本次分享人：李林涛

Pony.ai北京硬件研发团队负责人，上海交通大学硕士，目前负责Pony.ai硬件整体研发工作。曾负责国内第一辆无人驾驶汽车的硬件研发工作。

注：本文基于作者2019年12月22日在DataFunTalk的演讲。

划重点：本文主要讨论自动驾驶硬件研发的挑战与展望，主要内容包括：

  • Pony.ai 硬件发展简介和团队简介
  • PonyAlpha 2.0系统介绍
  • 自动驾驶硬件研发的挑战与应对

Pony.ai 硬件发展简介

Pony.ai成立于2016年12月。2017年第二季度，我们的第一辆车拿到了美国加州的自动驾驶测试牌照，开始正式测试。当时我们用的还是64线激光雷达。

2018年第二季度，我们拿到了北京测试牌照时已经换成了32线雷达+多摄像头组合。

2018年第三季度，我们在上海世界人工智能大会上发布了公司首个产品化自动驾驶软硬件系统PonyAlpha，整车的集成度和外观都进行了非常有针对性的设计。

2019年第二季度，我们与丰田合作基于Lexus RX车型合作研发L4级自动驾驶汽车。最后在当年第四季度发布新一代的PonyAlpha 2.0，稍后将详细介绍。

Pony.ai在硅谷、北京、广州都有研发中心，并且有车队，所以相应的在三地都有硬件团队提供本地化支持。Pony.ai硬件团队构成包括电子电气工程师、结构工程师、嵌入式工程师/FPGA 、车辆工程等等。

PonyAlpha 2.0系统介绍

自动驾驶汽车的硬件系统（如上图所示），主要包括三个部分，分别是：

第一，传感器/sensor：它相当于车辆的“眼睛”，具体包括雷达、摄像头，和GPS+IMU等。

第二，计算单元Computer，相当于车辆的“大脑”。在自动驾驶汽车上，它放置于后备箱。

第三，车辆本身/vehicle。她是最大的硬件系统，相当于车辆的“肌肉”。

2019年第四季度， 我们发布了最新的、第四代自动驾驶系统PonyAlpha 2.0，其中硬件领域的最新进展包括：

第一，传感器配置升级。出于成本和国产化的考虑，主激光雷达/Lidar我们采用了国产的品牌。

第二，我们特别针对雨天，自主研发了传感器清洁系统。

第三，线控/DBW方面，Pony.ai已经具备了不同车型线控改装技术，并能独立进行控制参数调优。

第四，我们深入改装车辆系统，自主研发与定制了线束。

第五，我们通过使用自主研发的硬件设备，使设备间连接线束减少，从而系统的集成度和稳定性显著提高。

第六，新系统的高集成也节省了空间，使得我们车的后备箱在放置了计算单元后，仍然有大量的空间供乘客放置行李。

自动驾驶硬件研发挑战与应对

目前，自动驾驶汽车硬件方面的发展仍然面临一些主要挑战，包括成本、功耗/散热、快速迭代、量产和应对复杂道路等方面。

首先，硬件系统面临的最大挑战就是成本。

如上图所示，我们看到第三代自动驾驶系统Pony Alpha在车顶有多个激光雷达和高清摄像头，还有定位模块等。这其中，传感器和定位系统成本非常高。降低硬件系统成本，是自动驾驶产品化和大规模应用的前提。

对此，Pony.ai进行了一些尝试和探索：

首先，我们通过自研硬件实现定制化与降低成本。自研的好处是可以把有用的模块留下，把没用的模块去掉，就可以直接降低成本。例如，我们的车顶传感器与导航信息处理单元实现了供电、信号分发、数据汇聚、数据预处理等多个功能。她还支持多种卫星导航与惯性导航单元，实现不同成本的定位性能组合。

另外，通过几代的迭代，我们车顶传感器系统经历了从成品采购到模块级集成，再到芯片级集成的过程。

另外，我们与行业一起发展。随着雷达的蓬勃发展，由开始的机械扫描变成电子扫描，集成度和稳定性都在不断提高，使雷达的体积和成本都在不断的缩小和降低。（参考上图Bosch Radar/毫米波雷达的发展路径。）

