【正文】 線性神經(jīng)網(wǎng)絡(luò)來表示 NGram 模型，此后語義變得可計(jì)算。通過大規(guī)模未標(biāo)注文本和無監(jiān)督學(xué)習(xí)，可 以自動(dòng)學(xué)習(xí)出字、詞、句子的語義表示，一舉擺脫知識(shí)庫、詞法、句法等傳統(tǒng)自然語言障礙。Google 自然語言翻譯的最新進(jìn)展。3．三大開源框架促進(jìn)技術(shù)落地深度學(xué)習(xí)目前表現(xiàn)出來的趨勢，不光是技術(shù)，還有商業(yè)模式的轉(zhuǎn)變。過去幾個(gè)月，所有巨頭都將自己的深度學(xué)習(xí) IP 開源。核心目的是為了吸引用戶、擴(kuò)大市場，吸引人才、加速創(chuàng)新。開源會(huì)使技術(shù)發(fā)展更快，但主宰市場的仍將是巨頭。 深度學(xué)習(xí)算法和平臺(tái)本身的設(shè)計(jì)與實(shí)現(xiàn)是較難的問題，也不應(yīng)該是應(yīng)用開發(fā)者所需要過分關(guān)注的事情。近年來依托開源運(yùn)動(dòng)，全球互聯(lián)網(wǎng)巨頭從 2015 年起掀起新一輪最前沿技術(shù)平臺(tái)開源共享的風(fēng)潮。例如谷歌和 Facebook 分別將深度學(xué)習(xí)平臺(tái) TensorFlow 和 Torchnet 全面開源，在全球范圍 內(nèi)大幅推進(jìn)人工智能與深度學(xué)習(xí)技術(shù)的應(yīng)用普及，擴(kuò)大產(chǎn)業(yè)整體的市場規(guī)模，極大加速了深度學(xué)習(xí) 在應(yīng)用領(lǐng)域的迅速推廣。這些軟件所具有的共同設(shè)計(jì)特征是：容易表達(dá)、可擴(kuò)展、多平臺(tái)適用、可 重復(fù)使用和快速見效。TensorFlow 是 Google 的第二代機(jī)器學(xué)習(xí)系統(tǒng)，用來理解學(xué)習(xí)大規(guī)模數(shù)據(jù)和模型。這一系統(tǒng)非常 靈活，可適用于圖像、語音、文字理解等不同應(yīng)用。Google 使用了上千塊 GPU 并在性能上較同等 CPU 極大的提升。其優(yōu)點(diǎn)主要有三個(gè)，一是高度擴(kuò)展的設(shè)計(jì)，更快的實(shí)驗(yàn)速度加速研究進(jìn)程；二是 容易分享模型，開發(fā)代碼應(yīng)用到可重用的效果；三是通過同一個(gè)系統(tǒng)把研究工作直接用于生產(chǎn)環(huán)境。Paddle 是百度的深度學(xué)習(xí)系統(tǒng)，已經(jīng)在內(nèi)部運(yùn)行和推廣多年，多次獲得百度最高獎(jiǎng)榮譽(yù)，并且 已經(jīng)做出了一些實(shí)際的產(chǎn)品，較為成熟。在性能和各項(xiàng)指標(biāo)上都有優(yōu)點(diǎn)，如代碼簡潔、設(shè)計(jì)干凈， 無過多抽象、速度較快，顯存占用小、可多機(jī)多卡并行，支持異構(gòu)、文檔翔實(shí)等等，推出后 Paddle 也獲得了較高的肯定，是一個(gè)不錯(cuò)的深度學(xué)習(xí)工具，在國內(nèi)有較大的應(yīng)用潛力。另一個(gè)值得一提的是 Caffee，是一個(gè)清晰而且高效的深度學(xué)習(xí)框架，以易用性、擴(kuò)展性和速度 快迅速得到業(yè)界的認(rèn)可，并且在文檔撰寫和代碼迭代過程中非常注重與用戶的互動(dòng)，時(shí)至今日已擁 有一個(gè)龐大的開發(fā)社區(qū)。