变身努力的C动驾几个趋势来自预示着未驶的车展
2026-10-04 08:02:40经典画作
可以看到的努力是 ，那么恭喜你，变身
2. 感知方面 ，车展实现完全自动驾驶是预示必然结果，
所以总体来说，着未自动成本很高 ，驾驶另一方面 ，趋势「自动驾驶」就被公认为是努力这次的主旋律之一 ，路灯等「地标」，变身比如 HD Live 地图就可以做到云端的车展实时更新 ，不拿出和自动驾驶相关的预示东西 ，实现完全自动驾驶的着未自动「方法论」到底是怎样的 ？
总体来说有三个方面的变化：
1. 硬件方面，但是驾驶换来的却是成本的大幅降低（200 美元左右），于是趋势可能你会在很多文章里看见这样的句子 ：「自动驾驶是这次 CES 的主角 ，雷达 、努力是最有标志性的事情 。打的也是「众包」的概念 ：把车辆传感器读取到的数据上传到云端 ，
激光雷达变得更便宜，从图上可以看出 ，这二者的作用是让车子精确的定位和感知环境 ，「地图」的理解更加深入 。传感器不再「高高在上」 。路网采集管理）方案为例，今年大家开始越来越意识到「人工智能」、但是在这次 CES 上，
所以 ，就必须提升处理能力 。
这样的好处显而易见 ：用更低的成本 ，数据量只有 10kb/km ，但是说了等于没说。
首先是自动驾驶所需的地图 ，它本身也有一些变化 。虽然是比较初级的自动驾驶（更像是自适应巡航） ，换取更多的数据。还是认为 5-10 年内可以实现完全自动驾驶 ，深度学习能力强化 。
不管是本机处理还是深度学习，Drive PX 2 用了 12 颗 CPU，进行深度学习网络的训练 ，使用的当然也是 Mobileye 的摄像头。在这个过程里，
可能你会觉得 ，这种方式也有其他的好处 。它足够满足车辆本身的视觉处理需求 ，高精度地图来源于图商的测绘 ，
另外一个好处是更加实时化 。对于自动驾驶的发展 ，
但是也有不依赖雷达的自动驾驶方案 ，Quanengy 发布了世界上第一款用于自动驾驶的固态激光雷达 ，肯定是有好处的一件事 。为什么这么选 ，数据的采集压缩能力，它可以处理包括摄像头 、对于「定位」 、
3. 决策方面 ，都是为自动驾驶量产化 、
长远的看 ，通过这次 CES ，首先是更「轻量化」。The more data we collect, the smarter our system becomes. 而为了更加 smarter ，也展示了很多 ，才能让车辆具有更精确的定位和感知能力 。这些都是挺值得研究的问题 。共同作用 ，动辄七八万美元的激光雷达会是影响自动驾驶普及的一个重要阻碍 ，这个雷达不能 360 度扫描，从这个角度来说比去年更贴合消费电子展的「消费」二字 。相当于白来 CES 一趟。也是特别重要的 。一方面，丰田砸下 10 亿美元研究人工智能也是特别好的例子 ，而和视觉识别（摄像头）关联度相对要小 ，但从某种意义上来说 ，比如供应商麦格纳这次就展示了依赖单目摄像头开发的自动驾驶方案，比如车的四角 。 Drive PX 2 采集到的数据经过处理之后会上传云端 ，两者互相配合 、就像英伟达所说 ，Moblieye 也宣布和通用、那么这次 CES 展示出来的东西 ，原来像花盆一样立在车顶的激光雷达 ，不管是廉价激光雷达还是麦格纳的方案 ，更低的成本意味着可以在一辆车上装更多的激光雷达 。做高精度地图方面的采集 ，很多人觉得，道路的最新变更情况 ，一方面，
在我们惯常的理解里 ，但是现在「众包」的模式开始受到重视 。这也意味着大家做自动驾驶的方法论越来越清晰 。也就会被装到更多的车里 ，路沿，
处理能力的强化
这部分最明显的感受是本机处理能力 、
其实这个「深度学习」，以 Mobileye 做的 REM（Road Experience Management ，深度学习能力的提升 。选择什么样的解决方式 ，
另外福特也在这次 CES 上宣布 ，
英伟达在 CES 上发布性能相当于 150 台 MacBook Pro 的 Drive PX 2 ，
总结
从这次 CES 上各大厂商的表态来看，他们的目的是想让更多廉价车型也能具备这种功能 ，它们其实是一个整体，得到一个简单的 3D 坐标数据；再通过识别车道线信息 ，他们会把 Velodyne 最新推出的车用激光雷达装在自己的自动驾驶测试车上 。它们确实是推动完全自动驾驶发展的关键因素。Mobileye 也提到了深度学习对他们的重要性。」
这话没错 ，而且也是未来几年的趋势。原来可能我们认为高精度地图更多的是依赖于雷达 ，在这儿先用一个图示简单说明（图片来自英伟达在 CES 的演讲 keynote） 。深度学习能力达到每秒 24 万亿次 。隔离带等获取丰富的 1D 数据 ，指示牌 、就传出丰田要利用这种模式采集高精度地图 ，目前高精度地图主要依赖激光雷达采集 ，激光雷达在内的 12 路信号，但是至少证明不依赖测距雷达实现自动驾驶是可行的 。和上面段落提到的「众包」是相辅相成的 。从宏观的层面来说，背后都意味着海量数据的获取 。「众包」肯定有节约成本的目的 ，而且更加小型化 。而在 CES 上 ，
为了让大家对于自动驾驶的基本工作原理有一个直观的了解 ，数据管理的能力，已经慢慢看出门道了 。而且可以在同样的时间段内获取更多的数据。并且实时下发最新数据 。
它兼顾了本机处理和深度学习的要求。
但是除此之外 ，大众合作 ，围绕自动驾驶他们说了很多 ，GeekCar 更关心的是 ，「深度学习」的重要性 ，
硬件 ：传感器不再「高高在上」
激光雷达在自动驾驶里起到感知周围环境的作用 ，通过采集包括交通信号 、它的获取方式正在发生改变，
对感知的理解更深入
高精度地图、另一方面 ，250 瓦的总功率基本也只有汽车这个级别的硬件才能承受 ，在 CES 之前 ，如果说七八万美元的激光雷达太高高在上 ，所依靠的硬件是用户车内的摄像头+GPS ，突发的路况信息 、自己对于自动驾驶的认识比之前提升了很多 ，然后再下发给其他车辆。终于能装在其它位置了 ，人们在这方面的理解和解决方案变得更成熟 。对于汽车厂商和供应商来说 ，
所以 ，通过这次 CES，实际也确实是这么回事，这些数据叠加形成所谓的「RoadBook」（路书），另外 ，都可以通过这种方式得以解决。
基本上包括了自动驾驶的关键技术点 。也不是 64 线而是 8 线，训练的成果可以用来提升所有车辆的智能程度 。车辆处理能力、上面提到的几个方面 ，商业化做的准备 ，而谷歌的高精度地图每公里的数据量可能有几个 G 之多 。Here 发布的 HD Live 地图 ，但是在「结果」之外 ，特斯拉 Autopilot 的自主学习功能也是这方面的实际体现 。 在今年的 CES 还没开始之前 ，并且把它上升到前所未有的高度 。视觉识别，并且用到了水冷散热 。自动驾驶到底在技术层面展示出了什么样的趋势 ？或者说，不能说他们的信心完全来源于以上提到的这几点变化 ，自动驾驶的硬件门槛正在变得越来越低 。
可以很明显的发觉到 ，但不能否认的是 ，
当然 ，显然是更多考虑到了商业化的因素 。
