分享嘉宾：李林涛 Pony.ai
编辑整理：Hoh Xil
内容来源：Pony.ai自动驾驶沙龙
出品平台：DataFun
注：欢迎转载，转载请在留言区留言。
导读：本次分享的主题为自动驾驶硬件研发的挑战与展望。
主要内容包括：
Pony.ai 硬件发展简介
Pony.ai 硬件团队简介
Pony Alpha2 系统介绍
自动驾驶硬件研发挑战
1. Pony.ai 硬件发展简介
Pony.ai成立于16年12月，公司第一辆车是在2017年Q2，拿到了美国加州的自动驾驶测试牌照，开始正式测试。可以看到我们当时用的还是64线激光雷达。2018年Q1，拿到了北京测试牌照，可以看到我们的雷达已经换成了32c+多camera组合。2018年Q4，我们在上海WAIC世界人工智能大会上发布了公司第一个硬件release版本Pony Alpha，可以看到整车的集成度和外观都进行了非常有针对性的设计。2019年Q2，与丰田合作改装LEXUS RX450h。最后，是在2019年Q4发布的Pony Alpha2硬件系统，稍后将详细介绍。
2. Pony.ai 硬件团队介绍
Pony.ai在北京、硅谷、广州都有研发中心，并且有车队，所以相应的在三地都有硬件团队提供本地化支持。三地之间的硬件团队经常会做技术共享，由于硬件研发本身有一定的本地化属性，所以我们是通过项目来分工合作的，同时，我们每周三地的工程师会进行充分的技术交流。
Pony.ai 硬件团队构成，包括：电子电气工程师、结构工程师、嵌入式工程师/FPGA 、车辆工程等等。
3. Pony Alpha2 系统介绍
首先介绍下自动驾驶汽车硬件系统，如上图所示，主要分三个部分：
① sensor传感器，相当于车辆的“眼睛”，包括：雷达，Camera，GPS+IMU等。
② compute计算单元，相当于车辆的“大脑”，主要放在后备箱。
③ vehicle 车辆本身，是最大的硬件系统，相当于车辆的“肌肉”。
这是我们在2019年Q4发布的Pony Alpha2硬件系统，最新的进展包括：
① 传感器配置升级：出于成本和国产化的考虑，主lidar使用了 Hesai64线激光雷达。
② 传感器清洁系统：特别针对雨天，自主研发传感器清洁系统。
③ DBW线控：过去一度被Autonomous Stuff垄断 目前pony已经具有不同车型的线控改装技术，并能够独立进行控制参数调优。
④ 线束：深入改装车辆系统，自主研发与定制的线束。
⑤ 集成度进一步提升：通过自研硬件设备，使得设备间连接线束减少，集成度和稳定性显著提高。
⑥ 后备箱空间可用：高度集成节省了空间，后备箱有大量富裕空间供robotaxi乘客使用放置行李。
4.自动驾驶硬件研发挑战
① 成本
硬件系统首先面临的最大挑战就是成本。我们看以看到右图是pony alpha系统的车顶，有3个激光雷达，6个高清摄像头，还有定位模块等，传感器+定位系统成本高达几十万RMB。所以，如果成本这么高，如何实现自动驾驶的批量生产？何时才能服务大众？
Pony进行的尝试和探索：
自研硬件实现定制化与降成本：自研的好处就是可以把有用的模块留下，把没用的模块去掉，就可以直接降低成本。如：车顶传感器与导航信息处理单元，实现供电，信号分发，数据汇聚，数据预处理等功能。支持多种卫星导航与惯性导航单元，实现不同成本的定位性能组合。
通过几代的迭代，车顶传感器系统经历了从成品采购->模块级集成->芯片级集成的升级。
与行业一起发展：参考Bosch radar的发展路径。随着radar的蓬勃发展，由开始的机械扫描，变成电子扫描，集成度和稳定性在不断的提高，使radar的体积和成本都在不断的缩小和降低。
我们已经与丰田进行深入合作，包括还有广汽。通过与OEM合作，逐步向前装发展，借助主机厂的力量，获得更强的议价能力。
② 功耗/散热
功耗和散热问题，简单理解就是电从哪里来？热到哪里去？
常见车载ECU的功耗在10W量级
现有无人车由于需要高性能计算（CPU+GPU），功耗通常>1000W
Pony 内部进行的尝试和探索：
