中美智能驾驶白皮书
331页的研究报告，全方位展现中美智能驾驶的市场现状、关键技术环节发展情况以及落地情况，让读者深入了解无人驾驶产业中的基于与挑战。The Future of Autonomous Drivng in China and USa锋网新智驾出品发掘中美智能驾驶重要的创新者雷锋网智能驾驶白皮书人们往往以风囗来描述一个显著上升期中的行业,但只有很少人能真正察觉到在风口来临之前一批创新者的铺垫,毫无疑问,2017年所有人看到了在中国、美国、日本、德国等各地智能驾驶领域的繁荣,而各国的智能驾驶技术团队又以美国和中国最为集中,并且存在最广泛的应用市场。自2014年开始,雷锋网进入智能驾驶领域的报道。而在过去的10个月里,雷锋网团队在包括北京、上海、深圳、硅谷等各地,密集拜访了数百家智能驾驶技术团队,通过一手釆访、调研和亲身体验,之后又通过2个月时间梳理和筛选了近100家智能驾驶产业链中关键的技术公司,形成了这份《中美智能驾驶白皮书》。我们希望通过这近100家公司,向读者全方位展现中美智能驾驶的市场现状、关键技术环节发展情况以及落地情况,我们也希望读者能因此深入了解在这个庞大的产业中的机遇与挑战。以今天的关键技术发展水平为参照,我们希望你能通过这份白皮书提前看到未来3-5年在各个细分环节可能产生的机会和变化。本次在《中美智能驾驶白皮书》中,我们选取了13个关键细分领域的约100家公可进行深入解析,每个细分章节均包含f Av ng锋网新智驾出品●该领域的整体发展现状和存在问题●关键创新公司的技术水平、技术路线以及应用现状●中美两地技术和市场的差异比较。我们所选的这13个领域,涵盖了智能驾驶的集成方案、关键传感器技术、关键基础设施等,它们包括1.全栈自动驾驶2.自动驾驶卡车3.低速自动驾驶4.ADAS5.造车新势力6.激光雷达7.毫米波雷达8.自动驾驶芯片9.高精度地图10.模拟仿真系统1.高精度GNSs定位12.车辆改装13.V2X可以说,这13个领域就是在未来的汽车上实现智能驾驶的13个关键要素。这可能是目前市面上唯——份专注于智能驾驶领域一线技术公司创新现状的完整报告。这份报告的独特之处还在于●一线技术公司决策层的行业洞见,尤其是位于硅谷的自动驾驶技术公司。在The Future of Autonomous Drivng in China and USa锋网新智驾出品《中美智能驾驶白皮书》所分析的美国自动驾驶公司中,七成以上均是接受雷锋网直接采访,双方针对技术现状、技术路线、产品化策略进行详细讨论,有相当部分是雷锋网独家采集的内容。全面、结构化的细分领域解析。“知其然,更要知其所以然”。看到智能驾驶领域的繁荣,更要看到各个关键细分环节是否具有良好的发展,智能驾驶在落地应用之前需要构建一个完善的技术支撑体系。●全球化的视野,洞悉中美自动驾驶的差异。白皮书所分析的中、美公司分别各占约一半,各家也均是当地最具明星气质、最有潜力的公司。通过直观的阅读即可了解两地对自动驾驶看法的区别,以及各自的发展路径差异。另外,本白皮书的标题为“智能驾驶”,它可以泛指辅助驾驶、限定场景的自动驾驶,以及完全脱离人类驾驶员的无人驾驶等概念。由于本白皮书所涵盖的行业范围较为全面,故在标题中使用“智能驾驶”作为统称。另外,由于自动驾驶与无人驾驶这两个词在日常使用中更为广泛,所以在具体章节中,会更多地使用这两个词,特别是在涉及L4、L5级别的驾驶等级时。f Av ng锋网新智驾出品目录全栈自动驾驶7、国內全栈自动驾驶公司、国外全栈自动驾驶公司...20总结42自动驾驶卡车.43、国内自动驾驶卡车公司45国外自动驾驶卡车公司52三、总结59低速自动驾驶.·.·.·.·..............·.··..60、国內低速自动驾驶公司63、国外低谏自动驾驶公司8总结87ADAS89、国内ADAS公司95国外ADAS公司124134造车新势力136国内新造车公司139国外新造车公司162三、总结168激光雷达169国內激光雷达公司..172国外激光雷达公司182三、总结216亳米波雷达218、国内毫米波雷达公司,.222国外毫米波雷达公司.230总结240自动驾驶芯片e。要242涉足自动驾驶视觉芯片的公司245总结255高精度地图256、国内高精度地图公司259The Future of Autonomous Drivng in China and USa锋网新智驾出品、国外高精度地图公司264总结,,+279模拟仿真系统281自动驾驶模拟系统公司...285总结:嬴者通吃?294高精度GNSS定位295国內高精度GNSs定位公司297、国外高精度GNSS定位公司300三、总结304车辆改装305国内车辆改装公司.307国外车辆改装公司总结:一门会逐渐退出的业务?