自動駕駛基礎架構（自動駕駛基礎架構做啥的）

本篇文章給大家談談自動駕駛基礎架構，以及自動駕駛基礎架構做啥的對應的知識點，希望對各位有所幫助，不要忘了收藏本站喔。

本文目錄一覽：

• 1、自動駕駛l4和l5有什么區別
• 2、從硬件架構看寶馬自動駕駛量產路徑
• 3、自動駕駛汽車需要的是什么技術
• 4、自動駕駛及關鍵技術難點
• 5、自動駕駛使用的是什么技術
• 6、特斯拉全自動駕駛車來了！下周發布Beta版，這次沒有「騙」你

自動駕駛l4和l5有什么區別

【太平洋汽車網】L4和L5級別的自動駕駛技術都可以稱為完全自動駕駛技術，到了這個級別，汽車已經可以在完全不需要駕駛員介入的情況下來進行所有的駕駛操作，駕駛員也可以將注意力放在其他的方面比如工作或是休息。

L4級（高度自動駕駛）在其設計運行條件內，系統可持續執行全部動態駕駛任務和執行動態駕駛任務接管。

L5級（完全自動駕駛）在任何可行駛條件下，系統都可持續執行全部動態駕駛任務和執行動態駕駛任務接管。

威馬W6根據官方信息，威馬W6最大的亮點便是搭載了“云端智能無人泊車系統”，可在特定場景下實現L4級別自動駕駛，這也是國內首款擁有L4級自動駕駛技術的量產車型。

這項技術厲害之處就在于車輛能夠通過傳感器自主識別路況信息，在保證安全的情況下可自行駕駛，無需人為操作，真正意義上的解放雙手。

硬件配置方面，新車搭載了5個77GHz毫米波雷達、2個高清智能攝像頭、4個高清環視攝像頭以及12個超聲波雷達。再加上百度Apollo的世界級算法軟件加持，在擁有強大的AI智能系統的同時也兼顧了自動駕駛的安全性。

而且，威馬W6支撐LivingPilot智行輔助系統和LivingMate全車交互系統，通過威馬OS系統調動車的所有能力，包括動力，車身、熱管理、底盤等，擁有整車OTA能力。

極狐阿爾法S阿爾法S的HI版搭載華為全棧自研的高階自動駕駛全棧解決方案（AutonomousDrivingSolution，簡稱ADS），這是業界首個通過ASIL-D功能安全評估的高階自動駕駛全棧系統。它以L4級自動駕駛架構為基礎，提供面向L4-L2+級自動駕駛全棧解決方案，可滿足L4-L2+的平滑演進需求。

從技術上看，阿爾法S華為HI版搭載3顆96線車規級激光雷達，6個毫米波雷達，12個攝像頭，13個超聲波雷達，以及算力可達352Tops的華為芯片，匹配高精地圖準確提取車道及紅綠燈信息，使之基本可達到L4級高度自動駕駛水平。

（圖/文/攝：太平洋汽車網問答叫獸）

從硬件架構看寶馬自動駕駛量產路徑

一直以來， 汽車 廠商都會對自家的自動駕駛架構三緘其口。

但寶馬這次的操作很是讓人意外：在前不久的發布會上，寶馬毫無保留地將自動駕駛平臺架構對外進行了分享。

在這次的線上發布會上，寶馬羅列了整合進自家車輛的關鍵構件與主要芯片供應商。

如此透明的分享，也讓外界認識了 寶馬自動駕駛的硬件架構 及其 量產路徑 。

1、軟件與硬件的可擴展性與復用性

通過這次分享，寶馬的自動駕駛平臺架構也能幫助我們更加理解這家德國巨頭在自動駕駛設計上的優先級。

縱觀寶馬乘用車型，無論是Level 2還是Level 4/5 級別自動駕駛，其硬件和軟件（例如ECU和攝像頭）都非常重視復用性，因為這樣可以節省大量成本。

寶馬的基礎平臺基于AUTOSAR（ 汽車 開放系統架構）打造，使用了大量傳統微控器（比如英飛凌的Aurix）。

隨著自動駕駛級別的不斷提升與功能的增加，寶馬開始通過增加額外的傳感器系統與高端微處理器來滿足性能要求。例如，前置立體相機的相關應用使用英飛凌 Aurix微控器與瑞薩 R-CAR SoC來優化。對 Level 3車型 ，寶馬選擇在平臺中整合兩顆 Mobileye EyeQ5 芯片，兩個英特爾Denverton CPU和一個額外的Aurix微控器。

