AD
在今年的国际消费性电子展(CES 2016)，自动驾驶技术领域扩张意图非常明显。光是在自动驾驶车的芯片细分市场中，除了辉达(Nvidia)、Mobileye、恩智浦(NXP )和德州仪器(TI)等大家耳熟能详的公司外，还涌现出了许多“新面孔”——例如IP供应商CEVA以及英特尔和高通(Qualcomm)等。汽车OEM厂商正敞开双臂欢迎这些市场新进业者，IHS Automotive资讯娱乐与先进驾驶辅助系统(ADAS)研究总监Egil Juliussen在CES上表示，“这个领域突然变得热闹非凡。”
战争迷雾？
到现在为止，投资方和媒体社群都非常热衷于支持自动驾驶车技术——传感、摄影机、雷达和光达、地图绘制、演算法、深度网络(或者非深度网络)与人工智能等等。
但对于他们之中的大多数人来说，仍不清楚的是这些技术在自动驾驶车设计的演进中将如何收场，更不必说在这场战争中谁胜谁败了。
Mobileye共同创办人兼执行长Amnon Shashua
Mobileye共同创办人兼执行长Amnon Shashua表示，他起初以为竞争对手故意传播有关这些技术的错误消息，想要造成“战争迷雾”。但他现在意识到，“人们真的感到非常困惑，因为他们真的不了解。”
在今年的CES上，Nvidia挟其“深度学习”技术以及Mobileye展示地图绘制技术，成为这次展会上最耀眼的明星，这两家公司在ADAS和自动驾驶领域的竞争都相当激烈。
Mobileye在其新闻发布会上毫不客气地公开批评Nvidia。Mobileye执行长Shashua指出，“我在Nvidia声明中发现的是一个用液体冷却的超级电脑，功耗达到250W，成本近1万美元。我认为这样的东西根本不属于我们的世界。”
Ceva执行长Gideon Wertheizer将上述两强之间的公开争执描述为“投资的桥段”。事实上，Mobileye的股票在Nvidia发表声明后不久就应声下跌了近10%，而在CES上召开新闻发布会后又涨了一些。
多源地图绘制
不过，Mobileye的声明确实含有一定的重要技术份量。Wertheizer在一次接受《ETimes》的专访中特别介绍了Mobileye最新开发的地图绘制技术——称为道路体验管理系统(REM)，并认为它对竞争芯片供应商以及恩智浦、博世(Bosch)与Denso等一线厂商来说可能“最具威胁性”。
据Mobileye透露，REM可以为精确定位和高解析车道资料创造“多源即时资料”，这是支援完全自动驾驶所需的重要资讯层。
Mobileye REM技术的后端作业（
这种技术是根据执行于Mobileye EyeQ处理芯片的软件。它能以极低的频宽撷取地标和道路资讯——大约每行驶一公里撷取10Kb(相形之下，Google进行定位和绘制HD地图时大约每公里1Gbit)。Mobileye解释道，在云端执行的后端软件可以搭载车载软件的所有汽车所发送的资料片段整合成一个全球地图。
Mobileye的目视判读机制(有助于压缩资料)应该可以协助汽车制造商创造自己的"道路指南"(Road Book)。
Mobileye将会锁定你
不过，值得注意的是，Mobileye的多源位置协调系统只能在安装有Mobileye EyeQ芯片的汽车上才能工作。简言之，“Mobileye正锁定其客户。”Ceva公司的Wertheizer指出。
很明显地，随着越来越多安装Mobileye芯片的汽车上路，REM也变得越来越成功。Shashua认为，REM对于汽车OEM来说之所以有吸引力，是因为“大型汽车制造商在创造自家道路指南时可以发挥其于规模上的优势。”