鲁,316VeXbbbb B....317、国內V2X公司,320国外∨2X公司324三、总结328The Future of Autonomous Drivng in China and USa锋网新智驾出品全栈自动驾驶▲0●本章所分析的可以说是离自动驾驶最近的公司。自动驾驶技术一般分为环境感知、决策规划和车輛控制三大部分,而所谓全栈自动驾驶公司,可以简单理解为提供除车辆硬件以外,包括这三类技术的鏗套自动驾驶软硬件解决方案的公司。虽然专注于自动驾驶卡车,以及特定场景自动驾驶(如景区、园区)技术的公司也是在开发全栈的自动驾驶技术,但本章所分析的公司则更加面向消费级市场,他们想改变亿万普通人未来出行的方式。在技术上,全栈自动驾驶公司无一例外,都选择了一步到位的L4-5级自动驾驶,而非渐进式的由辅助驾驶过渡到全自动驾驶在场景上,全栈自动驾驶公司面临的也会是最具挑战的城市道路驾驶环境,这也对他们的技术提出了更高的要求。正是因为上述这些原因,全栈自动驾驶公司的想像空间也更大。普华永道发布的《2017年数字化汽车报告》指出,出行市场将带来2.2万亿美元的产业规模,而截至2030年,消费者在出行上的花费将减少10%,且共享及自动驾驶汽车将占到37%的行驶里程。报告还指出,在自动驾驶的场景下,未来家庭在出行方面的开支将减少20%,而利润空间会急剧转向出行服务提供商,相比之下,传统汽车生产和销售的利润分成将从85%降至50%以下。在自动驾驶出行服务的场景下,汽车品牌之间的差异会减小,掌握主动权的是能够提供更优质出行服务的公司。而且车辆的生产会趋于标准化,仅有少数的车型就能满足市场上大部分的岀行需求,车辆的所有和销售模式也会发生变化。f Av ng锋网新智驾出品受智能化和共享化的影响,未来出行方式是车企、出行公司,还是新技术公司占主导,现在还没有明确的结论,但其中的关键一定与自动驾驶技术密不可分。汽车行业的利润分配将迎来大洗牌,这也是新技术公司看准的机会。本章接下来,雷锋网将根据对硅谷、北京、上海、深圳等地智能驾驶技术团队的密集拜访,分析以下几家公司。公司国别最新融资轮次投资机构核心业务驰中国Pe-A启明创投、英伟达、做出能实现城市共亨出行的自动驾技将门创投、华创资本术原型,开发大规模仿真云启资本、松禾资本Roadstar al中国天使轮采取家々感器融合软硬件结会的解决方MGem2(hm、案并与整车合作开发自动驾驶Pony, ai中国A红杉中国DG中国选择1高速自动驾驶,并与车厂合作开发的方式中国B+轮凯辉基金、CV纪源利用环境和驾驶行为数据提升自动驾驶Momenta资本、中法创新基金大脑美国C轮采用深学优先策略,定位在车队管Drive. alGrabVerizon ventures、Renovo aut美国未透露Samsung CalalysT、|聚焦远煋操控,打造一个跨越硬件和SCCa| Capital不辆的平Synapse partners美国C幹前身主做 Android第三方开源操作系统ConanPrcmjiInvcs的业务,后转做自动驾驶技术行业Auto x关国木透露上汽、 Gaintech为自动驾攻汽车提供软件(包括感知、Chola∨ enduresVoyage美国种子轮Initialized Capital相专注自动驾坡出杜车服务,从半封闭的Charles river社区场录转向自动驾驶服务Ventures.等美国未公布未公布特色在于将认知心埋学的研究应用在自动驾驶上BEssemer venture注于白动驾驶感知技术,根据与不同dccpscalc3i美国种子轮Pner、雅虎的创|>EM及供应应的合作方式,提供完整始人杨致远等的解决方案。Mayfield Fund和偏向深度学习,并涉及对机器人的研P|us∧美国未诱TEEC Angal Fund究.目标在干研发出级别的白动驾驶中国金沙江创投、光速中国系统大仝栈自动驾驶公司f Av ng锋网新智驾出品国内全栈自动驾驶公司景驰最地景驰科技是2017年4月成立的一家由人工智能驱动、以自动驾驶技术为核心的智能岀行公司,总部在美国硅谷。景驰的创始团队非常豪华,在成立的短时间内就获得了出众的成绩,也获得了投资者们的青睐,但在2017年底,它也陷入与百度商业秘密有关的纠纷之中。
- 2020-12-11下载
- 积分：1
物流网络选址与路径优化问题的模型与启发式解法