在更高級別的 Level 4/5車型上 ，寶馬則另外增加了一顆 EyeQ5，一個Xeon 24C和一個Aurix微控器。

2、用設計來提升安全

按照自動駕駛堆棧的劃分：

L1/L2被歸為 ADAS ，而L3/L4/L5則屬于 HAD （高級別自動駕駛），自動駕駛能力則隨著級別的不同而逐步遞增。

在寶馬的架構下，L2則成了L3的一個備份。系統會運行獨立的ECU，同時用到傳統的和適配的AUTOSAR。

到了HAD的范疇后，就需要依靠ASIL-B通道。

總體而言，系統的安全性甚至大于其他各部分之和。

在推動自動駕駛研發的過程中，“安全至上”已經是許多 汽車 廠商的重要議題。

不過，到底如何 用設計來提升安全 依然是一個很少被公開提及的問題。

寶馬則直接披露了在高級別自動駕駛架構下的 自動駕駛路線圖 和 安全第一戰略 。

在發布會上，寶馬集團自動駕駛首席專家 Simon Fürst 表示：

為了保證L3/L4/L5的安全性，寶馬在車輛里安裝了雙重處理架構，一臺是主力機，另一臺則是備份機。

在這樣的架構下，主要和次要兩個ASIL通道分別承擔了車輛主軌跡計算和主通道的監督工作。

只要次通道發現主通道生成了可能會導致事故或碰撞的軌跡，它就會發出警告，并將車輛拉回次通道提供的安全軌跡。

主次通道一直進行交叉檢驗——Fürst指出，這是經典的行為檢查方法。

當主次通道發現自己在軌跡問題上存在分歧時，系統將進入降級模式。

降級模式下，會有另一個處理模塊出面“主持工作”，其背后是一套獨立的電源。即使出現重大供電故障，車輛也能繼續以降級模式運行。

簡言之，寶馬的L2堆棧是L3的備份。

這個通道的功能獨立于主系統，它可以驅動冗余的制動/轉向系統，使車輛進入安全位置。

但正如Fürst所講的那樣，由于能力有限，這套冗余單元無法執行全部功能。

另外，我們來談一談傳感器的融合難題。

一般來說，搭載在車輛上的不同傳感器，負責不同的功能。

在進行傳感器評估時，主要部分就是其道路上物體的探測能力，包括乘用車、卡車、摩托車、自行車和行人。

當然，這里重要的不僅僅是目標探測，計算這些目標的軌跡并找出“安全區域”也相當重要。

自動駕駛系統除了能利用一些基于計算視覺的機制來監控道路狀況，還能借助雷達和激光雷達的輸入甚至來自其他車輛的數據來探測障礙物。

此外，借助地圖獲得的定位也相當重要，它是系統計算線路和軌跡的重要依據。

但搞定傳感器融合并非易事——因為數據也分： 原始數據 、 分類數據 和 高級數據 。

舉例來說，原始數據來自于雷達、激光雷達和攝像頭，不同的傳感器還要配合不同的算法，再加上不同等級的數據，復雜性可想而知。

另外，當 汽車 廠商想要更新現有傳感器時，他們需要一個通用接口來簡化過程。

同時，如果數據結構標準化，那么新的分類和預處理數據投入使用后，就能幫助工程師大大改善傳感器融合水平。

因而，Fürst 認為， 標準化接口 和 數據結構 至關重要。

3、為什么需要一個全新的ISO標準？

關于車輛安全，業界有很多標準。

但當下專門針對自動駕駛 汽車 的 DTR-4804 ，被視為朝著 ISO標準化邁出的第一步。

去年，11家行業巨頭：安波福、奧迪、百度、寶馬、大陸、戴姆勒、FCA、HERE、英飛凌、英特爾和大眾齊聚一堂，共同推出了名為 SaFAD （自動駕駛安全優先）的白皮書。

