這份市場地圖只包括很活躍的私營公司，無意列舉這個行業的所有廠商。類別也并非互相排斥，每家公司按各自的主業來介紹。

自動駕駛汽車（Autonomous vehicles；Self-piloting automobile ）又稱無人駕駛汽車、電腦駕駛汽車、或輪式移動機器人，是一種通過電腦系統實現無人駕駛的智能汽車。在20世紀已有數十年的歷史，21世紀初呈現出接近實用化的趨勢。

自動駕駛汽車依靠人工智能、視覺計算、雷達、監控裝置和全球定位系統協同合作，讓電腦可以在沒有任何人類主動的操作下，自動安全地操作機動車輛。

自動駕駛汽車依賴幾種先進技術進行自我導航。我們將拆解自動駕駛汽車，看看這些技術如何協同工作、哪些公司在推動這個行業發展。

自動駕駛汽車依靠一系列互為補充的技術來感知周圍環境，并作出反應。

一些自動駕駛公司專注于這些特定的部件，并與汽車制造商和一級供應商合作，以幫助它們的產品擴展，而Zoox和Nuro等另一些公司在從頭開始設計車輛。

CB Insights仔細分析了實現自動駕駛的諸多技術，并介紹了有望讓自動駕駛汽車更先進、更便宜、更容易擴展的幾家初創公司。

這份市場地圖只包括很活躍的私營公司，無意列舉這個行業的所有廠商。類別也并非互相排斥，每家公司按各自的主業來介紹。

感知

除了識別其他汽車、自行車和行人外，自動駕駛車輛還要能夠識別交通信號和標志。它們還要感知前方物體的距離和速度，以便知道如何作出反應。

自動駕駛汽車通常依賴攝像頭及其他傳感器，比如雷達和激光雷達（lidar），它們各自有一系列的優點和局限性。

這些傳感器收集的數據通過名為“傳感器融合”的技術混合在一起，以便盡可能精確地表示汽車周圍的環境。

攝像頭和計算機視覺

攝像頭普遍用于自動駕駛車輛和配備先進駕駛輔助系統（ADAS）的車輛。不像雷達和激光雷達，攝像頭可以識別顏色和字體，這有助于檢測道路標志、交通信號燈和街道標記。

然而說到檢測深度和距離，攝像頭與激光雷達沒法比。

許多初創公司致力于為汽車領域生產可提取最生動的圖像的攝像頭。

今年7月Light在D輪融資中籌資1.21億美元，它開發了一款旨在與激光雷達的精準度相媲美的攝像頭。該攝像頭可以整合來自所有16個鏡頭的圖像，提取出高度精確的3D圖像。

Light的L 16攝像頭，它有16個鏡頭（圖片來源：Light）

為了處理從攝像頭提取的數據，自動駕駛汽車系統使用經過訓練的計算機視覺軟件來檢測物體和信號。軟件應該能夠識別車道邊界的具體細節（比如線條顏色和圖案），評估適當的交通規則。

許多初創公司致力于開發更高級、更高效的計算機視覺技術。

DeepScale等公司正在部署深度神經網絡，以便逐漸提高識別能力，并降低錯誤率。

總部位于巴黎的Prophesee已開發出了基于事件的機器視覺，為物體識別提供便利，并盡量減少數據過載現象。該公司的深度學習技術模仿人類大腦如何處理來自視網膜的圖像。

標準攝像頭中基于幀的傳感器依賴同時捕獲圖像的眾多像素，逐幀處理圖像；基于事件的傳感器依賴彼此獨立工作的像素，因而可以捕獲動態的持續信息流。

這項技術減小了傳統攝像頭在處理來自一系列幀的圖像時所遇到的數據負載。

Prophesee希望將其機器視覺功能運用于從自動駕駛汽車、工業自動化到醫療保健的多個行業。2月份，該初創公司在B輪后續輪融資中籌資1900萬美元。

雷達、激光雷達和V2X

自動駕駛汽車的開發商正結合雷達和激光雷達傳感器，以增強攝像頭的視覺功能。

自動駕駛汽車使用傳感器融合（該軟件整合來自所有傳感器的數據，形成汽車周圍環境的統一視圖），處理來自眾多傳感器的數據。

除了視距傳感器外，許多初創公司和老牌車企致力于研發車輛到一切（V2X）技術，該技術讓車輛可與其他聯網設備進行無線通信。

該技術仍處于早期階段，不過有望為車輛提供附近車輛、自行車和行人的實時饋送畫面，即使它們在車輛的視線之外。

雷達

汽車使用雷達通過往外發送無線電波，檢測前方物體的距離、范圍和速度。

雷達技術之所以被認為比激光雷達更可靠，是由于它有更廣的檢測范圍，不依賴更容易出錯的旋轉部件。成本也大大降低。因此，雷達廣泛用于自動駕駛汽車和ADAS。

Lunewave在9月份從寶馬和百度融到了500萬美元的種子資金，使用3D打印技術來生產性能更強、范圍更廣、精度更高的天線。該公司的技術基于上世紀40年代開發的倫伯透鏡天線。

