計(jì)算性能挑戰(zhàn)：計(jì)算量大

從表1可以看到，即使是16線的LiDAR每秒鐘要處理的點(diǎn)也達(dá)到了30萬。要保證無人車定位算法和障礙物檢測算法的實(shí)時(shí)性，如此大量的數(shù)據(jù)處理是面臨的一大挑戰(zhàn)。例如，之前所說的LiDAR給出的原始數(shù)據(jù)只是反射物體的距離信息，需要對所有產(chǎn)生的點(diǎn)進(jìn)行幾何變換，將其轉(zhuǎn)化為位置坐標(biāo)，這其中至少涉及4次浮點(diǎn)運(yùn)算和3次三角函數(shù)運(yùn)算，而且點(diǎn)云在后期的處理中還有大量坐標(biāo)系轉(zhuǎn)換等更復(fù)雜的運(yùn)算，這些都對計(jì)算資源 (CPU、GPU、FPGA) 提出了很大的需求。

型號Channel 數(shù)量每秒產(chǎn)生點(diǎn)數(shù)

Velodyne HDL-64E64 Channels2,200,000

Velodyne HDL-32E32 Channels700,000

Velodyne VLP-1616 Channels300,000

成本挑戰(zhàn)：造價(jià)昂貴

LiDAR的造價(jià)也是要考慮的重要因素之一。上面提到的Velodyne VLP-16 LiDAR官網(wǎng)報(bào)價(jià)為稅前7999美元，而Velodyne HDL-64E LiDAR預(yù)售價(jià)在10萬美元以上。這樣的成本要加在本來就沒有很高利潤的汽車價(jià)格中，無疑會大大阻礙無人車的商業(yè)化。

展望未來

盡管無人駕駛技術(shù)漸趨成熟，但LiDAR始終是一個(gè)繞不過去的坎。純視覺與GPS/IMU的定位以及避障方案雖然價(jià)格低，卻還不成熟，很難應(yīng)用到室外場景中;但同時(shí)LiDAR價(jià)格高居不下，消費(fèi)者很難承受動(dòng)輒幾十萬美元定價(jià)的無人車。因此，當(dāng)務(wù)之急就是快速把系統(tǒng)成本特別是LiDAR的成本大幅降低。其中一個(gè)較有希望的方法是使用較低價(jià)的LiDAR，雖然會損失一些精確度，但可以使用其它的低價(jià)傳感器與LiDAR做信息混合，較精準(zhǔn)地推算出車輛的位置。換言之，就是通過更好的算法去彌補(bǔ)硬件傳感器的不足，我們相信這是無人車近期的發(fā)展方向。而高精度LiDAR的價(jià)格由于市場需求大增也將會在未來的一兩年內(nèi)出現(xiàn)降幅，為無人車的進(jìn)一步普及鋪路。

作者簡介

劉博聰，百度公司美國研發(fā)中心架構(gòu)師，目前主要負(fù)責(zé)百度無人車系統(tǒng)架構(gòu)�？▋�(nèi)基梅隆大學(xué)電子與計(jì)算機(jī)工程碩士，研究方向包括嵌入式系統(tǒng)，機(jī)器學(xué)習(xí)算法研究。曾在Qualcomm從事手機(jī)芯片和車載芯片的工作。

劉少山，PerceptIn公司聯(lián)合創(chuàng)始人。加州大學(xué)歐文分校計(jì)算機(jī)博士，研究方向包括智能感知計(jì)算、系統(tǒng)軟件、體系結(jié)構(gòu)與異構(gòu)計(jì)算(FPGA、GPU)�，F(xiàn)在PerceptIn主要專注于增強(qiáng)現(xiàn)實(shí)、虛擬現(xiàn)實(shí)、機(jī)器人的核心SLAM技術(shù)及其在智能硬件上的實(shí)現(xiàn)與優(yōu)化。創(chuàng)立PerceptIn之前在百度美國研發(fā)中心工作。

James Peng，百度公司首席架構(gòu)師。清華大學(xué)本科，紐約州立大學(xué)碩士，斯坦福大學(xué)博士，云計(jì)算平臺，深度學(xué)習(xí)，數(shù)據(jù)建模，大規(guī)模數(shù)據(jù)庫等。曾在谷歌工作多年，參與和負(fù)責(zé)完成多個(gè)項(xiàng)目。