GitHub 根據(jù)上述框架衍生出數(shù)十個(gè)開源項(xiàng)目，構(gòu)成良好的深度學(xué)習(xí)開發(fā)社區(qū)氛圍，進(jìn)一步推 動(dòng)了該技術(shù)的推廣和落地。下表列舉了星級(jí)超過 1500 的大型項(xiàng)目。圖表 29 GitHub 深度學(xué)習(xí)開源排名項(xiàng) 目星級(jí)應(yīng)用項(xiàng)目Deep Dream9042一款圖像識(shí)別工具。Keras7502一款由 Python 實(shí)現(xiàn)的深度學(xué)習(xí)庫，包括卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等。運(yùn)行在 Theano 和TensorFlow 之上。Roc AlphaGo7170由學(xué)生主導(dǎo)的一個(gè)獨(dú)立項(xiàng)目，重新實(shí)現(xiàn)了 DeepMind 在 2016 發(fā)表于 Nature 論文 Masteringthe game of Go with deep neural networks and tree search（用深度學(xué)習(xí)和樹搜索學(xué)習(xí)圍棋） (Nature529, 484489, 28 Jan 2016)。Neural Doodle6275運(yùn)用深度學(xué)習(xí)將涂鴉變?yōu)閮?yōu)雅的藝術(shù)品，從照片生成無縫紋理，轉(zhuǎn)變圖片風(fēng)格，進(jìn)行基于實(shí)例的提升，等等。（語義風(fēng)格傳遞的實(shí)現(xiàn)）CNTK5957計(jì)算網(wǎng)絡(luò)工具（Computational Network Toolkit，CNTK）TensorFlow Examples5872面向初學(xué)者的 TensorFlow 教程和代碼示例OpenFace4855基于深度學(xué)習(xí)網(wǎng)絡(luò)的面部識(shí)別。（續(xù)表）項(xiàng) 目星級(jí)應(yīng)用項(xiàng)目Nupic4364智能計(jì)算的 Numenta 平臺(tái)（Numenta Platform for Intelligent Computing，Nupic）：一個(gè)腦啟發(fā)式的計(jì)算智能和機(jī)器智能平臺(tái)，基于皮層學(xué)習(xí)算法的生物精確神經(jīng)網(wǎng)絡(luò)模型。Leaf4281面向黑客的開源機(jī)器智能框架。Char RNN3820基于 Torch 開發(fā)的多層遞歸神經(jīng)網(wǎng)絡(luò)的字符級(jí)別語言模型。Neural Talk3694一個(gè) Python+numpy 項(xiàng)目，用多模式遞歸神經(jīng)網(wǎng)絡(luò)描述圖像。deeplearning4j3673基于 Hadoop 和 Spark 的 Java, Scala amp。 Clojure 深度學(xué)習(xí)工具。TFLearn3368深度學(xué)習(xí)庫，包括高層次的 TensorFlow 接口。OpenAI Gym3020一種用于開發(fā)和比較強(qiáng)化學(xué)習(xí)算法的工具包。Magenta2914用機(jī)器智能生成音樂和藝術(shù)Colornet2798用神經(jīng)網(wǎng)絡(luò)模型給灰度圖上色。Synaptic2666基于 和瀏覽器的免架構(gòu)神經(jīng)網(wǎng)絡(luò)庫。Neural Talk 22550Torch 開發(fā)的圖像簡介生成代碼，運(yùn)行在 GPU 上。Image Analogies2540使用神經(jīng)匹配和融合生成相似圖形。