视觉其实也可以用来定位的，我们所说的深度学习，通过双目视觉技术，但由于光线等各种原因，它在室外环境下对车辆的定位并不是一个很稳定的定位方法。但在室内环境它却是个不错的定位方法。所以视觉也能提供定位的技术。

　　其实无人车发展到今天，有两个主要的流派，我用激光雷达作为主传感器，这样可以达到很精准的定位效果，稍后会跟大家分析一下为什么激光雷达已经达到一个很精准的定位效果了。同时激光雷达价格昂贵，如今市面上64线的激光雷达大概是8万美金。但问题是几乎买不到货，因为64线激光雷达是被垄断的。

　　那么多传感器，到底在无人车里是如何实现定位的?其实多种传感器的融合，我们首先把IMU和轮轴的信息做一个初始的定位，然后再用GPS对这个定位进行纠正。随后再用激光雷达再做一次纠正，它多了一个sensor——高精地图。高精地图在我们看来它是一个传感器，因为激光雷达要跟高精地图进行匹配，才能达到定位效果。

　　物体识别技术方面，指的是：比如为了避免碰撞到行人，需要利用物体识别技术检测出前车的距离以及目前正在行驶的车道等。

　　至于物体跟踪方面，是指识别之后再去跟踪行人的行动，再根据行动去预测行人的走向，然后调整自己的决策以免发生碰撞。

　　在无人驾驶里面，路径规划是极其依赖于高精地图的。高精地图是一个网格状地图，最底层有一个激光雷达，它会产生一个很细的网格，它能够检测出障碍物及其反射度。在这个基础上，我们会搭建一层所谓的语义信息，比如你的路径是在哪一层，哪条路径是朝哪个方向的。搭建这一层之后，当激光雷达扫描的时候，你会知道你当前的路径是在哪。除此之外，我们还要知道限速，所以我们在这一层再搭建一个限速牌标识，经过很多层的搭建之后，才组建出了一个高精地图，再在高精地图上再进行算法的全局规划。

　　行为预测，其实这也是无人驾驶后端的一个核心技术。有一辆车在行驶，对面同时也有车迎面驶来，但你不知道它是要转弯还是要直行。这个时候怎样决策车如何行驶呢?你需要规划和预测对面的车会不会撞过来。所以我们需要预测技术。它要根据前车的几个不同的位置预测它在未来几秒钟里的行驶路径。

　　刚才简单地介绍了无人驾驶所涉及的算法部分，我们现在讲一讲系统集成。

　　无人驾驶是个相当复杂的硬件系统，比如说我比较了解的某家著名的无人车厂商，他们全车是两排巨大无比的CPU，再加12片GPU，整车光计算硬件三到四万美金，能耗3000瓦。所以它底下那个巨大的风扇是用来散热的，慢慢再把它细小化成更小巧的部件。为什么这么复杂?因为正常来说，一台无人车至少十几个高清摄像头、一到两个激光雷达以及把各种传感器融合在一起，所以需要巨大无比的计算能力。

　　无人驾驶复杂的应用需要操作系统，其实各家用的都是基于ROS机器人操作系统。比如，苹果曾经尝试过做无人车，他们把ROS框架拿过来重新搭建了一套。为什么大家都喜欢这个框架，因为它比较方便，数据比较容易在这个框架里流动。但它存在很多严重的问题，比如它很容易造成系统崩溃等。因为如果车在行驶过程中，它的ROS系统崩溃了则会导致撞车。所以我们在系统方面其实要投入很多。

　　简单来说，计算平台分成三个部分，分别是传感器平台，我们的Lidar，GPS系统，摄像头等等。传感器所有数据通过PCI走到我们的计算平台，就是我刚才举的例子，包括两台巨大无比的机器以及三四千瓦的电，它跑完之后再通过CAN 主线传到你的控制平台，然后进行刹车和对轮胎等方面的控制。

　　计算平台也有很多创新空间，我们怎么把整个硬件小型化标准化呢?我们提供一个很好的解决方案。很多人没提及的是云平台，大家很多都不知道无人驾驶其实是需要一个云平台的。

　　为什么我们需要一个云平台呢?每天每秒钟一台在路上行驶的欧四级别的无人车每秒钟产生2GB的数据，包括视觉数据、位置数据、轮胎数据等，这些数据都要上传。今天为什么谷歌在无人车领域处于领先地位?因为他拥有七年的数据，百度厂商大概有一到两年的数据。很多人说滴滴、Uber那么多车在路面跑，数据肯定多，它一般是在前窗的位置装一个摄像头，所以收集的是视觉的数据。但某几个厂商整车的数据，包括轮胎的数据、CAN BUS的数据、视觉的、激光雷达、GPS等全部数据的融合，这就需要你计算出更好的算法出来。