現在，他們正在力推SaFAD，希望將白皮書變成 ISO DTR 4804的基礎。

今年2月，這 11 家公司還專門在法國巴黎召開了啟動會議，同時吸納了豐田、日產、電裝、馬自達、法雷奧等重量級公司。

Fürst 坦言，想讓這個草案成為正式的ISO標準可能還需要2 到 3年時間。不過越早開始，業界就越有機會盡早拿出自動駕駛安全標準。

為何標準這么重要？如果 汽車 行業不制定安全標準，會帶來什么后果？

如果沒有標準，最終帶來的后果是：不同的 汽車 廠商、不同的技術供應商會開發出具有不同風險的車輛。

而這，與自動駕駛安全標準的目標——最大程度降低總體風險是相悖的。

最后，如何評價寶馬的自動駕駛平臺架構？

有業內人士指出：寶馬的這一平臺架構在傳統與現代之中取得了平衡。

簡單理解，就是現代化的 AI 主要負責感知，而備份則基于傳統的確定性算法。

Fürst 也強調，這類系統設計的優勢在于：系統的主要部件都符合 ASIL B，只有一些小部件才依賴 ASIL D。

據悉，這些小部件包括車輛動態 ECU（動作控制），軌跡追蹤控制，失效降級 ECU 和選擇器等。

至于車輛功能安全性問題，寶馬的安全架構“算得上是業界領先”。

這是寶馬的情況，其它 汽車 廠商是什么水平呢？據悉，目前行業內走的差不多都是寶馬這條路子。

自動駕駛汽車需要的是什么技術

【太平洋汽車網】自動駕駛本身就是一項技術，而且自動駕駛分為好幾個等級，每個等級的原理和所使用的技術又是不同的。自動駕駛需要通過以下四步才可以完成：信息收集、分析識別、行動決策、設備控制。

Waymo的技術核心是圍繞激光雷達的一整套系統套件。

從技術層面來看，自動駕駛方面的關鍵技術不僅包含汽車本身的硬件/軟件平臺、系統安全平臺、整車通信平臺、核心算法等基礎技術，也包括云控平臺的系統架構和核心算法，最重要的核心器件是中央處理器、云端域控制器等。

這里不僅包括面向自動駕駛配套的集成化的主干網加多域控制的新型電子電器架構作為基礎。針對智能駕駛控制部分，L2級及以下采用基于MCU的多ECU分布式控制方式，而L3以上則必須采用基于高性能SOC（SystemonChip）構建的域控制器的集中控制策略。

以環境感知數據、GPS信息、車輛實時數據和V2X交互數據等作為輸入，基于環境感知定位、路徑決策規劃和車輛運動控制等核心控制算法，輸出驅動、傳動、轉向和制動等執行控制指令，實現車輛的自動控制，并通過人機交互界面（如儀表）實現自動駕駛信息的人機交互。

為了實現智能駕駛系統高性能和高安全性的控制需求，匯集了多項關鍵技術：包括基礎硬件/軟件平臺技術、系統安全平臺技術、整車通信平臺技術、云計算平臺技術、核心控制算法技術等。

（圖/文/攝：太平洋汽車網問答叫獸）

自動駕駛及關鍵技術難點

自動駕駛是汽車行業新一輪的技術革命，推動著傳統汽車行業快速轉型升級，是未來汽車的發展趨勢。自動駕駛技術有利于改善汽車交通安全、提高交通運輸效率、實現節能減排、促進產業轉型等?！吨袊圃?025》規劃中已將智能網聯汽車列入未來十年國家智能制造發展的重點領域，明確指出到2020年要掌握智能輔助駕駛總體技術及各項關鍵技術，到2025年要掌握自動駕駛總體技術及各項關鍵技術。本文將介紹自動駕駛等級分類標準、自動駕駛軟硬件架構圖以及自動駕駛涉及到的關鍵技術等。

美國汽車工程師協會根據汽車智能化程度將自動駕駛分為L0-L5共6個等級：其中L0為無自動化（No Automation， NA），即傳統汽車，駕駛員執行所有的操作任務，例如轉向、制動、加速、減速或泊車等；L1為駕駛輔助(Driving Assistant， DA)，即能為駕駛員提供駕駛預警或輔助等，例如對方向盤或加速減速中的一項操作提供支持，其余由駕駛員操作；L2為部分自動化（Partial Automation，PA），車輛對方向盤和加減速中的多項操作提供駕駛，駕駛員負責其他駕駛操作；L3為條件自動化（Conditional Automation，CA），即由自動駕駛系統完成大部分駕駛操作，駕駛員需要集中注意力以備不時之需；L4為高度自動化（High Automation，HA），由車輛完成所有駕駛操作，駕駛員不需要集中注意力，但限定道路和環境條件；L5為完全自動化（Full Automation， FA），在任何道路和環境條件下，由自動駕駛系統完成所有的駕駛操作，駕駛員不需要集中注意力。

