發布日期：2022-05-11 點擊率：47
導讀： 其實在CES上，老黃賣了個關子：在3月份德國柏林舉辦的BoschConnectedWorld上，他將登臺發布進一步的合作成果。事實證明，老黃沒有食言，在BCW上，博世聯合英偉達發布了基于Xavier平臺的車載人工智能電腦。
其實在CES上，老黃賣了個關子：在3月份德國柏林舉辦的BoschConnectedWorld上，他將登臺發布進一步的合作成果。事實證明，老黃沒有食言，在BCW上，博世聯合英偉達發布了基于Xavier平臺的車載人工智能電腦。
關于Xavier平臺的運算能力，在CES的文章中已經有所闡述，在這里就不再具體展開。在BCW的發布會之后，記者有幸與老黃面對面聊了聊，本文將重點結合老黃的發布會與專訪，解析他眼中的自動駕駛。
老黃在BCW上都講了什么？
除了發布車載人工智能電腦，老黃在演講中還介紹了英偉達在自動駕駛領域的3個布局：
1、DeepLearning：GPU在深度學習領域的應用成就了今天的英偉達。在老黃看來，深度學習驅動下的人工智能，也將成為自動駕駛決策的主要算法結構。
2、HDMap：在高精度地圖領域，深度學習也將起到重要的作用。它能夠幫助機器更高效的通過傳感器收集地圖數據，例如識別道路特征、提取建筑輪廓、識別道路圖形標牌等。
3、AI Supercomputing SOC：這個是英偉達本就十分擅長的硬件芯片。博世將NVIDIA人工智能平臺納入到自己的零部件供應商中已經是對其硬件實力的最好證明，這也意味著英偉達的人工智能芯片將開始正式向量產平臺進軍。此外，這次老黃還發布了將與卡車制造商PACCAR合作，基于DrivePX平臺發展卡車領域的高級別自動駕駛。
在此之上，老黃又進一步聊了實現L3級別自動駕駛所需要的幾個環節：
Detection（感知）、Localization（定位）、OccupancyGrid（占用空間）、PathPlaning（路徑規劃）、VehicleDynamic（車輛運動）、OTA（在線升級）。
可以看到，除去OTA之外，老黃的理解與我們之前一再提到的感知、地圖、決策、控制有一些類似。但是，這兩者之間最大的不同點是在于對「決策」的理解。做圖像處理發家的老黃，將駕駛決策巧妙的分成了兩個偏向圖形分析的環節：
OccupancyGrid（占用空間）：這個環節指的是，機器對于周圍環境中各元素所處位置與所占空間做出的判斷。這個判斷既包括當前環境，也包括未來環境。而元素可以是車輛、行人、建筑物等等。
PathPlaning（路徑規劃）：在判斷了周圍元素之后，機器將根據這個空間環境，規劃出可駕駛的路線。
這樣的劃分，無疑能夠更好的體現GPU在圖像處理方面的優勢。在老黃看來，目前市面上還沒有任何一個量產的計算平臺能夠同時整合上述五個環節，而這正是NVIDIA希望在汽車領域攻克的難關。
最關鍵的部分來了：
綜合上面的分析，老黃提出，DeepLearning在高精度地圖以及圖像識別方面的應用不僅能夠優化自動駕駛的決策，更能夠幫助降低車輛上所需傳感器的成本。
我們之前提到過，除了特斯拉之外，大部分主機廠和Tier1都認為，每一輛實現L3級別的自動駕駛車輛需要配備激光雷達。而老黃認為，在DeepLearning的驅動下，現有量產級別傳感器以及高精度地圖技術的潛力將被進一步挖掘，從而在一定程度上打破L3級別自動駕駛對激光雷達的依賴。由于目前激光雷達的成本和量產時間是實現L3自動駕駛的主要瓶頸之一，老黃相信，我們有可能在今年年底到2018年間就實現L3級別的自動駕駛，在2018年底到2019年實現L4。
在德國當著無數汽車行業的人給出這樣的觀點，老黃就這樣把他的「黃氏定律」帶到了汽車圈。
帶著女兒來專訪
演講之后，在BCW場地旁邊的一個酒店會議室中，我又再一次見到了老黃。專訪的一開始，老黃就給了在座的媒體一個驚喜：「今天我的女兒也跟我一起來了，有我女兒看著，你們要對我好一點哦?！惯@樣的畫風也讓整個專訪氛圍一下子變成了科技公司的輕松范兒。
