中國自動駕駛市場潛力巨大。麥肯錫預測，在中國乘用車市場，到2040年，自動駕駛將占到乘客總里程的約66%，自動駕駛車輛的銷售收入將達0.9萬億美元，與自動駕駛相關的移動出行所帶來的市場收入將達1.1萬億美元*1。自動駕駛作為智能汽車、智能交通發展的一致方向，已經被我國列為重點發展領域。《新一代人工智能發展規劃》提出要重點發展汽車產業中的自動駕駛技術，并且要在智能交通建設和自主無人駕駛技術平臺等方面實現突破。而這一進程的推進離不開云計算平臺，以及云層之上大數據分析、物聯網、人工智能的支撐。

• 自動駕駛的價值

自動駕駛作為構建智慧出行服務新型產業生態的核心要素，在提高道路利用率的同時，還成為了消費升級的新動力。隨著自動駕駛的不斷完善，還將加速汽車產業鏈價值重心進一步向后服務傾斜，提高基于道路、交通等數字化服務的業務增長空間。

消費升級：自動駕駛技術的應用，讓駕駛員能夠從隨時關注和調整汽車行駛狀態的環境脫離出來，通過人工智能，辦公、娛樂、生活等成為駕乘人員在汽車出行中的新選擇，人們從傳統的消費轉變為智能消費，實現了消費體驗的全面升級。

提高道路利用率：在城市交通中，由于車輛增長速度遠大于道路增長速度，再加上不良行駛習慣，例如搶紅燈、插隊、路邊亂停車等，使得道路擁堵成為城市交通管理的一大難題。自動駕駛與智能交通管理的協同使用，能夠通過對路況變化的感知，自動調節車輛駕駛狀態，更好地管理交通流量，從而有效釋放道路資源，增強道路通行能力，緩解擁堵，提高道路利用率。

降低碳排放：自動駕駛技術成熟后，共享出行將成為城市交通的主要模式。屆時，滿足現有出行需求的汽車保有量將顯著下降。根據密歇根大學的測算，一輛自動駕駛共享汽車(Shared Autonomous Car)可以取代9.34輛傳統汽車*2。這不僅意味著車輛利用率的提高，同時車輛總量的減少將大幅降低碳排放，實現社會發展低碳化。

• 我國自動駕駛發展三階段

我國自動駕駛的發展歷程可以分為三個階段*3：

來源：麥肯錫，How china will help fuel the evolution in autonomous vehicles

第一階段，~2023：在這一階段，自動駕駛技術已經準備就緒，但受限于我國復雜的交通環境，例如高度復雜的標識、交通信號燈和道路標志尚未完全標準化，以及駕駛員不良習慣駕駛等，導致自動駕駛的初步使用，更多的在具有更少交通流量且駕駛要求更為簡單的郊區進行，且駕駛速度只能維持在60km/小時以下的低速。

第二階段，~2027：到2027年，自動駕駛技術不斷發展，已經解決了城市和郊區駕駛的大部分所需條件，開始得到大規模的商業化采用。但自動駕駛還需解決壞天氣帶來的信號不佳，以及鄉村獨特的交通復雜性以及道路標識不統一的問題。

第三階段，~2032：“移動即服務”(MaaS)在中國市場的快速增長，帶來對自動駕駛出行的強烈需求。在這一階段，隨著自動駕駛技術的日益成熟和成本的逐步降低，自動駕駛將在城市、郊區和農村得到全面采用。

從技術角度而言，自動駕駛的過程涉及眾多技術，其中感知、智能引擎和機器學習這三點非常關鍵。

感知：在工業互聯網下，通過傳感器、通信設備以及連接設備的數字化技術來感知多車型、多場景車輛數據，通過傳感多數據交互，邊緣端實時處理，實現實時、可靠的系統響應和感知。

智能引擎：在云層之上，結合大數據和人工智能，對收集的車輛海量數據進行實時處理，并作出智能決策，是實現自動駕駛的關鍵。這就需要自動駕駛系統具有高速可靠的計算能力，能夠通過智能大數據分析，對車輛行駛做出相應決策。

深度學習：自動駕駛過程中，需要對基于汽車行駛的數據、性能評價進行智能判斷、診斷和維護，這就對深度學習提出了要求，需要先進的深度學習框架，通過機器學習建模根據數據進行訓練和改進。

• AWS加速自動駕駛

全球先進的傳統汽車制造商Rolls-Royce、BMW、Volvo、Toyota、Remault、福特、德國奧迪和新興出行服務商如Lyft都是基于AWS ，以及云層之上的物聯網、大數據和人工智能，滿足車聯網和自動駕駛的開發和部署需求。基于云平臺靈活、豐富的計算資源，在運用大數據技術和先進的人工智能算法基礎上，AWS自動駕駛系統分為車、云(平臺)兩層，通過車云協同，AWS一整套服務可助力自動駕駛的開發和部署。