自動駕駛汽車的軟硬件架構如圖2所示，主要分為環境認知層、決策規劃層、控制層和執行層。環境認（感）知層主要通過激光雷達、毫米波雷達、超聲波雷達、車載攝像頭、夜視系統、GPS、陀螺儀等傳感器獲取車輛所處環境信息和車輛狀態信息，具體來說包括：車道線檢測、紅綠燈識別、交通標識牌識別、行人檢測、車輛檢測、障礙物識別和車輛定位等；決策規劃層則分為任務規劃、行為規劃和軌跡規劃，根據設定的路線規劃、所處的環境和車輛自身狀態等規劃下一步具體行駛任務（車道保持、換道、跟車、超車、避撞等）、行為（加速、減速、轉彎、剎車等）和路徑（行駛軌跡）；控制層及執行層則基于車輛動力學系統模型對車輛驅動、制動、轉向等進行控制，使車輛跟隨所制定的行駛軌跡。

自動駕駛技術涉及較多的關鍵技術，本文主要介紹環境感知技術、高精度定位技術、決策與規劃技術和控制與執行技術。

環境感知指對于環境的場景理解能力，例如障礙物的類型、道路標志及標線、行車車輛的檢測、交通信息等數據的語言分類。定位是對感知結果的后處理，通過定位功能從而幫助車輛了解其相對于所處環境的位置。環境感知需要通過傳感器獲取大量的周圍環境信息，確保對車輛周圍環境的正確理解，并基于此做出相應的規劃和決策。

自動駕駛車輛常用的環境感知傳感器包括：攝像頭、激光雷達、毫米波雷達、紅外線和超聲波雷達等。攝像頭是自動駕駛車輛最常用、最簡單且最接近人眼成像原理的環境感知傳感器。通過實時拍攝車輛周圍的環境，采用CV技術對所拍攝圖像進行分析，實現車輛周圍的車輛和行人檢測以及交通標志識別等功能。攝像頭的主要優點在于其分辨率高、成本低。但在夜晚、雨雪霧霾等惡劣天氣下，攝像頭的性能會迅速下降。此外攝像頭所能觀察的距離有限，不擅長于遠距離觀察。毫米波雷達也是自動駕駛車輛常用的一種傳感器，毫米波雷達是指工作在毫米波段（波長1-10 mm ，頻域30-300GHz）的雷達，其基于ToF技術（Time of Flight）對目標物體進行檢測。毫米波雷達向外界連續發送毫米波信號，并接收目標返回的信號，根據信號發出與接收之間的時間差確定目標與車輛之間的距離。因此，毫米波雷達主要用于避免汽車與周圍物體發生碰撞，如盲點檢測、避障輔助、泊車輔助、自適應巡航等。毫米波雷達的抗干擾能力強，對降雨、沙塵、煙霧等離子的穿透能力要比激光和紅外強很多，可全天候工作。但其也具有信號衰減大、容易受到建筑物、人體等的阻擋，傳輸距離較短，分辨率不高，難以成像等不足。激光雷達也是通過ToF技術來確定目標位置與距離的。激光雷達是通過發射激光束來實現對目標的探測，其探測精度和靈敏度更高，探測范圍更廣，但激光雷達更容易受到空氣中雨雪霧霾等的干擾，其高成本也是制約其應用的主要原因。車載激光雷達按發射激光束的數量可分為單線、4線、8線、16線和64線激光雷達?？梢酝ㄟ^下面這個表格（表1），對比主流傳感器的優勢與不足。

自動駕駛環境感知通常采用“弱感知+超強智能”和“強感知+強智能”兩大技術路線。其中“弱感知+超強智能”技術是指主要依賴攝像頭與深度學習技術實現環境感知，而不依賴于激光雷達。這種技術認為人類靠一雙眼睛就可以開車，那么車也可以靠攝像頭來看清周圍環境。如果超強智能暫時難以達到，為實現無人駕駛，那就需要增強感知能力，這就是所謂的“強感知+強智能”技術路線。相比“弱感知+超強智能”技術路線，“強感知+強智能”技術路線的最大特征就是增加了激光雷達這個傳感器，從而大幅提高感知能力。特斯拉采用“弱智能+超強智能”技術路線，而谷歌Waymo、百度Apollo、Uber、福特汽車等人工智能企業、出行公司、傳統車企都采用“強感知+強智能”技術路線。

