- 文丨吴杨可月 指导丨张罗 -
- 小饭桌创业研究院出品 -
❖ 关注小饭桌公众号,回复暗号【无人驾驶】即可查看PDF版本的完整报告;
❖ 长扫二维码识别,加入小饭桌新媒体互动群,目前仅对创始人&联合创始人开放,了解群规后可加入
一方面,
今年10月,Uber用无人卡车运载5万瓶啤酒跑完120英里,
Google宣布其无人驾驶汽车已累计行驶48万公里;
另一方面,
特斯拉自动驾驶发生事故,
无人驾驶汽车成本居高不下;
所以,无人驾驶从现在到规模应用,还缺些什么?
哪些地方有创业机会?
什么是无人驾驶?
无人驾驶分5级,级别越高自动化程度越高
1-3级属于半自动驾驶,即辅助驾驶——案例:特斯拉,目前2级
3级以上达到全自动驾驶——案例:Google,5级
(备注:美国机动工程师协会(SAE),美国高速公路安全管理局(NHTSA))
有的从半自动驾驶过渡,有的直接跃入全自动
无人驾驶并不一定是循序渐进的过程,半自动化过程还需考虑与人的互动,很多公司选择直接迈向最高级。
两条路径:路径一,从半自动驾驶逐渐过渡——特斯拉;路径二,直接跃入全自动驾驶——谷歌、百度、乐视。
直接跃入全自动驾驶是更主流的模式
半自动驾驶涉及人机交互,与全自动不是渐近而是分离的两条路子。
半自动模式采用ADAS,主要功能不是控制汽车,而是通过环境分析,预先警告可能发生的危险状况,让驾驶人提早采取因应措施。ADAS涉及与人的交互,新难点是需要监测驾驶员的注意力。
直接跃入全自动驾驶是更主流的模式——特斯拉最新的计划也是直接面向全自动。
半自动驾驶短期内在卡车上有一定应用空间。驾驶员还是要保持全集中的状态。卡车驾驶对司机压力较大,辅助驾驶能起到一定优化作用。
(备注:ADAS-Advanced Driver Assistance Systems,先进驾驶辅助系统)
目前已有18家公司拿到自动驾驶路上测试牌照
传统汽车厂商、配件厂商、电动汽车厂商、互联网公司都在积极布局。
除此之外,共享出行公司也在积极布局:Uber已成功用无人驾驶卡车运送啤酒。
(备注:获得加州车辆管理局颁发的牌照,被允许在加州的公共道路上进行自动驾驶测试)
预计5年后出成熟产品,20年后规模应用
(数据来源:HIS,LMC Automotive)
规模应用的基础是绝对安全和价格合理
车辆行驶出现意外的危险非常大,无人驾驶应追求接近100%的安全系数。航空安全系数是6个9,即99.9999%,计算机行业是4个9,无人车至少要做到5个9。
目前一辆全自动驾驶汽车的造价约为同款普通汽车的10-20倍。Google无人驾驶汽车造价$30万,其原型汽车造价约$3万。
(数据来源:公开信息整理)
无人驾驶有哪些机会?