目前，我们还与丰田、现代、广汽等开展了深入合作。通过与大车厂的合作，系统逐步向前装发展。我们借助主机厂的力量，获得更强的议价能力。

第二，自动驾驶汽车需要解决功耗和散热问题，简单理解就是电从哪里来？热到哪里去？

目前常见的车载电子控制单元/ECU的功耗在10瓦量级，而现有自动驾驶汽车由于需要高性能计算（CPU+GPU），功耗通常大于1000瓦。

为解决这一挑战，Pony.ai内部进行了一些尝试和探索：

第一，我们不断优化供电方案：我们自主研发的供电系统，冗余供电，低压与高压结合，可以实现双路备份。

第二，异构计算。我们内部有FPGA团队，可以对成熟的算法进行加速。速度提升的同时，降低功耗。当然，业界也有专用芯片的方案可以考虑。

第三，散热仿真与方案设计方面，我们团队的散热工程师针对我们系统的状态，构造了各种环境，进行仿真验证、温箱测试、实车测量，保证系统的热量能够及时稳定的传输出去。

第三，自动驾驶要早日应用，还需要克服快速迭代的挑战。

上图是典型的汽车研发流程图：一辆汽车的研发大概会经历两年时间。

但对于我们，从2017年第二季度到2018年第四季度一年半的时间内，我们已经迭代了三代的硬件产品。这并不是我们追求快，而是技术和行业的发展趋势如此。

技术变化快，供应链变化相应的也很快。如刚刚提到的激光雷达的变化，已经不是传统64线时代。现在的激光雷达线束越来越高，体积越来越小，我们必须要跟上变化。

行业变化快，要求我们不断探索合作模式。Pony.ai和不同的车厂（丰田，现代，广汽）开展合作，这要求我们必须具备快速应变，灵活调整的能力。

为了达到这些快速迭代的要求，Pony.ai进行的尝试和探索包括：

第一，全栈团队、自力更生。除了硬件研发团队，我们还有来自车厂试制部门的现场工程师，擅长跑车改装的机械技师，自己的试制车间等等，使我们具备基本的生产加工能力。

第二，简化流程，大胆试错。研发初期追求速度，Pony.ai内部的设计评审流程与车厂的研发流程相比相对简单。我们相信工程师自己的判断。当然，这个前提是基于我们的系统是在不断的快速更新迭代的。

另外，前瞻设计，预留资源。比如预留空间，电量，安装点等。

第四，除了速度，自动驾驶硬件方面的主要挑战还有实现量产。

目前全球汽车保有量在10亿辆以上，而无人驾驶汽车总量无法找到准确数据，只能预估大概在万辆级别，所以差距还是非常大的。

曾经有人统计自动驾驶带来的效率提升，粗略的估计是95%。也就是说，如果替代国内的2亿辆汽车，需要一千万无人驾驶车辆。上图来自网络，大概是前几年的照片，就很形象的解释了量产。现在很多自动驾驶汽车已经过了原型车的阶段，但离量产仍有一定距离。

对于量产，Pony.ai也进行了许多尝试和探索：

首先体现在设计工艺的选择上。以最典型的结构设计为例，最开始我们第一辆车，所有的结构件都是通过计算机数控机床/CNC做出来的。随着规模增大以后，就会去尝试鈑金、铸模等工艺。

第二，传感器标定优化。以摄像头标定为例，我们有一套全自动化的摄像头内参标定平台，可以实现从安装到标定过程，再到内参保存、处理、上传全部自动化。

第三，生产管理和质量管控方面。由于目前自动驾驶车辆主要还是采用人工进行整体的装配和调试，所以难免出错。因此我们内部会通过一些流程，如制度、文档、信息化系统，对生产管理和质量管控进行了大量的优化，来保证车辆的质量是过关的。

第五个挑战是应对复杂的道路情况。

上图右上角是国内典型的十字路口，目前大部分的自动驾驶公司应对这种场景还比较困难。

再如上图右下角所示，Waymo为什么选择在凤凰城开展无人驾驶测试？相当程度上也是考虑到那里的空气干燥，常年晴天，极少雨雪。

解决这些极端气候问题，需要更长期的技术迭代优化，短期内这些可能并不是最迫切的。

对于Pony.ai，随着场景不断丰富，对硬件的要求不断增多。比如传感器的配置。我们也经历了摸石头过河，循序渐进的过程。我们也相信随着技术的发展这些难题也都会逐步得到解决。