定位的目的是獲取自動駕駛車輛相對于外界環境的精確位置，是自動駕駛車輛必備的基礎。在復雜的地市道路行駛，定位精度要求誤差不超過10 cm。例如：只有準確知道車輛與路口的距離，才能進行更精確的預判和準備；只有準確對車輛進行定位，才能判斷車輛所處的車道。如果定位誤差較高，嚴重時會造成交通完全事故。GPS是目前最廣泛采用的定位方法，GPS精度越高，GPS傳感器的價格也越昂貴。但目前商用GPS技術定位精度遠遠不夠，其精度只有米級且容易受到隧道遮擋、信號延遲等因素的干擾。為了解決這個問題，Qualcomm開發了基于視覺增強的高精度定位（VEPP）技術，該技術通過融合GNSS全球導航衛星、攝像頭、IMU慣性導航和輪速傳感器等多個汽車部件的信息，通過各傳感器之間的相互校準和數據融合，實現精確到車道線的全球實時定位。

決策規劃是自動駕駛的關鍵部分之一，它首先是融合多傳感器信息，然后根據駕駛需求進行任務決策，接著能夠在避開存在的障礙物前提之下，通過一些特定的約束條件，規劃出兩點之間多條可以選擇的安全路徑，并在這些路徑當中選擇一條最優的路徑，作為車輛行駛軌跡，那就是規劃。按照劃分的層面不同，可以分為全局規劃和局部規劃兩種，全局規劃是由獲取到的地圖信息，規劃出一條在特定條件之下的無碰撞最優路徑。例如，從上海到北京有很多條路，規劃處一條作為行駛路線即為全局規劃。如柵格法、可視圖法、拓撲法、自由空間法、神經網絡法等靜態路徑規劃算法。局部規劃的則是根據全局的規劃，在一些局部環境信息的基礎之上，能夠避免碰撞一些未知的障礙物，最終達到目的目標點的過程。例如，在全局規劃好的上海到北京的那條路線上會有其他車輛或者障礙物，想要避過這些障礙物或者車輛，需要轉向調整車道，這就是局部路徑規劃。局部路徑規劃的方法包括：人工勢場法、矢量域直方圖法、虛擬力場法、遺傳算法等動態路徑規劃算法等。

決策規劃層是自主駕駛系統，智能性的直接體現，對車輛的行駛安全性和整車起到了決定性的作用，常見的決策規劃體系結構，有分層遞進式，反應式，以及二者混合式。

分層遞進式體系結構，就是一個串聯系統的結構，在該系統當中，智能駕駛系統的各模塊之間次序分明，上一個模塊的輸出即為下一模塊的輸入，因此又稱為感知規劃行動結構。但這種結構可靠性并不高，一旦某個模塊出現軟件或者硬件故障，整個信息流就會受到影響，整個系統很有可能發生崩潰，甚至處于癱瘓狀態。

反應式體系結構采用并聯的結構，控制層都可以直接基于傳感器的輸入進行決策，因此它所產生的動作就是傳感數據直接作用的一個結果，可以突出感知動作的特點，適用于完全陌生的環境。反應式體系結構中的許多行為主要涉及成為一個簡單的特殊任務，所以感覺規劃控制可以緊密的結合在一塊，占用的儲存空間并不大，因而可以產生快速的響應，實時性比較強，同時每一層只需要負責系統的某一個行為，整個系統可以方便靈活的實現低層次到高層次的一個過渡，而且如若其中一個模塊出現了預料之外的故障，剩下的層次，仍然可以產生有意義的動作，系統的魯棒性得到了很大的提高，難點在于，由于系統執行動作的靈活性，需要特定的協調機制來解決各個控制回路，同意執行機構爭奪之間的沖突，以便得到有意義的結果。

分層遞階式系統的一個結構和反應式體系的結構，都各自有優劣，都難以單獨的滿足行駛環境復雜多變的使用要求，所以越來越多的行業人士開始研究混合式的體系結構，將兩者的優點進行有效的結合，在全局規劃的層次上生成面向目標定義的分層式遞階行為，在局部規劃的層面上就生成面向目標搜索的反應式體系的行為。