核心组成部分:高精度定位、障碍识别、决策
案例:拆解Google无人驾驶汽车
◆ 2014年,Google推出第一辆无人驾驶汽车原型
2014年5月28日Code Conference 科技大会上,Google 拿出了自己第一辆无人驾驶汽车原型。
和一般的汽车不同,Google 无人驾驶汽车没有方向盘、油门踏板、刹车,依赖传感器和软件完成驾驶。
高精度定位是主要的技术难点和成本来源——整车成本$30万,其中激光雷达$10万、高精度GPS导航系统$15万。
(数据来源:公开信息整理)
安全方面:从2009年开始正式立项,已有7年历史。已有100辆测试汽车,累计行驶48万公里。低速测试,逐步提速:第一波测试车辆行驶速度仅3英里/h;最近一波25英里/h(约40km/h);多次因行驶速度过慢被交警拦下。
成本方面:激光雷达单个定制成本最初是$10万,目前已降至$7万。Google的激光雷达供应方Velodyne表示,如果规模生产,未来可降至$500——仅原来的百分之一不到。招聘激光类机械工程师,可能会完全自主设计制造激光雷达系统。
用途方面:一是共享出行,早期投资Uber,撕逼后又收购Waze拼车。二是从日常出行到工业用车,Google无人驾驶系统专利上表示,其适用范围“包括但不限于轿车、卡车、摩托、大巴、船、飞机”。
(数据来源:公开信息整理)
定位的基础是地图,创业公司现在机会小
👉 高精度地图前期投入巨大,一般企业无法负担
无人驾驶对定位精度要求极高,一般地图无法满足需求,必须要高精度地图。
后装无法满足需求,需与汽车厂商合作,进行前装。高精地图需要与车内摄像头、激光雷达等传感器信息交互才能发挥作用,这就需要与车内的总线互相通讯——后装或者手机的方案无法满足。
(数据来源:《高精地图指引未来,高壁垒铸就行业稀缺》长江证券)
地图的精度要求在0.1m,少量公司已经达到
常规地图精度在10m,少数能到1m。
高德宣布,今年年内实现高速路100%高精度数据覆盖,精准度0.1m。但非高速路还是只能到1m。
新型卫星算法可能可以提高精准度。据称,美国加州大学研发人员研发出一种全新算法,通过减少卫星的运算量,利用现有卫星(无需发射新卫星),即可将精确度提升到0.01m。
其他尚存问题:进入隧道等偏僻位置时接收不到卫星信号,失去定位功能。
(数据来源:KOTTI,内部访谈)
通过雷达、摄像头多重保障实现精准定位
没有高精地图也能实现一定程度的无人驾驶,这种情况下,路面信息主要通过传感器实时采集信息。
但是传感器定位会带来极大的计算负担和成本,定位效果也不及地图。
雷达、摄像头同时还起着障碍识别的功能
障碍识别相对容易,但还是要考虑一些特殊情况。
情况一:识别移动物体——计算行人、车辆行驶速度,从而找出合理避让方案。原理:通过波往返时间及距离测算。
情况二:识别物体材质——石头和树叶对行驶的影响程度是不一样的,要区分。AI通过训练可以准确的识别特定物体,但很难达到辨识每一种物体的属性。波的反射情况能一定程度识别物体材质。
情况三:特殊环境——阴天、雷雨、雾等恶劣天气会影响可见度、波在空气中的传播。
雷达成本过高是影响无人驾驶规模应用的最大原因
毫米波雷达只能用于辅助驾驶,全自动驾驶还是需要激光雷达。
全自动驾驶目前绕不开激光雷达。不可替代性——探测精度高;优点——探测范围广,360°全方位。缺点:在雨雪雾等极端天气下性能较差;采集的数据量过大;目前造价极高。
毫米波雷达主要应用在ADAS,技术相对成熟。优势:穿透雾、烟、灰尘的能力强。缺点:探测距离短,无法感知行人,无法对周边所有障碍物进行精准建模。
(信息参考:《车载毫米雷达波——无人驾驶汽车之“眼”》中投证券)
规模制造有望大幅压低雷达成本
激光雷达成本过高的原因是没有规模化。激光雷达处于手工组装和调教阶段,人工成本和工厂成本都非常高,但材料成本并不高。
规模制造有望大幅压低雷达成本。多个激光雷达制造商都表示,未来如果生产规模到100万,可将成本降至$500——仅原来的百分之一不到。
(数据来源:公开信息整理)
雷达是通用件,雷达公司的竞争是全球化的
雷达是核心部件,为避免被上游控制,很多公司都可能自建雷达研发团队,例:Google。
(数据来源:IT桔子,Crunchbase,公开信息整理)
摄像头和图像处理也是必要条件——标识识别
摄像头可靠性高,成本和门槛也不高。99%情况下可靠,成本$10-20,主要供应商是Delphi、Continental。唯一的问题是,在雨、雾等特殊环境不能发挥作用。