物流网络选址与路径优化问题的模型与启发式解法120交通运输工程学报2006年(i∈T)(10表1小规模问题的计算结果Tab. 1 Computation result of smalF-scaled problem(xh+xbk)-z≤1(i∈T,∈Ck∈K)(11)最优解∈TUC(j∈C问题规模目标值运行时间/s(12)NG= 3, NT=3, Nc= 83885k≤s1(≤c1121=∑体k∈(13NG=3,Nr=3,Nc=10421.221U-U+Nx≤N-1(i,∈S,k∈K)(14)NG=3,Nr=3,Nc=126850580∈TNG=3,NT=3,Nc=148741162000注:Nc为供应商数量,Nr为配送中心数量,Nc为客户数量ba≤B(g∈G)(16用启发式算法求得初期解xi∈/Q1(i,j∈T∪C,k∈K)(17)l0;∈/0,1∈T(18通过交换配送中心间的路径进行第1次解的改善∈/O,1∈T,j∈C)(19)yk∈/0,1(i∈C,k∈K)(20)通过交换同一路径中客户的位置(2-OPT法)进行第2次解的改善式中:G为供应商的集合;T为配送中心的集合;C为客户的集合;K为车辆的集合;Qk为车辆k的最通过交换不同路径中的客户进行第3次解的改善大载质量:S为C的部分集合;C为从点到点j的距离;B为供应商g的最大供应量;V为配送中心SA模块的最大货物通过量;D,为客户j的需求量;H2为配送中心i的固定费用;L为从供应商g到配送中是否满足终止条件心i的单位运输费用;Fk为车辆k的固定费用;a为解的输出与通过量有关的系数;xk为对于车辆k,如果点i以后的访问点是点j,即为1,否则为0;y为如果点j图1基于SA的混合启发式算法的货物由车辆k配送,即为1,否则为0;v;为如果FiMixed heuristic algorit hm based on sa使用配送中心i,即为1,否则为0;z为如果客户j传统启发式算法与智能启发式算法相结合的混合算由配送中心提供服务,即为1,否则为0;pa为从供法,以期在短时间内求得全局最优解应商g到配送中心的供应量。其中x、3计算分析和pg为决策变量。2问题的求解为了对SA的参数进行设定,进行了预备实验并确定参数如下:初始温度To为200冷却率α为为了验证上述数学模型的正确性,用数理规划07,与温度相关的循环次数调整参数β为.1,最商用软件 LINGO8.0对小规模问题进行了数值计大循环次数将按照问题规模的大小做适当的设定,算,结果见表1。可以看出,随着问题的规模扩大,数据采用人工生成数据,在200km×200km的区计算时间急剧增加;当客户达到14个时,计算时间域内随机生成指定个数的供应商、配送中心和客户,长达45h,显然无法满足解决现实问题的需要。为并生成距离矩阵和客户需求量;采用C语言编程,了满足解决现实问题的需要,有必要开发岀一种能计算结果见表2。从表2中的结果比较可以看出,够在合理的时间内求得准最优解的近似算法。表2最优解与近似解比较传统启发式算法能够在短时间内求得局部最优Tab 2 Comparison of optimal solution and approxi mate solution解,但往往容易陷于局部最优,而无法求得全局最优最优解近似解问题规模解。智能启发式算法能够求得全局最优解,但计算时目标值运行时间/s目标值运行时间/s%间相对较长。如果能够将两者结合起来,既可以防止N=3N=3,Nc=838533965求解过程陷于局部搜索无法跳出,保证全局解的搜3N=3NG=10+2122112100索,又可以缩短搜索时间达到在短时间内求得全局N-3-3Nc12|60s0620110最优解的目的。基于上述考虑本文提出了图1的将ublishrigfoustAingnsestrvcu,trttp/www.urrhi.rctNG=3,Nr=3,Nc=1487411620008895第3期陈松岩,等:物流网络选址与路径优化问题的模型与启发式解法121本算法求得的近似解与 LINGO80计算的最优解心,再从配送中心到客户这一典型的物流过程,涉及之间的误差很小,但计算时间却大大缩短了。依据运输与配送2个阶段和供应商、配送中心和客户3结果虽然无法判定所提岀的混合启发式算法对于大个层次,提出了多供应商、多物流中心情况下的物流规模问题的有效性,但可以看岀,对于求解小规模问路径与配送路径优化问题,给岀了问题的数学模型,题是有效和良好的。对于大规模问题,将利用实例利用传统启发式算法与模拟退火法开发了混合近似进行计算验证。解法,通过人工生成数据和实例计算验证,可以看出4应用实例所提出的数学模型可以准确地描述此类问题,具有良好的适应性,所提出的混合近似解法能够在短时在应用实例中,将港口作为供应商来考虑,以进间内求解问题并得到接近于最优解的近似解,具有口货物从港口经配送中心配送到客户过程中发生的较高的实用价值。但本模型没有考虑库存问题与供费用最小化为目的,以港口的数量和位置、配送中心应商的成本问题,无法达到物流网络中各个环节的数量和位置作为对象进行优化。实例的区域选择山整体优化,有待于今后进一步研究。东省,候选港口为天津港、烟台港、威海港、青岛港参考文献日照港和连云港等6处,候选配送中心设置于山东省除港口城市以外的13个地级市,设定客户分别位References于90个县(包括县级市)。