自動駕駛的控制核心技術就是車輛的縱向控制，橫向控制，縱向控制及車輛的驅動和制動控制，而橫向控制的就是方向盤角度的調整以及輪胎力的控制，實現了縱向和橫向自動控制，就可以按給定目標和約束自動控制車運行。

車輛按照縱向控制是在行車速度方向上的控制，即車速以及本車與前后車或障礙物距離的自動控制。巡航控制和緊急制動控制都是典型的自動駕駛縱向控制案例。這類控制問題可歸結為對電機驅動、發動機、傳動和制動系統的控制。各種電機-發動機-傳動模型、汽車運行模型和剎車過程模型與不同的控制器算法結合，構成了各種各樣的縱向控制模式。

車輛的橫向控制就是指垂直于運動方向的控制，目標是控制汽車自動保持期望的行車路線，并在不同的車速、載荷、風阻、路況下有很好的乘坐舒適和穩定。車輛橫向控制主要有兩種基本設計方法，一種是基于駕駛員模擬的方法（一種是使用用較簡單的動力學模型和駕駛員操縱規則設計控制器；另一種是用駕駛員操縱過程的數據訓練控制器獲取控制算法）；另一種是給予汽車橫向運動力學模型的控制方法（需要建立精確的汽車橫向運動模型。典型模型如單軌模型，該模型認為汽車左右兩側特性相同）。

除上述介紹的環境感知、精準定位、決策規劃和控制執行之外，自動駕駛汽車還涉及到高精度地圖、V2X、自動駕駛汽車測試等關鍵技術。自動駕駛技術是人工智能、高性能芯片、通信技術、傳感器技術、車輛控制技術、大數據技術等多領域技術的結合體，落地技術難度大。除此之外，自動駕駛技術落地，還要建立滿足自動駕駛要求的基礎交通設施，并考慮自動駕駛方面的法律法規等。

參考文獻：

1. 張放. 極限工況下自動駕駛車輛的軌跡規劃與運動控制 [博士]: 清華大學; 2018.

2. 陳文強. 基于復雜工況的高精準可預測自動駕駛環境認知方法 [博士]: 清華大學; 2018.

3. 張欣. 無人駕駛感知輔助系統的研究與仿真實現 [碩士]: 北京交通大學; 2019.

4. 陳延真. 無人駕駛環境感知系統及障礙物檢測研究 [碩士]: 天津大學; 2018.

自動駕駛使用的是什么技術

【太平洋汽車網】自動駕駛本身就是一項技術，而且自動駕駛分為好幾個等級，每個等級的原理和所使用的技術又是不同的。自動駕駛需要通過以下四步才可以完成：信息收集、分析識別、行動決策、設備控制。

什么是WaymoRobotTaxi激光雷達方案Waymo在RobotTaxi上耕耘了很長一段時間，隨著在美國向公眾開放沒有安全員的無人駕駛出租車服務，也是全球首次向公眾開放完全無人駕駛出租車。Waymo的技術核心是圍繞激光雷達的一整套系統套件。

圖2Waymo的架構從技術層面來看，自動駕駛方面的關鍵技術不僅包含汽車本身的硬件/軟件平臺、系統安全平臺、整車通信平臺、核心算法等基礎技術，也包括云控平臺的系統架構和核心算法，最重要的核心器件是中央處理器、云端域控制器等。這里不僅包括面向自動駕駛配套的集成化的主干網加多域控制的新型電子電器架構作為基礎。針對智能駕駛控制部分，L2級及以下采用基于MCU的多ECU分布式控制方式，而L3以上則必須采用基于高性能SOC（SystemonChip）構建的域控制器的集中控制策略。以環境感知數據、GPS信息、車輛實時數據和V2X交互數據等作為輸入，基于環境感知定位、路徑決策規劃和車輛運動控制等核心控制算法，輸出驅動、傳動、轉向和制動等執行控制指令，實現車輛的自動控制，并通過人機交互界面（如儀表）實現自動駕駛信息的人機交互。為了實現智能駕駛系統高性能和高安全性的控制需求，匯集了多項關鍵技術：包括基礎硬件/軟件平臺技術、系統安全平臺技術、整車通信平臺技術、云計算平臺技術、核心控制算法技術等。

