78
佐思數(shù)據(jù)平臺每日更新 10+ 汽車新四化的動態(tài)和 PDF 資料，以下為近期內(nèi)容簡介。
一、近期企業(yè)和行業(yè)信息
1、Apollo 再簽一城?，為南京智能交通新基建開路。????
百度 Apollo 目前已形成自動駕駛、車路協(xié)同、智能車聯(lián)三大開放平臺。4 月，百度首次公開 Apollo 智能交通解決方案，對外正式發(fā)布“ACE 交通引擎”，這是國內(nèi)外第一個車路行融合的全棧式智能交通解決方案?；诎俣鹊能?、路、云、圖等底層能力積累，“ACE 交通引擎”以“自動駕駛+車路協(xié)同”，賦能城市建設智能信控、智能停車、交通治理、智能公交、智能貨運、智能車聯(lián)、智能出租、自主泊車以及低速園區(qū)等關鍵應用場景。
目前，百度“ACE 交通引擎”綜合解決方案已在北京、長沙、重慶、保定、滄州、合肥、銀川、南京等 10 余個城市落地中。
2、理工睿行毫米波雷達助力河北“新基建?智能網(wǎng)聯(lián)”項目。?
3、炬佑智能與艾芯智能達成合作，開發(fā) 3D ToF 傳感芯片和整體解決方案。???????
4、緯湃科技宣布在天津建立全新研發(fā)中心。???????
5、2019 年均勝電子汽車電子業(yè)務實現(xiàn)營收約 75 億元，逆勢增長 18.8%。
6、PSA 集團今年一季度實現(xiàn)營收 152 億歐元。???????
7、北汽 MH5000T-BOX 搭載著華為新一代 5G 芯片。
8、懌星科技攜手芬蘭 Rightware 公司為 ARCFOX 品牌打造 HMI。
9、高新興與文遠知行達成戰(zhàn)略合作，推動未來智慧交通建設。
10、威馬汽車·即客行與充電樁企業(yè)南方和順達成戰(zhàn)略合作。
11、晶眾地圖推出“基于高精度地圖的 BRT 運營管理平臺”。
12、均勝電子 V2X 高速車載 OBU 漸趨成熟。
13、四維智聯(lián)(AUTOAI)獲博世戰(zhàn)略投資。
14、行易道為亞洲整車品牌供應 77GHz 毫米波雷達系統(tǒng)。
15、搭載驍龍 820A 平臺，奧迪車型首次引入 Android 9.0 系統(tǒng)。
16、Qorvo 收購高性能單芯片微波集成電路供應商 Custom MMIC。
17、岸達科技發(fā)布新一代低功耗、低成本 77GHz CMOS 雷達 SoC 芯片。
18、OmniVision 推出 Nyxel?2 技術，擴展近紅外 CMOS 圖像感測的領先優(yōu)勢。
20、中國汽研與德國 VI-grade 達成戰(zhàn)略合作。? ? ??
二、、PDF 資料介紹
1、自動駕駛調(diào)查
Self-Driving Cars: A Survey，共 34 頁，于 2019 年 10 月發(fā)表，分 3 部分。第一部分是典型自動駕駛系統(tǒng)簡介。第二部分為感知系統(tǒng)簡介，包括定位（激光雷達定位，激光雷達與視覺混合定位，純視覺定位），非結構化環(huán)境的離線與在線制圖（規(guī)則空間度量地圖，多種空間度量地圖），道路制圖（度量與矢量制圖），移動目標追蹤（傳統(tǒng)模型，雙目，柵格地圖，深度學習，傳感器融合），交通信號識別（交通燈識別，交通信號識別，交通標識識別）。路由規(guī)劃（目標導向，分割，分層的，跳躍，合成），路徑規(guī)劃（圖形搜索與插值曲線），決策規(guī)劃（FSM，語義層本體，馬爾科夫決策），動作規(guī)劃，避障和線控，適合自動駕駛算法入門者和需要全面掌握自動駕駛軟件系統(tǒng)的研究人員。
2、自動駕駛數(shù)據(jù)集中深度多模目標識別與語義分割技術
全文 28 頁，由 Bosch 與德國 Ulm、 Karlsruhe 大學聯(lián)合完成，2019 年 11 月發(fā)表，對激光雷達和激光雷達與攝像頭融合的深度 Depth 數(shù)據(jù)和語義分割數(shù)據(jù)集做了詳盡描述，對研究激光雷達和雙目感知識別與探測做了深入分析，最后的附錄記載了全球幾十個主要的自動駕駛 3D 數(shù)據(jù)集或語義分割數(shù)據(jù)集，對自動駕駛數(shù)據(jù)集的驗證、采集和使用者有巨大價值。
3、Mobileye 投資者大會
全文 72 頁，2019 年 11 月 Mobileye 在以色列舉行的投資人推介會上的 PPT，對 2019 年 Mobileye 近況做了詳細描述，對 REM 技術和 RSS 安全駕駛策略做了詳細介紹，REM 方面包括 REM 流程，中國與國內(nèi) REM 數(shù)據(jù)采集進度，REM 應用近況。RSS 安全駕駛策略包括 SDS 產(chǎn)品，英特爾 Maas。
4、Waymo 開放數(shù)據(jù)集