为了分析候选港口和配1 I anen g Flpo C. Spatial de composit ion for a multI送中心的数量及位置与目标值之间的关系,在计算of Production Economics, 2000, 64(1/2/3): 177186过程中,候选港口和配送中心的数量分别从1开始(21 Melkote s, Das kin m s. a n in te grated model of facil ity loca tion增加(港口的位置为随机选择),计算结果见图2、3and transportat ion netw ork design[ J. Transport ation Research part A,2001,35(6):5155386[3] Goets chalckx M, Vidal C J Dogan K Modeling and design ofglobal logistics s yst ems: a review of integrated strat e gic an dt act ical models and design algorithm s[ J European Journal of005◇◇0◇◇◇◇◇◇◇Operat ional Research, 2002, 143 (1):118135791113[4] H wang H S Design of suppl y chain logist ics sy stem con sider-港口数量配送中心数量ing service level[ J. Computers and Industrial Engineerin g,图2港口数量与图3配送中心数量与2002,43(1/2):283297目标函数值关系目标函数值关系[5] WuT H, Low C, Bai J W. Heurist ic s ol ution s to mu ltt depotFig2 Relation of ob ject value Fig 3 Relation of ob ject valuelocatioN rou tin g pr ob lems[ J]. Computers and Operations Re-and ports numberand changing depots num besearch,2002,29(10):13931415可以看出,随着候选港口数量的增加.目标值呈[6 Syam ss. A model and met hodologies for the locat ion p rob lem下降趋势,说明可供选择的港口越多,求得最优解的with logist ical components[ J]. Computers and Operations Re机会越大,但本例中,当候选港口的数量增加到5个se arch,200)2,29(9):l173-1193时,目标值达到最小(实际被选中的港口为3个);候[7 Amiri A. Designing a distribution network in a suppl y chainsystem[ J]. European Jou rnal of O perat ional Research, 2004选配送中心数量的变化也呈相同的趋势,当候选配171(2):567576送中心数量达到9个时,目标值达到最小(实际被选8 G ena m, Syarif a. Hybrid genetic algorit hm for mult+ time pe-中的配送中心为8个);本实例的计算时间都在8sriod production/ distribution planning[ J1. Computers and Ir以内,虽然无法判断所求解为最优解,但从计算结果dustrial Engineering, 2005, 48(4): 799809来看,基本接近最优,因此可以认为本算法对于求解9工丰元,潘福全张丽霞等基于交通限制的路网最优路径算大规模问题也是有效和良好的法J.交通运输工程学报,2005,5(1):9295Wang Feng yuan, Pan Fuquan, Zhang Li xia, et al. Opti mal5结语path algorithm of road netw ork with traffic rest riction[ JIJourn al of Traffic and Trans port ation Engin eering, 2005, 5(1)本文将研究范围界定在商品从供应商到配送中9295.(in Ch ineseo1994-2012ChinaacAdemicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net
- 2020-12-11下载
- 积分：1