Deep LearningFlappy Bird1721使用深度強(qiáng)化學(xué)習(xí)破解 Flappy Bird 游戲。（三）深度學(xué)習(xí)未來展望技術(shù)的發(fā)展，尤其是到大規(guī)模落實(shí)階段，都難免會(huì)發(fā)現(xiàn)局限性，也正是這些局限性，不斷促進(jìn) 業(yè)界思考和改進(jìn)技術(shù)，進(jìn)而得到未來的發(fā)展方向。就深度學(xué)習(xí)而言，首先，缺乏理論支持。對(duì)于深度學(xué)習(xí)架構(gòu)，業(yè)界存在一系列的疑問：卷積神 經(jīng)網(wǎng)絡(luò)為什么是一個(gè)好的架構(gòu)（事實(shí)上其存在梯度散射等缺點(diǎn)），深度學(xué)習(xí)的結(jié)構(gòu)需要多少隱層，在 一個(gè)大規(guī)模的卷積網(wǎng)絡(luò)中到底需要多少有效的參數(shù)（很多權(quán)重相互之間似乎都存在冗余），隨機(jī)梯度 下降方法優(yōu)化權(quán)重得到一個(gè)局部最優(yōu)值如何解決。雖然深度學(xué)習(xí)在很多實(shí)際的應(yīng)用中取得了突出的 效果，但這些問題一直困擾著深度學(xué)習(xí)的研究人員。深度學(xué)習(xí)方法常常被視為黑盒，大多數(shù)的結(jié)論 確認(rèn)都由經(jīng)驗(yàn)而非理論來確定。不管是為了構(gòu)建更好的深度學(xué)習(xí)系統(tǒng)，還是為了提供更好的解釋， 深度學(xué)習(xí)都還需要更完善的理論支撐。隨著神經(jīng)網(wǎng)絡(luò)框架變得越來越復(fù)雜而精密，在感知、語言翻 譯等等方面的大部分最先進(jìn)的神經(jīng)網(wǎng)絡(luò)框架正在發(fā)展并且不再僅僅關(guān)于簡單前饋式（feed forward） 框架或者卷積式框架（convolutional）。特別地，它們正在混合并匹配不同的神經(jīng)網(wǎng)絡(luò)技術(shù)如 LSTM、 卷積、自定義目標(biāo)函數(shù)、多皮層柱（multiple cortical columns）等等。此外，神經(jīng)網(wǎng)絡(luò)超參數(shù)和網(wǎng)絡(luò) 結(jié)構(gòu)的設(shè)計(jì)目前多依賴人工經(jīng)驗(yàn)，如何能夠自動(dòng)且高效地得到優(yōu)化是值得關(guān)注的方向。其次，缺乏推理能力。深度學(xué)習(xí)技術(shù)缺乏表達(dá)因果關(guān)系的手段，缺乏進(jìn)行邏輯推理的方法。解 決這個(gè)問題的一種典型方法是將深度學(xué)習(xí)與結(jié)構(gòu)化預(yù)測相結(jié)合。目前幾個(gè)帶有結(jié)構(gòu)化預(yù)測模塊的增 強(qiáng)的深度學(xué)習(xí)系統(tǒng)已經(jīng)被提出來用于 OCR、身體姿態(tài)檢測和語義分割等任務(wù)中?？偟膩碚f，需要 更多新的思路以應(yīng)用于需要復(fù)雜推理的任務(wù)中。盡管深度學(xué)習(xí)和簡單推理已經(jīng)應(yīng)用于語音和手寫字中國人工智能產(chǎn)業(yè)發(fā)展報(bào)告 識(shí)別較長時(shí)間，仍需要在大的向量上使用新的范式來代替基于規(guī)則的字符表達(dá)式操作。最終，那些結(jié)合了復(fù)雜推理和表示學(xué)習(xí)的系統(tǒng)很可能為人工智能帶來巨大的進(jìn)步。深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的交叉 應(yīng)用會(huì)繼續(xù)，不僅僅聚焦在圖像、聲音和文本數(shù)據(jù)。