供电方案的优化：pony自主研发的供电系统，冗余供电，低压与高压结合，可以实现双路备份。
异构计算：刚刚说到，我们内部有FPGA团队，可以对成熟的算法进行加速，速度提升的同时，降低功耗。当然，业界也有专用芯片的方案可以考虑。
散热仿真与方案设计：我们的团队内部还有散热工程师，会针对我们系统的状态，构造各种环境，进行仿真验证、温箱测试、实车测量，保证系统的热量能够及时稳定的传输出去。
③ 快速迭代
右图是典型的汽车研发流程图，一辆汽车的研发大概会经历2年时间。但是对于我们，从2017年Q2到2018年Q4，大概1年半的时间内，我们已经迭代了3代的硬件产品。并不是我们追求快，而是技术和行业的发展趋势如此：
技术变化快，供应链变化：如刚刚提到的激光雷达的变化，已经不是传统64线激光雷达的时代，激光雷达的线束越来越高，体积越来越小，我们必须要跟上变化。
行业变化快，合作模式探索：Pony有和不同的OEM（丰田，现代，广汽）以及出行公司开展合作。这要求我们必须具备快速应变，灵活调整的能力。
Pony进行的尝试和探索：
全栈团队，自力更生：除了硬件研发团队，我们还有来自车厂试制部门的现场工程师，擅长跑车改装的机械技师，自己的试制车间等等，使我们具备基本的生产加工能力。
简化流程，大胆试错：研发初期追求速度，与车厂的研发流程相比，Pony内部的设计评审流程相对简单。因为公司内部有众多优秀的人才，我们相信工程师自己的判断，当然，这个前提是基于我们的系统是在不断的快速更新迭代的。
前瞻设计，预留资源：比如预留空间，电量，安装点等。
④ 量产
目前全球汽车保有量在10亿以上，全球无人驾驶汽车总量无法找到数据，只能预估下，大概在万级别，所以差距还是非常大的。曾经有人统计无人驾驶带来的效率提升，粗略的估计是95%，如果替代国内的2亿辆汽车，需要一千万无人驾驶车辆。所以现在离自动驾驶汽车量产还有很大的一段距离，右图来自网络，大概是前几年的照片，就很形象的解释了量产。虽然现在很多自动驾驶汽车已经过了demo的阶段，但是这个问题还是存在的。
Pony进行的尝试和探索：
设计工艺的选择：以最典型的结构设计为例，最开始我们第一辆车，所有的结构件都是通过CNC做出来的，随着规模增大以后，就会去尝试鈑金、铸模等工艺。
传感器标定优化：以Camera标定为例，我们有一套全自动化的Camera内参标定平台，可以实现Camera从安装->标定过程->内参保存->处理->上传，都是全自动化的。
生产管理和质量管控：由于目前自动驾驶车辆还是几百上千的级别，主要还是采用人工进行整体的装配和调试。人工难免出错，所以我们内部会通过一些流程：如制度、文档、信息化系统，对生产管理和质量管控进行了大量的优化，来保证车辆的质量是过关的。
⑤ 复杂道路情况
最后，再介绍下复杂路况。右上角是国内典型的十字路口，目前大部分的自动驾驶公司应该还处理不了这种场景。对于Pony，随着场景不断丰富，对无人车硬件的要求不断增多。比如传感器的配置，我们也经历了摸石头过河，循序渐进的过程。Waymo为什么选择在凤凰城开展无人驾驶测试，相当程度上也是考虑到那里的空气干燥，常年晴天，极少雨雪。解决这些极端气候问题，需要更长期的技术迭代优化，短期内这些可能并不是最迫切的，我们也相信随着技术的发展这些难题也都会逐步得到解决。
今天的分享就到这里，谢谢大家。
如果您喜欢本文，欢迎点击右上角，把文章分享到朋友圈~~
欢迎加入DataFunTalk 自动驾驶技术交流群，跟同行零距离交流。如想进群，请加逃课儿同学的微信（微信号：DataFunTalker），回复：自动驾驶，逃课儿会自动拉你进群。
分享嘉宾▬
李林涛
Pony.ai | 北京硬件研发团队负责人
关于我们：
DataFunTalk专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100场线下沙龙、论坛及峰会，已邀请近500位专家和学者参与分享。其公众号DataFunTalk累计生产原创文章400+，百万+阅读，5万+精准粉丝。
