分享嘉賓：李林濤 Pony.ai
編輯整理：Hoh Xil
内容來源：Pony.ai自動駕駛沙龍
出品平台：DataFun
注：歡迎轉載，轉載請在留言區留言。
導讀：本次分享的主題為自動駕駛硬體研發的挑戰與展望。
主要内容包括：
Pony.ai 硬體發展簡介
Pony.ai 硬體團隊簡介
Pony Alpha2 系統介紹
自動駕駛硬體研發挑戰
1. Pony.ai 硬體發展簡介
Pony.ai成立于16年12月，公司第一輛車是在2017年Q2，拿到了美國加州的自動駕駛測試牌照，開始正式測試。可以看到我們當時用的還是64線雷射雷達。2018年Q1，拿到了北京測試牌照，可以看到我們的雷達已經換成了32c+多camera組合。2018年Q4，我們在上海WAIC世界人工智能大會上釋出了公司第一個硬體release版本Pony Alpha，可以看到整車的內建度和外觀都進行了非常有針對性的設計。2019年Q2，與豐田合作改裝LEXUS RX450h。最後，是在2019年Q4釋出的Pony Alpha2硬體系統，稍後将詳細介紹。
2. Pony.ai 硬體團隊介紹
Pony.ai在北京、矽谷、廣州都有研發中心，并且有車隊，是以相應的在三地都有硬體團隊提供本地化支援。三地之間的硬體團隊經常會做技術共享，由于硬體研發本身有一定的本地化屬性，是以我們是通過項目來分工合作的，同時，我們每周三地的工程師會進行充分的技術交流。
Pony.ai 硬體團隊構成，包括：電子電氣工程師、結構工程師、嵌入式工程師/FPGA 、車輛工程等等。
3. Pony Alpha2 系統介紹
首先介紹下自動駕駛汽車硬體系統，如上圖所示，主要分三個部分：
① sensor傳感器，相當于車輛的“眼睛”，包括：雷達，Camera，GPS+IMU等。
② compute計算單元，相當于車輛的“大腦”，主要放在後備箱。
③ vehicle 車輛本身，是最大的硬體系統，相當于車輛的“肌肉”。
這是我們在2019年Q4釋出的Pony Alpha2硬體系統，最新的進展包括：
① 傳感器配置更新：出于成本和國産化的考慮，主lidar使用了 Hesai64線雷射雷達。
② 傳感器清潔系統：特别針對雨天，自主研發傳感器清潔系統。
③ DBW線控：過去一度被Autonomous Stuff壟斷 目前pony已經具有不同車型的線控改裝技術，并能夠獨立進行控制參數調優。
④ 線束：深入改裝車輛系統，自主研發與定制的線束。
⑤ 內建度進一步提升：通過自研硬體裝置，使得裝置間連接配接線束減少，內建度和穩定性顯著提高。
⑥ 後備箱空間可用：高度內建節省了空間，後備箱有大量富裕空間供robotaxi乘客使用放置行李。
4.自動駕駛硬體研發挑戰
① 成本
硬體系統首先面臨的最大挑戰就是成本。我們看以看到右圖是pony alpha系統的車頂，有3個雷射雷達，6個高清攝像頭，還有定位子產品等，傳感器+定位系統成本高達幾十萬RMB。是以，如果成本這麼高，如何實作自動駕駛的批量生産？何時才能服務大衆？
Pony進行的嘗試和探索：
自研硬體實作定制化與降成本：自研的好處就是可以把有用的子產品留下，把沒用的子產品去掉，就可以直接降低成本。如：車頂傳感器與導航資訊處理單元，實作供電，信号分發，資料彙聚，資料預處理等功能。支援多種衛星導航與慣性導航單元，實作不同成本的定位性能組合。
通過幾代的疊代，車頂傳感器系統經曆了從成品采購->子產品級內建->晶片級內建的更新。
與行業一起發展：參考Bosch radar的發展路徑。随着radar的蓬勃發展，由開始的機械掃描，變成電子掃描，內建度和穩定性在不斷的提高，使radar的體積和成本都在不斷的縮小和降低。
我們已經與豐田進行深入合作，包括還有廣汽。通過與OEM合作，逐漸向前裝發展，借助主機廠的力量，獲得更強的議價能力。
② 功耗/散熱
功耗和散熱問題，簡單了解就是電從哪裡來？熱到哪裡去？
常見車載ECU的功耗在10W量級
現有無人車由于需要高性能計算（CPU+GPU），功耗通常>1000W