如端對(duì)端學(xué)習(xí)控制無人車和機(jī)器人，使用深度 學(xué)習(xí)和強(qiáng)化學(xué)習(xí)來完成原始傳感器數(shù)據(jù)到實(shí)際動(dòng)作執(zhí)行器的直接映射。深度學(xué)習(xí)模型正從過去的只 是分類一步步發(fā)展到試圖理解如何在方程中加入規(guī)劃控制相關(guān)的變量。第三，缺乏短時(shí)記憶能力。人類的大腦有著驚人的記憶功能，不僅能夠識(shí)別個(gè)體案例，更能 分析輸入信息之間的整體邏輯序列。這些信息序列富含有大量的內(nèi)容，信息彼此間有著復(fù)雜的時(shí)間 關(guān)聯(lián)性。例如在自然語言理解的許多任務(wù)（例如問答系統(tǒng)）中，需要一種方法來臨時(shí)存儲(chǔ)分隔的片 段，正確解釋視頻中的事件，并能夠回答有關(guān)它的問題，這需要網(wǎng)絡(luò)具備記住的視頻中發(fā)生的事件 抽象表示的能力。然而包括遞歸神經(jīng)網(wǎng)絡(luò)在內(nèi)的深度學(xué)習(xí)系統(tǒng)，都不能很好地存儲(chǔ)多個(gè)時(shí)間序列上 的記憶。這使得研究人員提出在神經(jīng)網(wǎng)絡(luò)中增加獨(dú)立的記憶模塊，如 LSTM，記憶網(wǎng)絡(luò)（Memory Networks），神經(jīng)圖靈機(jī)（Neural Turing Machines），和 Stack 增強(qiáng) RNN（stackAugmented RNN）。雖 然這些方法思路很直觀，也取得了一定的成果，但在未來仍需要更多的嘗試和新的思路。最后，缺乏執(zhí)行無監(jiān)督學(xué)習(xí)的能力。無監(jiān)督學(xué)習(xí)在人類和動(dòng)物的學(xué)習(xí)中占據(jù)主導(dǎo)地位，我們 通過觀察能夠發(fā)現(xiàn)世界的內(nèi)在結(jié)構(gòu)，無需被告知每一個(gè)客觀事物的名稱。在機(jī)器學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng) 絡(luò)的復(fù)興恰恰是在無監(jiān)督學(xué)習(xí)取得不斷進(jìn)步的 2005 年左右，雖然無監(jiān)督學(xué)習(xí)可以幫助特定的深度 網(wǎng)絡(luò)進(jìn)行“預(yù)訓(xùn)練”，但最終絕大部分能夠應(yīng)用于實(shí)踐的深度學(xué)習(xí)方法都采用了純粹的有監(jiān)督學(xué)習(xí)。 這并不能代表非監(jiān)督學(xué)習(xí)在深度學(xué)習(xí)中沒有作用，反而具有非常大的潛力，因?yàn)闃I(yè)界擁有的非標(biāo)記 數(shù)據(jù)比標(biāo)記數(shù)據(jù)多很多，只是尚未找到很合適的非監(jiān)督學(xué)習(xí)算法。非監(jiān)督學(xué)習(xí)在未來存在巨大的研 究空間，今后計(jì)算機(jī)視覺的進(jìn)步將有賴于在無監(jiān)督學(xué)習(xí)上取得突破，尤其是對(duì)于視頻的理解。25三、應(yīng)用熱點(diǎn)篇——自動(dòng)駕駛 三、 應(yīng)用熱點(diǎn)篇——自動(dòng)駕駛（一）概述自動(dòng)駕駛又叫機(jī)器駕駛，涉及大量的人工智能技術(shù)，其發(fā)展與人工智能的發(fā)展密不可分。近年 來，隨著人工智能獲得快速進(jìn)步，自動(dòng)駕駛作為這一技術(shù)商業(yè)化的一個(gè)重要方向，也迎來了發(fā)展的 熱潮，是近幾年最熱門的應(yīng)用之一。1．