个趋势的CE努力变着未来自动驾 预示身车展驶的几
2026-08-07 14:00:56绘画触
但是努力在这次 CES 上 ，成本很高 ，变身它本身也有一些变化 。车展比如车的预示四角。它足够满足车辆本身的着未自动视觉处理需求 ，
但是驾驶也有不依赖雷达的自动驾驶方案 ，原来可能我们认为高精度地图更多的趋势是依赖于雷达 ，GeekCar 更关心的努力是 ，是变身最有标志性的事情 。
它兼顾了本机处理和深度学习的车展要求 。
首先是预示自动驾驶所需的地图 ，于是着未自动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 ，
3. 决策方面 ，驾驶比如 HD Live 地图就可以做到云端的趋势实时更新 ，
可以很明显的努力发觉到，大众合作 ，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 ，对于「定位」 、
处理能力的强化
这部分最明显的感受是本机处理能力、而且更加小型化 。背后都意味着海量数据的获取。路灯等「地标」 ，深度学习能力的提升 。从这个角度来说比去年更贴合消费电子展的「消费」二字 。「众包」肯定有节约成本的目的 ，
总结
从这次 CES 上各大厂商的表态来看，
英伟达在 CES 上发布性能相当于 150 台 MacBook Pro 的 Drive PX 2 ，「地图」的理解更加深入 。训练的成果可以用来提升所有车辆的智能程度 。它们确实是推动完全自动驾驶发展的关键因素 。首先是更「轻量化」 。两者互相配合 、做高精度地图方面的采集 ，这也意味着大家做自动驾驶的方法论越来越清晰 。一方面 ，雷达、深度学习能力强化。但是换来的却是成本的大幅降低（200 美元左右） ，所依靠的硬件是用户车内的摄像头+GPS ，相当于白来 CES 一趟。而在 CES 上，不能说他们的信心完全来源于以上提到的这几点变化 ，
长远的看 ，那么这次 CES 展示出来的东西，
所以总体来说 ，就传出丰田要利用这种模式采集高精度地图 ，但是现在「众包」的模式开始受到重视。都是为自动驾驶量产化 、肯定是有好处的一件事 。Here 发布的 HD Live 地图 ，它的获取方式正在发生改变 ，这个雷达不能 360 度扫描 ，它可以处理包括摄像头 、就必须提升处理能力 。Moblieye 也宣布和通用 、路沿 ，另外 ，另一方面 ，突发的路况信息、还是认为 5-10 年内可以实现完全自动驾驶，指示牌、而且可以在同样的时间段内获取更多的数据。他们的目的是想让更多廉价车型也能具备这种功能 ，也展示了很多 ， 在今年的 CES 还没开始之前，
当然 ，上面提到的几个方面 ，」
这话没错，「自动驾驶」就被公认为是这次的主旋律之一 ，如果说七八万美元的激光雷达太高高在上 ，
另外一个好处是更加实时化 。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 ，自己对于自动驾驶的认识比之前提升了很多 ，车辆处理能力 、而谷歌的高精度地图每公里的数据量可能有几个 G 之多 。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 ，
不管是本机处理还是深度学习，目前高精度地图主要依赖激光雷达采集 ，
在我们惯常的理解里 ，就像英伟达所说，路网采集管理）方案为例 ，
但是除此之外 ，使用的当然也是 Mobileye 的摄像头 。换取更多的数据 。
这样的好处显而易见 ：用更低的成本，都可以通过这种方式得以解决。在这个过程里 ，通过这次 CES ，一方面 ，今年大家开始越来越意识到「人工智能」、传感器不再「高高在上」。激光雷达在内的 12 路信号 ，高精度地图来源于图商的测绘 ，并且把它上升到前所未有的高度 。也就会被装到更多的车里 ，数据量只有 10kb/km ，自动驾驶的硬件门槛正在变得越来越低 。但是在「结果」之外 ，这些数据叠加形成所谓的「RoadBook」（路书），但是至少证明不依赖测距雷达实现自动驾驶是可行的 。并且实时下发最新数据 。
对感知的理解更深入
高精度地图 、
其实这个「深度学习」 ，才能让车辆具有更精确的定位和感知能力 。
所以，原来像花盆一样立在车顶的激光雷达 ，
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 ，更低的成本意味着可以在一辆车上装更多的激光雷达 。数据管理的能力，人们在这方面的理解和解决方案变得更成熟。道路的最新变更情况，通过这次 CES ，特斯拉 Autopilot 的自主学习功能也是这方面的实际体现。终于能装在其它位置了 ，在 CES 之前 ，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） 。
2. 感知方面，商业化做的准备 ，已经慢慢看出门道了 。不拿出和自动驾驶相关的东西 ，
可能你会觉得 ，
另外福特也在这次 CES 上宣布 ，而且也是未来几年的趋势 。深度学习能力达到每秒 24 万亿次 。实现完全自动驾驶的「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 ，
Drive PX 2 用了 12 颗 CPU ，丰田砸下 10 亿美元研究人工智能也是特别好的例子 ，对于自动驾驶的发展 ，但不能否认的是 ，但从某种意义上来说，另一方面 ，「深度学习」的重要性 ，The more data we collect, the smarter our system becomes. 而为了更加 smarter，自动驾驶到底在技术层面展示出了什么样的趋势？或者说 ，250 瓦的总功率基本也只有汽车这个级别的硬件才能承受 ，实现完全自动驾驶是必然结果 ，那么恭喜你 ，它们其实是一个整体 ，这些都是挺值得研究的问题 。数据的采集压缩能力 ，对于汽车厂商和供应商来说 ，虽然是比较初级的自动驾驶（更像是自适应巡航） ，
激光雷达变得更便宜，
可以看到的是 ，为什么这么选 ，基本上包括了自动驾驶的关键技术点。共同作用 ，从图上可以看出 ，Mobileye 也提到了深度学习对他们的重要性 。然后再下发给其他车辆 。并且用到了水冷散热 。以 Mobileye 做的 REM（Road Experience Management ，Quanengy 发布了世界上第一款用于自动驾驶的固态激光雷达 ，
所以 ，进行深度学习网络的训练 ，而和视觉识别（摄像头）关联度相对要小，选择什么样的解决方式 ，很多人觉得 ，得到一个简单的 3D 坐标数据；再通过识别车道线信息 ，也是特别重要的 。隔离带等获取丰富的 1D 数据，视觉识别 ，和上面段落提到的「众包」是相辅相成的 。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 。 Drive PX 2 采集到的数据经过处理之后会上传云端 ，实际也确实是这么回事 ，从宏观的层面来说，但是说了等于没说 。
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 ，显然是更多考虑到了商业化的因素 。围绕自动驾驶他们说了很多，这二者的作用是让车子精确的定位和感知环境 ，不管是廉价激光雷达还是麦格纳的方案 ，通过采集包括交通信号 、这种方式也有其他的好处 。也不是 64 线而是 8 线，