Metawave也致力于提升雷達的能力。該公司開發出了一款模擬天線，使用超材料加快傳輸速度、擴大探測范圍。

Metawave的雷達技術（圖片來源：Metawave）

5月份Metawave的1000萬美元后續種子輪包括來自電裝（DENSO）、現代和豐田等知名汽車公司的投資，以及精明的投資者Khosla Ventures的投資。該公司宣布一級供應商英飛凌參與了8月份的后續輪投資。

激光雷達（lidar）

激光雷達被認為是最先進的傳感器。其高精度能夠形成車輛周圍環境的3D畫面，便于物體檢測。

激光雷達技術形成車輛周圍環境的3D畫面（圖片來源：Velodyne）

激光雷達技術使用紅外傳感器來確定物體的距離。傳感器快速發出激光脈沖，并測量光束返回其表面所需的時間。

傳統的激光雷達裝置包含許多旋轉部件，可捕捉汽車周圍環境的360度視圖。這些部件的開發成本更高，往往不如靜止部件來得可靠。多家初創公司在竭力降低激光雷達傳感器的成本，同時保持高精度。

一種解決方案是固態激光雷達裝置，它沒有活動部件，實施起來成本較低。

以色列初創公司Innoviz所開發的固態激光雷達技術成本將只有“數百美元”，只是Velodyne配備128個激光、售價75000美元的激光雷達裝置的零頭而已。

4月份，Innoviz宣布與汽車制造商寶馬和一級供應商麥格納合作，在寶馬的自動駕駛汽車中部署激光雷達激光掃描裝置。

Innoviz的激光雷達裝置Innoviz Pro（圖片來源：Innoviz）

Aeva也在開發固態激光雷達。它在10月份的A輪融資中籌資4500萬美元。該公司聲稱其技術的覆蓋范圍是200米，成本只要幾百美元。不像傳統的激光雷達，Aeva的技術發出連續的光波，而不是單個脈沖。

總部位于中國的速騰聚創（Robosense）在開發固態激光雷達。它在10月份的C輪融資中籌資4330萬美元，這是對中國的激光雷達公司而言金額最大的一輪融資。這輪投資者包括阿里巴巴旗下的物流部門菜鳥智能物流網絡以及上汽和北汽兩大汽車制造商。

車輛到一切（V2X）傳感器

V2X技術讓車輛與其他聯網設備之間能夠無線傳輸信息。雖然V2X技術仍處于早期階段，但有助于克服激光雷達、雷達和攝像頭等視距傳感器的局限性。

V2X傳感器可以檢測道路危險、交通擁堵以及車輛視野之外的前方盲點。

總部位于以色列的初創公司Autotalks正與現代公司合作，為大眾市場擴展其V2X傳感器技術。該初創公司已獲得現代和二級供應商三星的資助。

駕駛員數據和模擬

來自道路測試和模擬的駕駛員數據對于開發自動駕駛技術至關重要，因為它們可以用來訓練指引車輛的算法。

據蘭德公司聲稱，自動駕駛汽車需要行駛數億、甚至數十億英里的路程來驗證安全性。這么遠的路程需要自動駕駛汽車的開發商花好多年從測試車隊收集數據。

因此，自動駕駛汽車的開發商通過模擬來累積額外的路程。

模擬初創公司和自動駕駛汽車的開發商利用AI生成或豐富簡單的數據集，訓練自動駕駛汽車。該技術特別有助于在危險的、不太頻繁的情況下訓練自動駕駛汽車，比如眩目的太陽光或行人從停泊的汽車后面躥出來。

總部位于以色列的初創公司Cognata開發了一個3D模擬平臺，為客戶提供各種自動駕駛測試場景。

Cognata的3D模擬平臺（圖片來源：Cognata）

該公司在10月份的B輪融資中從包括空中客車和Maniv Mobility在內的投資者處籌資1850萬美元。

MightyAI的元數據歸因和分類技術（圖片來源：MightyAI）

英偉達是處于模擬前沿的大公司之一。 5月份，它推出了一個名為DRIVE Constellation的基于云的模擬平臺。該平臺在英偉達的GPU上運行，生成傳感器數據流，供自動駕駛汽車系統處理。 英偉達可以在數十億英里的定制場景中訓練算法。