图像识别准确度已经不错,而且还有提升空间。百度全景图像的自动化识别提取准确率高达95%。对比:目前图像识别应用得最好的领域是面部识别,准确率到99%以上。
(数据来源:公开信息整理)
庞大、多元的数据增大了计算难度
数据量大
Google无人驾驶产生的数据流量达到1GB/秒。
运算速度需求:50万亿次/秒——大通量、高速计算能力。
数据源多
来自传感器(雷达、摄像机)、显示器、防撞预警系统等多类配置。
每个装置都有独立的芯片进行运算,一辆汽车的芯片数量大约有600个。
(数据来源:Google,《无人驾驶,驶向未来》招商证券,HIS,公开信息整理)
计算能力的核心是芯片
芯片价格中等,但很难有降价空间:ADAS普通性能芯片每辆汽车$250-350, ADAS高级性能芯片每辆汽车$1,200。
市场规模及增速:2015年$290亿;预计2015年-2020年,CAGR=7.7%。
(数据来源: 《无人驾驶,驶向未来》招商证券, Gartner,IDC,IT桔子,Crunchbase)
低功耗高性能、整合型芯片迎来机会
1
低功耗高性能芯片
芯片构造的三个解法:CPU+GPU;CPU+FPGA;ASIC
中央处理单元(CPU):像一个什么都会的老教授,但所有工作都交给他还是会有点累
图形处理单元(GPU):像一群小学生,但是算加减法又多又快
现场可编程门阵列(FPGA):像一个潜力生,训练以后,在某个领域特别擅长
专用集成电路(ASIC):像一个专业教授,但为了培养这个教授,需要巨大的资源——除非批量培养,否则不值得为一个人,搭建这套教育体系
2
整合型芯片
过去:各类配置的芯片可能需要行业里供应链上多个集团的参与。
未来:一个芯片供应商,整合所有芯片的功能——协同运算提高效率。
(数据来源:Google,《无人驾驶,驶向未来》招商证券,Gartner,IDC,公开信息整理)
决策的悖论
安全问题:先生蛋还是先生鸡?驾驶要保证绝对安全,意味着要安全了才能上路,而没有足够的上路行驶数据积累,就不能做出很好的模型。
伦理问题:紧急情况如何设定?问题一:应该优先保护谁才是正确的。情况举例:两个方向,来不及刹车,A方是突然迎面违章驶来的客车,B方是正常行驶的卡车,A方会造成更多伤害,但B方是完全无辜的,该如何抉择?问题二:出现事故,过失责任如何认定。
决策方面,本地化公司有独特机会
中国公司的机会:各国的交通规则、行驶环境、驾车方式都不同,在美国的决策系统,在中国不一定适用。
(数据来源:《高精地图指引未来,高壁垒铸就行业稀缺》长江证券,IT桔子,虎嗅)
商用车和乘用车可能会有不同决策模型
乘用车车主是自由的,而商用车通常肩负一定使命,常是集体行为,涉及车辆间通信;而且商用车使用频率高、耗损大,减少阻力、节省燃油对效力提升作用大。
(数据来源:Crunchbase,公开信息整理)
控制系统相对简单,但需与厂商合作
难度低,但是需要与厂商合作。常用的控制方法:电磁控制系统,通过电磁原理控制相应的部件。常用的算法:PID,传统的PID即可。
既可控制燃油汽车,也可控制电动汽车,与电动汽车的契合度会更好一点。
此外,汽车网络安全可能会是新机会
汽车网络安全目前是重点+盲点。
慕尼黑再保险公司面向企业风控经理做过一次调研,调研中,55%的人将网络安全看作是无人驾驶汽车面临的最大问题。
目前仅有少量公司涉足这个领域。
Argus曾在2015年获得$2,600万B轮融资,后被英飞凌(Infineon)收购。
(数据来源:Crunchbase,公开信息整理)
当无人驾驶被广泛应用……
基础设施的机会只是第一波,很快会结束
共享用车是第二波——降低70%出行成本
(数据来源:《无人驾驶,驶向未来》招商证券)
汽车保有量下降40%——进退两难的汽车厂商
由于无人驾驶+共享用车可以大幅降低出行成本,未来汽车保有量可能会大幅下降40%,例,美国可能下降43%。
事实上,仅从需求角度来讲,无人驾驶推广后,所需的汽车数量会下降70%。
(数据来源:密歇根大学交通运输研究所)
停车场需求巨降——释放城市空间
送抵目的地后,汽车可以自己寻找车位,或者继续工作——几乎不需要停车场。
无人驾驶可以有效缓解停车位不足、停车场侵占大量城市空间的问题。目前国内停车位缺口过亿,停车场占据15%-40%城市空间,未来还会更严重——到2050年,全球城市人口将增长66%,达到25亿人。
(数据来源:美国银行,联合国,公开信息整理)
联系客服