关于软件定义汽车、雷达点云数据处理、AD渗透率预测

汽车笔记20200909

九层之台起于累土

阅读辆：1篇高考作文，1312字。

三轮虽小，铃铛、脚蹬、座椅、方向盘都全。

关于“软件定义汽车”

1、Software DesignVehicle，SDV。

2、对标大众、奔驰、宝马、通用、福特和特斯拉的市值，取自8月某一天的数据。

听说有做空机构以50美元的看空股价准备做空特斯拉。

3、特斯拉车型的通讯架构。

Model S：分布式架构，CAN/LIN为主，按功能区域划分，支持OTA；

Model X：基于Model S变化，增加ThermalCAN，部分模块集成控制；

MODEL 3：新架构，四大核心域控制器，按区域划分，进行冗余设计。

4、用户并不关心复杂的EEA架构，也不关心ISO26262，他们在意的是简单和极致的体验。汽车的制造工艺、开发流程、工具链、供应链等，是隐藏在优秀的产品背后的复杂逻辑。

5、SDV的驱动因素，分两个层面，用户驱动和OEM驱动。用户驱动：1）千人千面的需求，希望功能差异化；2）OTA更新迭代；3）丰富多样的选择权；4）不需要硬件升级。OEM层面：1）更短的开发周期；2）SOP后的持续升级；3）后期ECU的维护；4）新兴的商业模式。

关于自动驾驶激光雷达点云数据的深度学习

1、相机可以捕获的图像包括二维语义和纹理信息（色彩？），但是缺少三维地理信息。

2、Lidar的主要功能包括1）为了场景理解和目标检测的环境感知。2）为了构建高精地图和城市模型。为了实现上述两个功能，需要完成3个任务：1）点云分割；2）三维目标检测和定位；3）三维目标分类和识别。

3、点云语义分割：将点云分成不同的区域，每个区域对应其语义标签，如道路、建筑物等。

4、目标检测：输出目标的三维坐标、边界框的长宽高、语义标签等信息。

5、目标分类：输出目标的类别，如人类、车辆等。直白讲就是，先分类进行贴标签，然后按照语义给出目标的三维信息，然后按照标签和三维信息确定到底是什么物体。

6、影响Lidar点云数据结果的因素：1）点云密度和反射强度。2）噪声，如点扰动、离群值等；3）不完整性：物体遮挡导致目标物体欠采样。4）类别混乱：广告牌可能和路牌相似，造成理解混乱。

7、CNN是指卷积神经 络，用于构建具有规则结构的数据，例如二维像素阵列。高清相机的数据量是高于激光雷达的。

8、点云处理的挑战：1）多源数据融合。包括融合lidar、radar、camera数据，也包括高性能lidar和低性能lidar融合。2）点云数据表示的鲁棒性，非结构化和无序的点云数据用什么办法表达比较费劲。3）多任务学习，如场景分割、目标检测及分类多个场景的数据不能实现充分利用。

关于自动驾驶渗透率

1、罗兰贝格预测，2030年L4+L5渗透率为5%，L2+L3渗透率为60%，L1渗透率为35%。

2、按照上面的渗透率，假设2030年全球汽车销量为9千万量，那么L4+L5（无人驾驶）就有450万辆，假设中国占比25%，则中国有超过100万台的无人驾驶车辆。目前这个数字可能是在千台级别。1000到一百万，十年时间，翻1000倍，未来可期。

3、沙利文预测在2025年L1+L2渗透率40%，L3渗透率9%。

4、BCG预测在2035年全球有全自动驾驶（L4+L5）车辆1200万台。

5、从分类方式上，罗兰贝格把L2和L3放一起，沙利文把L1和L2放一起。相对来讲，L1和L2放一起算作高级辅助驾驶是比较合理的，L3的车辆目前最大的问题是法规问题，有区别于其他几个级别的明显特征。

电动汽车极客：新能源汽车从业者和观察者，曾参与荣威ERX5、Marvel X、别克Velite 6等的研发设计工作。