AWS 具備及用戶所需的存儲，支持海量數據存儲。AWS Snowball Edge Storage Optimized 提供了 100 TB 的容量和 24個 vCPU，滿足本地存儲和大型數據傳輸需求。

Amazon Elastic Compute Cloud (Amazon EC2) P3 實例提供靈活且強大的高性能計算能力，可以實現高達 1 petaflop 的混合精度性能，顯著加快機器學習和高性能計算應用程序的速度。且Amazon EC2 P3 實例支持所有主流機器學習框架，包括Apache MXNet、TensorFlow 和 PyTorch 等。

Amazon SageMaker 機器學習托管服務，能夠讓自動駕駛研發人員快速構建、訓練和部署機器學習模型，在減少研發工作量的同時降低成本，縮短產品面世周期。

AWS IoT Greengrass 提供邊緣計算及機器學習推理功能，可以實時處理車輛中的本地規則和事件，同時盡可能降低向云傳輸數據的成本。

下面我們通過兩個實際案例看看AWS 如何助力自動駕駛。

• 豐田研究所利用AWS深度學習加快自動駕駛速度

自動駕駛系統的開發和部署，需要IT具有收集、存儲和管理大量數據的能力，高性能計算能力和先進的深度學習技術，以及實時處理車輛數據的能力。豐田旗下的豐田研究所(Toyota Research Institute，以下簡稱TRI)的首要任務之一就是通過人工智能，幫助豐田生產更安全、更可用、更環保的汽車，為此，他們在AWS云服務基礎上，通過Amazon EC2 P3實例、Amazon Simple Storage Service (Amazon S3)、Amazon Simple Queue Service (Amazon SQS)和AWS網絡服務構建了一個可擴展且高性能的解決方案。Amazon EC2 P3實例為機器學習模型培訓提供了所需的核心計算能力，在快速優化和重新培訓模型的基礎上，將培訓模型的時間縮短了75%，顯著加快TRI的自動駕駛研究和開發速度;通過Amazon S3，TRI能夠快速存儲和檢索任何地方任何數量的數據，并將這些數據用于機器學習模型和模擬的分析和再培訓;TRI還使用Amazon SQS協調遠程數據采集站點之間的數據傳輸，并根據需求調整計算和存儲資源。通過這一方案的部署，TRI的數據科學家和機器學習工程師能夠更快地迭代、培訓更多模型，并在應用程序中建立競爭優勢，從而縮短研發自動駕駛研發周期，向未來幫助豐田生產更安全的汽車這一目標邁進。

• AWS助力TuSimple 開發自動駕駛卡車系統

創立于2015年9月的TuSimple(以下簡稱“圖森”)一直專注于研發可商用的 L4 級別(SAE 標準)無人駕駛卡車解決方案。該解決方案以攝像頭為主要傳感器，融合激光雷達和毫米波雷達，實現了感知、定位、決策、控制等無人駕駛核心功能，能夠讓貨運卡車在干線物流場景和半封閉樞紐場景中實現全無人駕駛。借助AWS云服務，圖森加快了這一解決方案的開發效率和速度，并降低開發成本。AWS具備用戶所需的計算和存儲，通過AWS Snowball Edge，圖森能夠加速將海量數據傳輸到AWS云并進行處理，從而讓圖森能夠進行非常廣泛的模擬駕駛測試;通過AWS 彈性云服務，圖森能夠創建和訓練其深度學習模型，從而將培訓時間從數天縮短至數小時。借助AWS，圖森建立了自主駕駛仿真平臺，可以在其用于導航卡車的每一種算法上運行數百萬英里的模擬里程，從而使安全可靠的自動車輛成為現實。

自動駕駛的實現，不僅要求通過傳感器對周圍環境實現感知，同時具備更強大的數據分析能力，通過數據進行智能決策和控制。針對自動駕駛開發的AWS云服務，借助云計算、大數據、物聯網、人工智能，加快了汽車制造商和研發機構在自動駕駛系統這一方向的研發進程。借助AWS云服務，TRI和圖森加快了自動駕駛研發的速度，向可靠、安全的自動駕駛不斷前進。

* 1來源 麥肯錫，《自動駕駛在中國》

* 2 來源 University of Michigan Transportation Research Institute，《Potential Impact of Self-Driving Vehicles on Household Vehicle Demand and Usage》

* 2 來源 麥肯錫，How china will help fuel the evolution in autonomous vehicles, https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/how-china-will-help-fuel-the-revolution-in-autonomous-vehicles