9月份，英偉達向合作伙伴網絡開放了其模擬平臺，合作伙伴包括Cognata和Parallel Domain等初創公司以及知名的科技公司西門子。

與收集駕駛員數據有關的另一個挑戰是圖像注釋即標記數據，以便自動駕駛汽車可識別物體，并進行分類。

訓練數據初創公司MightyAI在與構建計算機視覺模型的公司合作，幫助標記用于訓練系統的數據。MightyAI提供了用于數據管理、注釋和驗證的工具。

該公司用于解讀收集而來的數據的一種技術是語義分割（semantic segmentation），它按像素分割視頻圖像，以實現更細粒度的處理。

中國科技巨頭百度也開發了自己的語義分割軟件ApolloScape，用于其面向自動駕駛的開源數據集。

百度的技術可實現多達26種分類的圖像注釋，包括汽車、行人、自行車、建筑物和路燈，幫助自動駕駛汽車識別道路上的可行駛區域和前方的危險。

定位

自動駕駛汽車還需要知道其準確位置，以便做出決策和規劃路徑。

許多車依靠GPS信號，但這種測量方法的誤差可能有一二米，考慮到整條自行車車道平均才大約1.2米，這個誤差太大了。

因此，自動駕駛汽車的開發商依賴一系列技術（包括預構建地圖），有助于將誤差減少到1米內。

預構建地圖

汽車自行導航時，將周圍環境與存儲在內存中的數字地圖進行比較。

這種地圖名為HD地圖，比用于個人導航軟件的數字地圖來得精確。它們含有基于道路的信息，例如車道尺寸、人行橫道和道路標志，并輔以從外部車輛傳感器收集而來的數據。

許多初創公司設計了所需的硬件（即傳感器）和軟件，可收集路面數據，然后轉換成數字地圖。

DeepMap開發了地圖構建軟件，計劃授權其他汽車制造商和關注自動駕駛汽車的科技公司使用。一級供應商羅伯特博世在8月份投資該初創公司，另兩家是之前的投資者：安德森霍洛維茨基金會和Accel Partners。

Civil Maps也在開發用于全自動駕駛車輛的3D繪圖技術。該公司使用AI，將原始傳感器數據轉換成有意義的地圖信息。

一些公司在自行構建HD地圖，目的是授權感興趣的有關方使用其數據。

地圖領域的兩大玩家是HERE Maps和TomTom。HERE Maps于2015年12月份被德國汽車制造商聯盟（奧迪、寶馬和戴姆勒）收購。TomTom在1月份與百度合作，將其美國和西歐的地圖與百度廣泛的中國地圖整合在一起。

谷歌在地圖領域也在取得顯著進展。沃爾沃在10月份宣布，將其地圖平臺由TomTom改為谷歌地圖。谷歌的自動駕駛部門Waymo也使用自家車輛在道路上收集的數據，構建自己的高清地圖。

百度在為其自動駕駛汽車軟件平臺“阿波羅”擴建HD地圖。該公司認為有機會通過將地圖賣給汽車制造商來實現創收，創收途徑是收取服務費或將費用納入車輛成本中。

百度認為，其HD地圖業務最終有望超過目前領跑中國市場的搜索業務。

整套系統

許多公司致力于開發整套的自動駕駛系統，而不是特定的部件。

雖然這些初創公司大多完全專注于自動駕駛、與汽車制造商合作以部署其技術，但有幾家在從頭開始重新制造車輛。

自動駕駛系統

構建整套自動駕駛架構的公司大多提供包括計算機視覺和傳感器融合軟件的套件，以及自動駕駛所必需的硬件。這些系統可謂是自動駕駛汽車的“大腦”。

這個領域的初創公司通常與汽車制造商合作以部署其技術。在一些情況下，它們可以用這項技術來改造現有車輛。

比如說，Drive.ai利用其自動駕駛系統來開發改裝套件。該公司在得克薩斯州弗里斯科試行了幾個月的自動駕駛汽車服務后，于10月份將服務擴大到了得克薩斯州阿靈頓。

2017年9月份，Drive.ai與Lyft合作，將配備其系統的自動駕駛汽車引入到了Lyft的開源軟件平臺上。

中國還有幾家公司致力于自動駕駛系統。

總部位于北京的Momenta于10月份躋身獨角獸行列，獲得了電動汽車制造商蔚來和中國科技巨頭騰訊注資的C輪融資。Momenta與蘇州政府合作，部署了大規模測試車隊，并在該市擴建智能交通系統。

Pony.ai也躋身獨角獸行列。該公司已與中國第二大汽車制造商廣汽集團合作，部署其整套自動駕駛汽車系統。9月份它在廣州啟動了自動駕駛車隊，離A輪融資中籌資1.02億美元僅過去三個月。

整車

Zoox和Nuro等公司正從頭開始建造車輛。

Zoox的原型車與傳統汽車大不相同，它們不包括方向盤或儀表板，內部有兩把相面對的長座椅。

法律還不允許它的車在公共道路上行駛，因此Zoox正與豐田漢蘭達部門一起臨時測試其技術。

該公司獨特的方法引起了投資者的極大關注，聯合創始人兼首席執行官被撤職后的近幾個月已引起媒體競相報道。

迄今為止，Zoox已籌資8億美元，包括7月份B輪融資的5億美元，估值達32億美元。 該公司計劃2020年之前將其自動駕駛汽車部署在打車服務中。

Nuro的自動駕駛汽車旨在載貨而非載人，以打破困擾眾多零售商的最后一英里送貨瓶頸。