе данных, оборудования и технологий автономное вождение первым достигло точки баланса цены и опыта и вскоре сформировало новую производительность.

Следовательно, если мы последуем этой логике еще на шаг дальше, автономное вождение, вероятно, будет только началом, и подобные истории могут повториться на других трассах в будущем.

Конечно, предполагается, что в этой области должны быть компании, которые смогут продолжать собирать большие объемы данных с низкими затратами (аналогично таким компаниям, как Didi, Baidu и Tesla в области автономного вождения), а не просто полагаться на некоторые разрозненные небольшие данные, которые могут быть основой для нас, чтобы судить, пережила ли определенная отрасль подобный поворотный момент.

С другой стороны, с появлением этой волны крупных моделей в будущем могут появиться систематические инвестиционные возможности во многих подразделенных областях, которые могут быть автоматизированы с помощью ИИ, но еще не изучены крупными компаниями (например, низкогорная экономика и промышленное производство), там скрываются технологические компании стоимостью в десятки или даже сотни миллиардов, которые также достойны внимания инвесторов.

Что еще можно вложить в автономное вождение?Мы просто немного расходимся, теперь давайте вернемся к нашим размышлениям и поговорим о самом автономном вождении. Фактически, на протяжении всей истории с каждой итерацией технологии автономного вождения у ряда начинающих компаний появляется возможность подняться.

Например, в эпоху Google основным решением было лидар+камера+высокоточная карта, но сегодня высокоточные карты все реже используются в легковых автомобилях, и уже даже не упоминаются (вдумайтесь, это было только два года назад) имеет значение).

Потому что в то время стоимость одного только автомобиля для сбора карт составляла миллионы. Если бы мы хотели максимально обеспечить работу в реальном времени, то каждый день на дороге должны были бы находиться как минимум сотни транспортных средств. обеспечить сбор и обновление национальных карт в реальном времени. Это было невозможно ни для кого. Ни автомобильные компании, ни поставщики карт не могли себе этого позволить.

В результате промышленные возможности наконец-то попадают в лидар:

Во-первых, это рост производителей оборудования, таких как Hesai.Стрелец, а затем появилась группа компаний, таких как Wenyuan, Pony и Vimo, которые построили алгоритмы на основе лидара, а затем группа предпринимателей, которые начали пробовать некоторые приложения для автономного вождения уровня L4 в небольших замкнутых контурах на основе радара + замкнутого цикла. сценариев, появились разнообразные беспилотные транспортные средства в шахтах, беспилотные транспортные средства в портах, роботы для доставки еды в отели и т. д., и вся экосистема беспилотного вождения постепенно начала расцветать.

Но Tesla в очередной раз перевернула индустрию с помощью BEV+Transformer, доказав, что даже без радара можно судить о трехмерном пространстве. В это время лидар становится то же самое, что высокоточная карта года и уже не является необходимой опцией.

Конечно, сегодня цена лидара упала до уровня тысячи юаней и, вероятно, продолжит снижаться. Поэтому в краткосрочной перспективе некоторые автомобильные компании по-прежнему будут применять мультисенсорные решения.

Однако, исходя из логики снижения затрат, в то время, когда OEM-производители «доводят до крайности каждую копейку», в будущем лидары будут постепенно заменяться чисто визуальными решениями, и вся экологическая картина промышленности неизбежно изменится соответствующим образом.

Например, традиционный радар миллиметрового диапазона может получать только информацию о самолете. Появилось следующее поколение 4D-радаров миллиметрового диапазона, который может обнаруживать информацию о высоте. Некоторые из замеченных нами советов включают, помимо прочего: На уровне продукта: существует множество чипов от производителей чипов. Каскадные решения и решения SoC открывают путь к высокоточным и недорогим решениям на уровне промышленного спроса, OEM-производители стремятся к созданию независимых управляемых решений для интеллектуального вождения отечественного производства; повышенные требования к безопасности и резервированию и т. д.

Короче говоря, в связи с различными требованиями в этой категории, вероятно, появятся новые игроки.

Другой пример: поскольку камеры собирают все больше и больше информации, а качество становится все выше и выше, существует спрос на суперкомпьютерные центры и чипы конечной обработки с большой вычислительной мощностью, включая чипы конечной стороны следующего поколения. Речь идет не только об объединении вычислительной мощности, но и об объединении различных архитектур алгоритмов для их лучшей адаптации. Все это новые изменения, вызванные аппаратной частью.

Что касается более мягкой стороны, мы сосредоточимся на недорогих, высококачественных и устойчивых методах сбора/производства данных.

При сквозном маршруте фактом является то, что алгоритм базы обучения использует данные в качестве топлива. Например, выяснилось, что Tesla V12 «использовал 10 000 H100 и выполнил около 10 миллионов видеотренировок».

«Эти видео основаны на 160 миллиардах кадров видео, собираемых каждый день с 2 миллионов реальных транспортных средств по всему миру, которые могут собирать данные, и менее 1% этих видео доступны, например, некоторые странные и необычно загруженные данные о перекрестках».

Будучи первым, кто попробовал что-то новое, Маск уже представил отрасли достаточно хороший лист ответов. Итак, похоже, что следующим шагом будет получение высококачественных данных с помощью теневого режима, механизма моделирования или модели мира. стать следующим вопросом в отрасли, который необходимо изучить для достижения консенсуса.

Однако я думаю, что это больше не может решаться исключительно компаниями в определенном звене: хотя технические маршруты, безусловно, важны, промышленное позиционирование и бизнес-модели могут быть предварительным мышлением, которое китайские компании должны делать в нынешних условиях.

В целом, по мере постепенного совершенствования внедрения высококлассного интеллектуального вождения, неизбежно появятся некоторые новые отраслевые возможности в области восприятия, передачи, принятия решений, исполнения и взаимодействия.

Например, недавно я общался с некоторыми основателями автомобильной промышленности и обнаружил, что помимо своего основного бизнеса они также обращают внимание на некоторые межотраслевые прикладные технологии и продукты. Многие неожиданные и межотраслевые передовые технологии наконец-то стали реальностью. их продукты потенциальные друзья и партнеры.

Это показывает, что когда конкуренция внутри отрасли достигает определенного уровня,Когда трудно получить достаточную прибыль только за счет расширения масштабов и улучшения цепочки поставок, компании должны искать новые точки прорыва с помощью новых технологий. В конце инволюции они должны полагаться на технологическое развитие, чтобы прорваться.

Из-за нехватки места я просто составил таблицу в конце статьи, чтобы дать вам представление о предпринимательских возможностях в эпоху интеллектуального вождения с использованием ИИ. Надеюсь, она поможет вам по-новому взглянуть на ситуацию.

(Фото: Промышленные изменения и возможности, связанные с различными этапами автономного вождения, источник: Xianfeng Evergreen)

(Автор этой статьи, Сюй Чжэнь, является постоянным инвестором Xianfeng. Он специализируется на цепочке производства новых энергетических транспортных средств, включая основные компоненты, полупроводники, материалы и т. д., и однажды инвестировал в Huashen Ruili от имени Xianfeng. Он окончил Чжэцзянский университет, колледж Чжу Кэчжэнь и бизнес-школу Уорика.)