圖3自動駕駛相關的核心軟件內核目前在自動駕駛領域，傳統車企和科技企業合作是一個很有意思的趨勢。例如在華為合作方面中，ARCFOX極狐的阿爾法S華為HI版是其首款落地的產品，也是圍繞自動駕駛配置激光雷達的一款車型，是面向城市道路自動駕駛能力的設計的車型，覆蓋多個場景如城區、高速、停車場的全場景點到點通行，從使用特性的設計方面，是嘗試讓用戶可以擁有從小區車庫到公司車庫的連續自動駕駛體驗的一款作品。

特斯拉全自動駕駛車來了！下周發布Beta版，這次沒有「騙」你

【新智元導讀】10月12日，特斯拉CEO埃隆·馬斯克（Elon Musk）在Twitter上回復CleanTechnica的一篇關于特斯拉自動駕駛相關的推文時表示，將從下周二（10月20日）開始，對FSD系統進行封閉測試，「這個功能最初將只提供給很少一部分人，他們都是專家或是非常小心的駕駛者?！?

特斯拉全自動駕駛車來了！馬斯克確認下周二發布Beta版

10月12日，知名 科技 媒體 CleanTechnica 在Twitter上發布了一篇名為《Tesla Autopilot Updates Notes from Elon Musk》（特斯拉自動駕駛系統更新和埃隆·馬斯克的注釋）的文章，特斯拉CEO馬斯克在該推文的回復中表示下周二起向部分車主推送全自動駕駛Beta版。

馬斯克在Twitter上的回復中表示，「按照承諾，下周二將發布有限的FSD測試版」。但并不是所有司機都會收到Beta版推送，馬斯克表示，「這個功能最初將只提供給很少一部分人，他們都是專家或是非常小心的駕駛者?！?/p>

實際上，過去很長一段時間中，特斯拉公司都一直承諾將發布FSD，然而這個功能的正式發布日期卻一直一拖再拖。而從馬斯克此次的Twitter回復中，我們或許可以期待在下周二看到FSD的「真面目」。

關于全自動駕駛車，馬斯克的Twitter「時間表」

去年，馬斯克宣布了龐大的Robotaxi計劃，提出到2020年底，為特斯拉車隊部署100萬輛自動駕駛出租車，特斯拉的「自動駕駛」研發進程也開始加速。

馬斯克的Twitter動態中，也透露出特斯拉關于FSD研發進展的一些情況。

7月22日，在特斯拉股東電話會議上，馬斯克表示：「我對年底推出的完全自動駕駛功能充滿信心?！?/p>

8月14日，馬斯克在Twitter上提到FSD的基礎架構重寫，并透露新的版本將在「在6到10周內有限公開發行」。

9月12日，馬斯克在Twitter上宣布：「在2至4周內發布私人測試版，然后在4至6周內發布公開測試版（選擇加入的早期訪問用戶），然后是12月中旬所有美國特斯拉所有者。超出計劃取決于未遇到重大的意外挫折?！?/p>

10月8日，馬斯克在Twitter評價了Waymo開放的無人駕駛服務，并透露：「特斯拉（自動駕駛）方法是一種通用解決方案。最新版本可實現零干預驅動。將在幾周內發布有限的Beta版?！?/p>

而在10月12日的推文回復中，馬斯克首次確認了全自動駕駛Beta版將于下周二起正式向部分車主推送。

期待！重寫后的Autopilot和FSD將實現「量子飛躍」

此前，馬斯克在Twitter中透露：AP團隊正對軟件的底層代碼進行重寫和深度神經網絡重構，全新的訓練計算機Dojo也正在開發中。

馬斯克在接受外媒采訪時表示，作為重寫的一部分，「神經網絡正在吸收越來越多的問題?！惯@種改進將是一個巨大的飛躍，因為是基礎架構的重寫，而不是一個增量的調整。

馬斯克還特別強調，重構后的Autopilot和FSD會帶來「quantum leap（量子飛躍）」般的全新體驗。

根據馬斯克在推特上透露，他本人經常開著搭載 FSD 最新測試版本的特斯拉上下班，馬斯克稱在他使用系統的過程中，幾乎不需要人工接管。

而新的系統和設計是否真的能帶來馬斯克所說的「量子飛躍」般的體驗，下周二將揭曉。

自動駕駛基礎架構的介紹就聊到這里吧，感謝你花時間閱讀本站內容，更多關于自動駕駛基礎架構做啥的、自動駕駛基礎架構的信息別忘了在本站進行查找喔。