四個(gè)等級(jí)兩種路徑自動(dòng)駕駛等級(jí)定義：目前美國、歐洲、日本都對(duì)自動(dòng)駕駛的等級(jí)做了定義，其中受到廣泛認(rèn) 可的是美國高速公路交通安全管理局（NHTSA）和國際自動(dòng)機(jī)工程師學(xué)會(huì)（SAE International）的定 義，如下圖所示。圖表 30 NHTSA 自動(dòng)駕駛等級(jí)定義無人駕駛的研發(fā)路徑主要分為兩種：半自動(dòng)的輔助駕駛（ADAS），完全的全自動(dòng)駕駛。輔助駕 駛的企業(yè)以傳統(tǒng)車廠為主，也要特斯拉這樣的新能源汽車公司“新能源汽車公司。而全自動(dòng)駕駛的三、應(yīng)用熱點(diǎn)篇 ——自動(dòng)駕駛 研發(fā)者主要是互聯(lián)網(wǎng)公司，較為知名的是谷歌和百度。2．無人車商用時(shí)間線：34 年之后2015 年年底以來，從百度開始，世界上幾大開發(fā)智能駕駛汽車的主要廠家紛紛發(fā)布無人駕駛 汽車商用和量產(chǎn)的時(shí)間線。已經(jīng)公布無人車（包括無人駕駛公交車）上路時(shí)間表的公司：圖表 31 資料來源，中信證券研究部，新智元公 司商用 / 量產(chǎn)日期公 司商用 / 量產(chǎn)日期百度2018 年商用，2020 年量產(chǎn)寶馬20172020 年谷歌2020 年量產(chǎn)奧迪2017 年Uber2017 年奔馳2020 年Mobileye2019 年通用2020 年福特2019 年現(xiàn)代2020 年豐田2020 年起亞2020 年本田2020 年沃爾沃2020 年大眾2020 年綜合看來，國內(nèi)外研發(fā)無人駕駛汽車的公司都把無人駕駛商用的時(shí)間線劃在了 2020 年前后。接下來的 3 到 4 年將會(huì)是這一技術(shù)商業(yè)化落地的一個(gè)沖刺時(shí)期。（二）人工智能與自動(dòng)駕駛（自動(dòng)駕駛中的人工智能技術(shù)）圖表 32 自動(dòng)駕駛所涉及的技術(shù)43總的來說，自動(dòng)駕駛中涉及的人工智能技術(shù)主要包括感知、決策、地圖和車聯(lián)網(wǎng)。1．感知（數(shù)據(jù)）感知是汽車實(shí)現(xiàn)自動(dòng)駕駛的一個(gè)基本前提，簡單來說，感知也就是采集數(shù)據(jù)的過程。自動(dòng)駕駛 汽車要依靠傳感器進(jìn)行環(huán)境感知，目前主要有雷達(dá)、攝像頭、GPS 三種，三種傳感器具有互補(bǔ)性， 所以不管是在輔助駕駛還是全自動(dòng)駕駛的路徑上，三種傳感器呈融合發(fā)展態(tài)勢。圖表 33 谷歌無人駕駛感知層 雷達(dá)在無人車使用的雷達(dá)中，較為常見的有激光、毫米波、紅外、超聲等。圖表 34 毫米波雷達(dá)與其他傳感技術(shù)對(duì)比表毫米波雷達(dá)毫米波雷達(dá)是指工作在毫米波波段的雷 達(dá)，其發(fā)射的無線電波長為 110mm，頻率為 30G300GHz。測量范圍在 100200 米左右。跟激光雷達(dá)相比，毫米波的準(zhǔn)確度會(huì)差一些，但毫米 波雷達(dá)具有穩(wěn)定的探測性和良好的環(huán)境適應(yīng)性，受天氣和光線的影響小。因此毫米波雷達(dá)能很好的 填補(bǔ)了攝像頭、激光、超聲波、紅外等其他傳感器在車載應(yīng)用中所不具備的使用場景空白。在頻段的選擇上各國所不同，相比全球而言，我國 77GHz 毫米波雷達(dá)的大規(guī)模應(yīng)用將稍微推 后，目前比較成熟的為 24GHz。24GHz 雷達(dá)比 77GHz 的繞射能力更強(qiáng)，但 77GHz 雷達(dá)波長短，距 離檢測范圍更廣、精度更高，因此在使用的時(shí)候各有利弊，但大部分專家認(rèn)為最后頻段會(huì)統(tǒng)一到 77 GHz。