第六百三十二章 汽车发展趋势（第2页）

孟谦示意两人看PPT展示，“我们公司已经拿出了一个结论，传感器+高精度地图+云计算+理性决策算法是最有可能实现无人驾驶的方案。

所以想要发展无人驾驶，需要对应的镜头，对应的CMOS图像传感器，对应的DSP数字处理芯片，对应的毫米波雷达，对应的激光雷达等硬件设备以及一个有理性决策能力的算法和一个安全高速的云平台。

也正因此，对于传统车企来说无人驾驶其实完全就是一个全新的领域，虽然最重要的依然是安全，但传统车企走的都是功能安全路线，在无人驾驶领域，功能安全是远远不够的。

但无人驾驶算是一个全新的产业么？我认为不是，当无人驾驶真正成熟的时候，他必然会冲击传统车企，如果用户都信任无人驾驶了，愿意自己开车的人必然会减少。

所以我今天就是想问问两位，有没有兴趣跟我们一起参与这场车企革命。”

两人这下明白为什么孟谦同时把他们叫来了，孟谦想要搞无人驾驶，不想把赌注压在一家传统车企上，所以把两人一起叫过来完全没毛病。

“当孟总准备进入一个行业的时候，肯定已经有所准备了吧？”

王川福以对孟谦的了解很肯定的说道。

孟谦笑了笑，示意继续看PPT，“刚才也说了，无人驾驶需要激光雷达和毫米波雷达，这是因为激光雷达可以准确测量视场中物体轮廓边沿与设备间的相对距离，精度可达到厘米级别，而对于激光雷达不够直接快捷的缺点，毫米波雷达又可以弥补。

所以围绕激光雷达和毫米波雷达我们做了大量研究，针对无人驾驶，我们研制了这一款64线激光雷达，两位看这个动态图。

激光光束从两侧透镜发出，遇到障碍物折返后经过中间透镜可以被抓去，接收器通过处理分析就可以判断障碍物。

而所有的时间信息、控制信息、接收信号都会传到顶端的主板从而进行数据分析，底部的旋转记录器则可以记录下旋转时所在位置和旋转信息，所有原始数据通过底部数据线传送至电脑。

至于这款产品最大的优势，就在于垂直方向有64条光束放射状射出，可以覆盖垂直方向26°的角度，抵达100-120米的检测距离，探测障碍所在位置的误差大约10cm左右，激光雷达每秒旋转10次，可以实现水平360°的视域覆盖，每圈输出高达13万个信息点。”

这个东西两人还是能听懂能看懂且比较好消化的，但孟谦接下来说的就让两人觉得有一点懵逼了，“不过在我看来我们现在最大的优势是在算法上。

据我了解，包括谷歌在内的几家无人驾驶企业都在使用深度学习进行驾驶训练，从传感器的输入直接导出控制器的输出，然而作为深度学习的创始者，我基本可以确认这种深度学习在无人驾驶领域是一个错误的方向，因为它属于相关性推理，而非因果推理。

比如说人在下雨天会慢行，这种深度学习的逻辑就是下雨天要慢行，但它不知道下雨天为什么要慢行，那么假设我们没有给到下雪天的数据，就会出现一个情况，无人驾驶会在下雨天慢行，却在下雪天正常速度行驶，甚至可能会因为其他数据加速行驶。

这种不知因果的算法对于驾驶安全来说是一个极大的隐患，因为驾驶过程中会有太多的未知情况需要计算机做出因果判断。

所以我们需要在自动驾驶领域引入新的决策机制，我们找到了这样一个机制，那就是贝叶斯网络，贝叶斯网络是一个概率推理系统，贝叶斯网络在数据处理方面针对事件发生的概率以及事件可信度分析具有良好的分类效果，它具有两个决定性的优势：模块化和透明性。

模块化的优势尤为重要，比如要更新汽车的变速箱，当变速箱被更换的时候，我们不用重写整个传动系统，只需要修改为变速箱建模的子系统，其余的都可以保持不变。

防采集自动加载失败，点击手动加载，不支持模式，请安装最新版浏览器！

本章未完，点击下一页继续阅读