Pony 内部進行的嘗試和探索：
供電方案的優化：pony自主研發的供電系統，備援供電，低壓與高壓結合，可以實作雙路備份。
異構計算：剛剛說到，我們内部有FPGA團隊，可以對成熟的算法進行加速，速度提升的同時，降低功耗。當然，業界也有專用晶片的方案可以考慮。
散熱仿真與方案設計：我們的團隊内部還有散熱工程師，會針對我們系統的狀态，構造各種環境，進行仿真驗證、溫箱測試、實車測量，保證系統的熱量能夠及時穩定的傳輸出去。
③ 快速疊代
右圖是典型的汽車研發流程圖，一輛汽車的研發大概會經曆2年時間。但是對于我們，從2017年Q2到2018年Q4，大概1年半的時間内，我們已經疊代了3代的硬體産品。并不是我們追求快，而是技術和行業的發展趨勢如此：
技術變化快，供應鍊變化：如剛剛提到的雷射雷達的變化，已經不是傳統64線雷射雷達的時代，雷射雷達的線束越來越高，體積越來越小，我們必須要跟上變化。
行業變化快，合作模式探索：Pony有和不同的OEM（豐田，現代，廣汽）以及出行公司開展合作。這要求我們必須具備快速應變，靈活調整的能力。
全棧團隊，自力更生：除了硬體研發團隊，我們還有來自車廠試制部門的現場工程師，擅長跑車改裝的機械技師，自己的試制工廠中的房間等等，使我們具備基本的生産加工能力。
簡化流程，大膽試錯：研發初期追求速度，與車廠的研發流程相比，Pony内部的設計評審流程相對簡單。因為公司内部有衆多優秀的人才，我們相信工程師自己的判斷，當然，這個前提是基于我們的系統是在不斷的快速更新疊代的。
前瞻設計，預留資源：比如預留白間，電量，安裝點等。
④ 量産
目前全球汽車保有量在10億以上，全球無人駕駛汽車總量無法找到資料，隻能預估下，大概在萬級别，是以差距還是非常大的。曾經有人統計無人駕駛帶來的效率提升，粗略的估計是95%，如果替代國内的2億輛汽車，需要一千萬無人駕駛車輛。是以現在離自動駕駛汽車量産還有很大的一段距離，右圖來自網絡，大概是前幾年的照片，就很形象的解釋了量産。雖然現在很多自動駕駛汽車已經過了demo的階段，但是這個問題還是存在的。
設計工藝的選擇：以最典型的結構設計為例，最開始我們第一輛車，所有的結構件都是通過CNC做出來的，随着規模增大以後，就會去嘗試鈑金、鑄模等工藝。
傳感器标定優化：以Camera标定為例，我們有一套全自動化的Camera内參标定平台，可以實作Camera從安裝->标定過程->内參儲存->處理->上傳，都是全自動化的。
生産管理和品質管控：由于目前自動駕駛車輛還是幾百上千的級别，主要還是采用人工進行整體的裝配和調試。人工難免出錯，是以我們内部會通過一些流程：如制度、文檔、資訊化系統，對生産管理和品質管控進行了大量的優化，來保證車輛的品質是過關的。
⑤ 複雜道路情況
最後，再介紹下複雜路況。右上角是國内典型的十字路口，目前大部分的自動駕駛公司應該還處理不了這種場景。對于Pony，随着場景不斷豐富，對無人車硬體的要求不斷增多。比如傳感器的配置，我們也經曆了摸石頭過河，循序漸進的過程。Waymo為什麼選擇在鳳凰城開展無人駕駛測試，相當程度上也是考慮到那裡的空氣幹燥，常年晴天，極少雨雪。解決這些極端氣候問題，需要更長期的技術疊代優化，短期内這些可能并不是最迫切的，我們也相信随着技術的發展這些難題也都會逐漸得到解決。
今天的分享就到這裡，謝謝大家。
如果您喜歡本文，歡迎點選右上角，把文章分享到朋友圈~~
歡迎加入DataFunTalk 自動駕駛技術交流群，跟同行零距離交流。如想進群，請加逃課兒同學的微信（微信号：DataFunTalker），回複：自動駕駛，逃課兒會自動拉你進群。
分享嘉賓▬
李林濤
Pony.ai | 北京硬體研發團隊負責人
關于我們：
DataFunTalk專注于大資料、人工智能技術應用的分享與交流。發起于2017年，在北京、上海、深圳、杭州等城市舉辦超過100場線下沙龍、論壇及峰會，已邀請近500位專家和學者參與分享。其公衆号DataFunTalk累計生産原創文章400+，百萬+閱讀，5萬+精準粉絲。