Waymo 在 2019 年底公開了其部分采集數(shù)據(jù)集，Waymo 的公開數(shù)據(jù)集是目前覆蓋范圍最大的，有 76 平方公里，也是目前信息量最豐富的數(shù)據(jù)集，有 1150 個場景，1000 個訓練場景，150 個測試場景，每個場景持續(xù) 20 秒，總長 6.4 小時。用 5 個激光雷達，激光雷達分兩大類，一個激光雷達為頂鳥瞰 64 線激光雷達，VFOV 為 -17.6°到+2.4°，距離為 75 米，2 次回波。其余 4 個激光雷達為前后左右四個，VFOV 為 -90°到+30°，距離為 20 米，2 次回波。5 個攝像頭采集，平均每幀有點（Avg Points/Frame）177K，3D Boxes 有 1200 萬個，2D Boxes 有 990 萬個。
5、單光子激光雷達詳解
瑞士洛桑聯(lián)邦理工學院（EPFL）先進量子架構實驗室（AQUA）一直從事單光子激光雷達的研究，2019 年 6 月，AQUA 推出了他們的最新研究成果，采用 0.18 微米 CMOS 工藝的單光子雪崩二極管成像陣列 SPAD，像素數(shù)達到 512*512，是目前 CMOS 工藝 SPAD 中像素數(shù)最多的，采用 0.18 微米 CMOS 工藝意味著它的成本很低，低于 50 美元甚至 20 美元。AQUA 對比了直接型 ToF 激光雷達與間接型 ToF 激光雷達，對比了掃描型和 Flash 型激光雷達。對比了 PIN-PD、APD、SiPM 和 SPAD 四種接收激光二極管技術。得出 SPAD 是最優(yōu)秀的激光雷達技術的結論。最后指出了 SPAD 的各種應用，包括視線之外的透視（即多次反射的雨霧透視）、3D 激光雷達的 CNN 分類，實時移動目標追蹤。
6、駕駛員行為監(jiān)控
歐姆龍是全球知名的商用面部識別傳感器廠家，擁有超過 100 萬人的面容信息屬性推測技術，可以推測年齡與情感狀態(tài)。歐姆龍為汽車領域開發(fā)了駕駛者行為監(jiān)測技術，目前駕駛者行為監(jiān)測技術大多是以單幀或多幀非連續(xù)圖像來推測駕駛員狀態(tài)，包括眨眼次數(shù)，視線方向，頭部方向等，這種技術準確度比較低，容易受到駕駛者無意識動作的干擾。歐姆龍首先用傳統(tǒng)算法識別面部，再結合 CNN 與 LSTM 深度學習方法，將駕駛者連續(xù)圖像作為判斷駕駛者狀態(tài)的依據(jù)，比單幀或非連續(xù)多幀圖像的準確度要高很多，準確度達 95%以上。
7、成像級毫米波雷達在無人駕駛中的應用
毫米波雷達是目前應用最成熟，成本最低，唯一不受天氣和光線干擾的傳感器，實際毫米波雷達和激光雷達原理近似，既然激光雷達能夠成像，毫米波雷達也能夠，并且也是 3D 成像，再結合毫米波雷達可以測算速度和方位角的優(yōu)勢，成像級毫米波雷達有廣闊的想象空間，伊利諾伊州大學用亞 6Ghz 的毫米波雷達做了相關研究，由于功率有限，角分辨率有限，毫米波雷達只能生成很模糊的圖像，一般稱之為熱力圖，幾乎沒辦法應用。不過借助最新的 GAN 對抗生成性網(wǎng)絡，可以將模糊圖像清晰化。GAN 通俗的說就是以假亂真。最后測試，對于車輛這樣比較大的形體，準確度極高。
8、SiPM 長距離激光雷達
2018 年 5 月安森美收購了愛爾蘭的 SensL 公司。SensL 總部位于愛爾蘭，專業(yè)為汽車、醫(yī)療、工業(yè)和消費類市場提供硅光電倍增管（SiPM）、單光子雪崩二極管（SPAD）和 LiDAR 傳感產(chǎn)品。SiPM 是該公司強項，濱松叫 MPPC。它發(fā)明于二十世紀九十年代末，廣泛應用于高能物理及核醫(yī)學（PET）等領域。SiPM 的最基礎的單元是由蓋革模式下的 APD 和串聯(lián)的淬滅電阻構成，這兩者合并構成了一個像素（Pixel）。硅光電倍增管就是有大量的這種像素在二維方向上排列組成的。與傳統(tǒng)單光子激光雷達或 Flash 激光雷達比，即使低反射率目標，SiPM 的有效距離也比較長，超過 200 米以上。
9、駕駛者頭部姿態(tài)測試基準
駕駛者狀態(tài)監(jiān)測中，頭部姿態(tài)非常重要，奔馳與德國 TU Delft 大學聯(lián)合打造了一個類似 KITTI 的測試數(shù)據(jù)集，也就是 Daimler TU Delft Driver Head Pose Benchmark，即 DD Pose。奔馳使用一個 2048*2048 像素的雙目相機，是所有頭部姿態(tài)數(shù)據(jù)集里像素最高的，共計有 330K 幀圖像。標注是 6DOF，也是比較高的。
10、OIE 目標重要性預測
如果道路使用者對車輛駕駛員的控制決策有影響，則將其視為重要對象。道路使用者的重要性取決于其視覺動態(tài)，例如駕駛場景中的外觀，運動和位置，以及路徑目標。文章提出了一個新的框架，結合了視覺模型和目標表示來進行 OIE。為了評估該框架，作者在現(xiàn)實世界的交通路口收集道路駕駛數(shù)據(jù)集，并對重要物體進行人工標記的注釋。實驗結果表明，該文的目標導向方法優(yōu)于基線，左轉(zhuǎn)和右轉(zhuǎn)方案有更多改進。此外，該文探索了使用對象重要性來驅(qū)動控制預測的可能性，并證明了可以利用對象重要性的信息來改進二元制動預測。
三、如何閱讀上述動態(tài)和 PDF 資料
PC 端入口：https://db.shujubang.com (需先登錄微信小程序端)