至 2020 年，預(yù)計(jì)全球車載毫米波雷達(dá)出貨量可達(dá) 7200 萬顆。按國內(nèi) ADAS 滲透率在 2020 年達(dá)到 30% 估算，每套 ADAS 需要 4 個(gè)短距毫米波雷達(dá)和 1 個(gè)長距毫米波雷達(dá)，則國內(nèi)出貨量可達(dá)4500 萬顆，市場規(guī)模將超 200 億。圖表 35 全球車載毫米波雷達(dá)預(yù)測圖表 36 主要毫米波雷達(dá)廠商24GHz77GHz主要應(yīng)用盲區(qū)監(jiān)測、碰撞預(yù)警自適應(yīng)巡航國外廠家法雷奧Hella博世德爾福大陸TRWTyco電裝TRWFujitsu TenHitachi西門子Hella+NXP( 預(yù)計(jì) 2018 年推出）國內(nèi)廠家廈門意行半導(dǎo)體（已量產(chǎn)）廈門意行半導(dǎo)體（2016 年底推出）北京行易道（已裝車試驗(yàn)） 北汽湖南納雷（已量產(chǎn)）蕪湖森思泰克（已產(chǎn)品化）蕪湖森思泰克（已產(chǎn)品化）南京隼眼（樣機(jī)階段）杭州智波（樣機(jī)階段）杭州智波（實(shí)驗(yàn)階段）華域汽車（在研）沈陽承泰（測試階段）深圳卓泰達(dá)（測試階段）激光雷達(dá)（LiDAR）通過發(fā)射激光束來探測目標(biāo)位置、速度等特征量的雷達(dá)系統(tǒng)，具有測量精度高、方向性好等優(yōu) 點(diǎn)，在軍事領(lǐng)域以及民用的地理測繪等領(lǐng)域都有廣泛的應(yīng)用。用于無人駕駛的激光雷達(dá)不同于傳統(tǒng) 的測繪型激光雷達(dá)，比較強(qiáng)調(diào)數(shù)據(jù)處理的實(shí)時(shí)性，且探測距離較短，一般在 200m 以內(nèi)，多采用多 線掃描的方式實(shí)現(xiàn) 3D 測量。3D 激光雷達(dá)的深度感知精度高達(dá)厘米級(jí)別，可以用來繪制 3D 環(huán)境地 圖，在自動(dòng)駕駛系統(tǒng)中具有重要作用。激光雷達(dá)和視覺組合的方案，既可以保證測距的準(zhǔn)確性和可靠性，又可獲取顏色和紋理等特 征。大企業(yè)如 Google、寶馬、奔馳、奧迪和沃爾沃，供應(yīng)商如博世、德爾福、大陸和先鋒，以及初 創(chuàng)企業(yè)如 Zoox，NuTonomy，都在自己的自動(dòng)駕駛系統(tǒng)中重度使用激光雷達(dá)。目前激光雷達(dá)因?yàn)閮r(jià) 格大概在 7 萬到 8 萬美元，成本高昂，固沒能被大規(guī)模采用，低成本的激光雷達(dá)方案如能達(dá)到同樣 效果，將極大的推動(dòng)無人駕駛進(jìn)度。激光雷達(dá)方面，2020 年我國激光雷達(dá)市場規(guī)模約為 億元，至 2025 年將升至 億元。 無人車從實(shí)驗(yàn)走向量產(chǎn)，激光雷達(dá)需要突破如下幾個(gè)瓶頸： 1）技術(shù)方面：當(dāng)前，激光雷達(dá)系統(tǒng)在感知方面比較成功，但在預(yù)測方面能力比較弱，發(fā)展自動(dòng)駕駛，預(yù)測能力是關(guān)鍵一環(huán)，有待突破，同時(shí)要在可靠性方面下足功夫。2）價(jià)格方面：64 線雷達(dá)的價(jià)格高達(dá) 60 萬元人民幣，所以，降低價(jià)格是未來工作的重點(diǎn)。已 有開發(fā)商在開發(fā)廉價(jià)版激光雷達(dá)。比如，德爾福正在與 Quanergy 公司合作開發(fā)一款激光雷達(dá)的解 決方案，產(chǎn)品量產(chǎn)后成本可以降到 250 美元。