启用REM对汽车制造商来说并不困难，Shashua指出，因为Mobileye的EyeQ芯片早已存在汽车生态系统中。建置REM所需要的就是EyeQ芯片和一条通讯链路——例如对于通用汽车(General Motors)来说，可以使用自己的On-Star系统。
通用汽车和福斯汽车(Volkswagen)在CES上宣布支援Mobileye提出的REM系统。另外一家规模与这两家相当的客户很快地也会签约REM，Shashua透露。
值得注意的是，全球汽车产业中有三分之一都已经使用EyeQ芯片了，Shashua指出，“我们非常期望整个汽车产业都能用到REM。”目前只有丰田(Toyota)和戴姆勒(Daimler)这两家公司尚未使用Mobileye的芯片。
Mobileye EyeQ芯片广泛使用在汽车中（
传感器融合
截至目前为止，电子产业中的自动驾驶车主要解说员一直是Nvidia执行长黄仁勋。
竭力鼓吹"深度学习"的黄仁勋经常教育人们，自动驾驶车需要一个功能强大的视觉运算系统来融合从摄影机和其它传感器而来的资料。换句话说，Nvidia最新推出的Drive PX2被黄仁勋宣称为"为汽车设计的超级电脑"，它将成为汽车的标准配备，可以用来感知汽车所处位置、辨识汽车周遭的物体，并且即时计算最安全的路径。
Nvidia首席执行官黄仁勋
在今年的新闻发布会上，Nvidia还发布了一款名为Digits的深度学习平台。Nvidia已经在用这个平台测试自己的自动驾驶车了。“自动驾驶技术具有令人难以置信的困难度，”黄仁勋指出，“它可不像你用监理所的手册来编程"驾驶"这么简单。”
为了显着缩短开发和训练深度神经网络所需的时间，汽车制造商需要像执行于在其服务器超级电脑上的Digits这样的工具，Nvidia指出。
根据黄仁勋的构想，每家汽车公司最终都将拥有一个端对端的系统——范围从用于训练深度神经网络的Nvidia Digits到用于汽车中部署网络输出的NvidiaDRIVE PX 2。
为自动驾驶开发人工智能软件的布达佩斯公司AdasWorks创办人兼执行长Laszlo Kishonti指出，该公司正与Nvidia合作开发用于富豪汽车(Volvo)的系统，这款基于GPU的系统可以即时处理来自多个传感器的资料。
Kishonti表示，AdasWorks不用处理器，“我们采用GPU、FPGA或其它任何可用的嵌入式视觉SoC。”但使用Nvidia解决方案的一个重要优势是，在车载电脑上开发与验证的逐行程式码与服务器上使用的程式码是完全一样的。
针对自动驾驶车的端到端深度学习平台（
相较于Mobileye仅关注于视觉处理，“我们的重点在于融合来自所有不同传感器的资料。视觉只是众多传感器资料中的一部份，”Nvidia汽车整合部门资深经理Dave Anderson表示。
Nvidia设计的DRIVE PX 2可以处理来自12个视讯摄影机以及雷达、光达和超音波传感器的输入资料。他解释：“我们融合了这些资料，使其得以精确地侦测目标物体、进行辨识，以及判断汽车与周围世界的相对位置，然后找到安全行驶的最优路径。”
Ceva、高通也积极参与
然而，Nvidia并不是唯一推动深度学习用于自动驾驶车的企业。Ceva也在积极推广该公司自有的XM4成像与视觉DSP，这些DSP使用的是Ceva的即时神经网络软件架构，名为Ceva深度神经网络(CDNN)。
Wertheizer解释说，该公司的客户将选择一种训练有素的神经网络，预先处理物件参数。透过使用Ceva的DSP引擎、韧体和CDNN，采用浮点网络和权重描述的物件参数将 “在不损失精度的条件下”被转换为定点客制的网络和权重，他表示。
藉由Ceva的XM4 DSP，CDNN可以让嵌入式系统执行“深度学习任务，而且其学习速度比基于先进GPU的系统能快三倍，功耗小30倍，所需记忆体频宽小15倍。”Ceva指出。