在向大家介紹完了自己的女兒之并復盤了一下自己的演講之后，老黃開始回答起了大家的問題。
在被問到Intel收購Mobileye的事情時，他首先開玩笑的說：“他們為什么要買Mobileye?。俊彪S后又說：“英特爾這個決定肯定是有他們自己的原因和考慮的，至于收購后的效果，時間會給出我們結果?！?/span>
當有記者問到老黃英偉達如果面臨被巨頭收購會如何決策時，老黃也開玩笑道：“NVIDIA一直都在對外出售啊，你們都趕緊來買一點我的股票吧！”可以看出，對于行業內最近的兼并，老黃并沒有表現的很在意。這與他平時果斷、自我的行事風格十分相符。
我還針對老黃在發布會上的觀點提出了兩個問題，
以下是問答的實錄（M代表Mark，H代表老黃）
M：在您的演講當中提到了希望打破汽車行業對激光雷達的依賴，但是汽車行業對冗余是有要求的，您具體會用什么樣的技術或方法替代這種冗余呢？
H：首先我需要澄清的是，我并沒有說激光雷達是沒用的。
目前我們使用的高精度地圖收集車上都配備了激光雷達，這些已實際使用的激光雷達，加上越來越先進的其它傳感器，再整合DeepLearning的算法，這套現有的數據收集及處理體系已經非常強勁了。未來如果固態激光雷達能夠以低成本量產的話，當然能夠讓這套體系更加強大。
如果純粹考慮提升感知能力的話，我肯定希望我身上張著許多眼睛，許多耳朵（雖然可能會很難看）。所以我并沒有否定激光雷達的作用，所有傳感器都會變得越來越好，不要把激光雷達想成全部都有或全部都沒有的問題。我的觀點的核心是高級別自動駕駛的切入點，固態激光雷達最終會普及，但是我覺得要等到激光雷達普及到所有車輛以后才能稱之為L4級別自動駕駛的這種想法是錯的，我們沒有必要等那么久。
M：當我們提起DeepLearing時，人們都會想起AlphaGo，那么DeepLearning在駕駛決策當中的應用與其在圍棋當中的應用會有什么不用嗎？在駕駛環境中，往往包含著多個決策者，每個決策者對其它決策者的行為又會產生不同的反饋，在這樣持續變化且很難預知的環境中，DeepLearning應該如何制定駕駛決策？
H：確實，駕駛和下圍棋有著非常大的不同。當你開車時，你必須要先做出假設。
這個假設就是：當你上路以后，大部分路上的其它車輛或行人是不會去傷害你的，你會假設路上的其他人都會遵守交通規則，例如大家會保持各自的車道，大家不會隨意并線、不會違章轉向等等。在這個假設的前提下，駕駛決策的問題就相對好解決了。
如果你做出了相反的假設，認為大家在路上都是在互相博弈（原話為Gaming），并會與周圍的其他人產生連鎖效應，那么這個場景可就不是AlphaGo的那種兩方對決了，而是可能多如20個決策者相互博弈，這將是一個非常有意思的場景，但是我們目前還沒有解決。如果我自己遇到了這樣的場景，我寧可不開車，選擇去走路……
從上面這兩個問題可以看到，老黃對于高級別自動駕駛落地時間的大膽預測建立在兩個基礎之上：
1、激光雷達的完全普及不是實現L4自動駕駛的必要條件。
2、車輛所使用的駕駛決策將按照統一的交通規則制定。
這個觀點和特斯拉有一點相似，這也可能是他們兩家公司最后能在一起合作的原因（老黃自己也是特斯拉的粉絲）。不過，這樣的理解相較于傳統汽車行業來說確實有一些激進。這就意味著，此次NVIDIA與博世的合作將不單是雙方的優勢互補，更是兩種不同理解的再次碰撞。與傳統Tier1供應商的合作，既為NVIDIA敞開了汽車行業的大門，但同時也將為他們帶來更多的挑戰。在談笑風生之外，也真心希望老黃能再次把他的「黃氏定律」在汽車圈實現。
最后得說一句：老黃來中國時，肯定不開車。
來源： 億歐網 責任編輯：YOYO
加載中...
下一篇： 斷路器、隔離開關、接
上一篇： 索爾維全系列Solef?PV