3）安全問題：現(xiàn)在只要在雷達(dá)發(fā)出信號(hào)后找個(gè)合適時(shí)間點(diǎn)把激光信號(hào)反饋給雷達(dá)，就能造成遇到障礙物后回傳的假象。自動(dòng)駕駛汽車接到這些偽造的信號(hào)后，就會(huì)確信某個(gè)地方有一個(gè)障礙物存在。未來需要充分考慮安全問題。圖表 37 典型高端激光雷達(dá)技術(shù)指標(biāo)360176。視場 LiDAR局部視場 LiDAR典型視場覆蓋360176。110176。最遠(yuǎn)測量距離~100100200m典型掃描線數(shù)16/324/8/16傳感器輪廓尺寸φ10080mm200100100mm激光雷達(dá)的重要參數(shù)，包括有效距離、橫向和縱向的識(shí)別范圍，以及角分辨率。有效距離，一般來講目前縱向可以做到 200300 米，而實(shí)際使用過程中，決策程序一般對(duì) 100 米以外的障礙物就不怎么處理了。關(guān)于分辨率，目前激光雷達(dá)水平方向達(dá)到 度，實(shí)際使用時(shí)也許只會(huì)劃分為 816 個(gè)扇形通道來處理。局部視場（如 110176。）的 16 或 32 線 LiDAR 有利于嵌入汽車車身，便于主 機(jī)廠整車設(shè)計(jì)，將在前裝市場受到高度重視。圖表 38 激光雷達(dá)主要廠商廠 商產(chǎn) 品合作廠商Velodyne包括 16 線束、32 線束及 64 線束福特IbeoLUX4L 與 LUX8L 專用于 ADAS 無人駕駛系統(tǒng)Quanergy3D 激光雷達(dá)傳感器奔馳 、Delphi華達(dá)科捷32 線束的三維激光雷達(dá)巨星科技中海達(dá)32 線激光雷達(dá) 攝像頭（機(jī)器視覺）攝像頭的感知原理包括三層：圖像處理、模式識(shí)別和雙目定位。其優(yōu)勢包括成本較低，需要的 數(shù)據(jù)量較少，目前技術(shù)較為成熟。但是，攝像頭受外部環(huán)境的影響較大，包括光線和天氣等。目前無人駕駛汽車上安裝的攝像頭主要有：1）單目攝像頭；2）后視攝像頭；3）雙目攝像頭；4）360 度環(huán)視攝像頭。采用基于攝像頭的圖像識(shí)別感知的典型企業(yè)：MobileyeMobileye 總部位于以色列，當(dāng)前比較成熟的是它的視覺感知技術(shù)，通過一個(gè)高清攝像頭搭配 EyeQ 處理芯片來實(shí)現(xiàn) ADAS 功能。目前提供多類預(yù)警功能，包括：前碰撞預(yù)警（FCW）、前方車 距監(jiān)測與預(yù)警系統(tǒng)（HMW）、車道偏離預(yù)警系統(tǒng)（LDW）、行人探測與防撞系統(tǒng)（PCW）與智能遠(yuǎn) 光燈控制系統(tǒng)（IHC）等。截至 2015 年底，全球已超過 1000 萬裝機(jī)量，覆蓋 20 多家車企的 273 款車型。圖表 39 2015 年 Mobileye 主要合作方及功能實(shí)現(xiàn)圖表 40 Mobileye 營業(yè)收入與凈利潤（百萬美元）早在 2000 年 Mobileye 就選擇了單目視覺的路線。2012 年開始深度學(xué)習(xí)的研究，在 2015 年 10 月發(fā)布的 EyeQ3 上首次運(yùn)用了此技術(shù)，讓車輛學(xué)會(huì)處理攝像頭收集的信息，通過關(guān)鍵特征和 輪廓提取，可實(shí)現(xiàn)物體檢測、環(huán)境建模、路徑規(guī)劃、場景識(shí)別等。在 2016 年的 CES 上，創(chuàng)始人 Shashua 闡述了 Mobileye 在自動(dòng)駕駛方面的解決方案：1）增強(qiáng)當(dāng)前的感知產(chǎn)品，為自動(dòng)駕駛系統(tǒng)提供 360o 可行區(qū)