自动驾驶汽车涉及哪些技术？

寻车网小编给大家带来了自动驾驶汽车涉及哪些技术？相关文章，一起来看一下吧。

本文目录一览：

• 1、自动驾驶汽车涉及哪些技术？
• 2、智能驾驶商业化落地风向生变，那些威胁到Mobileye的黑马正在夺单
• 3、全面重写Autopilot，特斯拉自动驾驶的升维革命

自动驾驶汽车涉及哪些技术？

最近，有一位对技术一窍不通的朋友对我说想买特斯拉，因为它配备了“你站着不动，让车来找你”的自动驾驶功能。这使我很意外，自动驾驶虽然暂时还只是从业者关注的话题，但也许用不了几年，就很有可能成为影响普通群众购车决策的关键因素。甚至可以说，自动驾驶已经成为汽车发展的热点和今后必然的趋势。那么，自动驾驶汽车涉及哪些技术呢？

简单概括基于自动驾驶系统的组成便是这三点：环境感知、行为决策与车辆控制系统的执行技术。

首先，什么是自动驾驶？就是全部或部分替代这些本来由人来执行的功能。那么，所谓的感知是指车的传感器“看”到了什么、决策是指车的大脑思考怎么去处理、执行是指车的控制系统去执行相应的操作。

但是要实现自动驾驶，仅仅依靠这三大系统是远远不够的，自动驾驶和未来的智慧交通系统还需要一些基础的共性技术进行支撑，也可以概括为三点。

其中最主要的两点便是“自动驾驶的大脑”——高性能运算处理器平台以及“能让汽车心灵感应”——车与外部设施通信的C-V2X技术。前者能为传感器的识别算法和系统的决策算法提供巨量的运算能力支持，是与传统汽车最为基本的区别；后者让汽车与交通标志。行人、其他车辆、云端等参与交通的所有对象通信，让汽车不再是一个单一的个体，而成为智慧交通中一个有机的组成部分。比如，与红绿灯进行通信，便能让汽车提前知道红绿灯的状态，提前进行减速慢行操作；与其他车辆通信，便能将车辆紧急刹车、变道、转弯状态及时告知其他车辆，让其他车辆有足够的时间进行预判和处理。最后，“自动驾驶开天眼”——VEPP高精度定位技术在实现自动驾驶中也不可或缺。

除了环境感知和C-V2X技术准确探知车辆周围的环境，为了更可靠精确的提高感知结果的精确性和可靠性，还需要能准确知道汽车的实时位置，才能更安全实现自动驾驶。

比如，只有在亚米级（0.1m级）的精度下，才能准确判断车辆所处的车道，并与本条车道内的车辆建立联系；或者只有准确知道车辆与交通信号灯与路口的距离，才能进行更为精确的预判和准备，就好像给汽车开了天眼。

---本文图片来源自网络

实现完全的自动驾驶和智慧交通是一个注定艰难的过程，无论是人工智能、环境感知、智能决策这类新技术，还是运动控制、远程通信这些基础技术，甚至基础设施建设、法律法规等，自动驾驶领域有太多技术等待我们去突破，太多山峰等待我们去翻越。这一未来必将造福全人类的技术正在各行各业的努力下快速发展着，我们一起期待吧。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

智能驾驶商业化落地风向生变，那些威胁到Mobileye的黑马正在夺单

作者 / 姚旭阳

编辑 / 王德芙

出品 / 汽车之心

智能汽车时代，产业链的玩法正在发生微妙的变化。

过去供应商与主机厂合作的惯例是：

由主机厂定义需求，Tier 1 组局集成 Tier 2 的技术，最后形成整体打包方案提供给车企。

而在新一代用于自动驾驶的软件上，因为其技术实现极为复杂，车企迫于竞争压力又希望尽早将自动驾驶功能开放给用户。

所以在这个过程中，就需要自动驾驶软件能够实现迅速上车，并不断迭代优化。

敏捷开发的需求催生出更紧密的产业链协同关系，而掌握核心软件技术的供应商正成为关键的新变量。

区别于各层供应商之间层次分明、阶梯式的合作关系，车企正开始与 Tier 2 以及 Tier 1 共同协作来开发新一代的自动驾驶技术。

其中，视觉感知又是各类供应商中最活跃的派系。

1、视觉感知是自动驾驶量产的基石

9 月 24 日，吉利与 Mobileye 宣布达成合作。

Mobileye 将在 2021 年量产的纯电车型领克 ZERO concept 上提供基于视觉感知的自动驾驶系统?SuperVision。

紧接着，不到一个月后，国内智能驾驶系统方案供应商智驾科技 MAXIEYE 宣布获得乘用车企L2+智能驾驶系统量产的项目定点。

MAXIEYE 将为该车企提供包括全速自动巡航等功能在内的智能驾驶系统方案产品。同时，其将与该 OEM 实现从感知算法到控制系统算法全技术链条的 OTA。

据汽车之心了解，MAXIEYE 与另外几家乘用车企的合作也在快速推进。

视觉感知技术在自动驾驶研发中一贯扮演了意义非凡的角色。

以特斯拉为例，这家公司采用了以视觉感知为主的技术路线，在2014 年就投产 Autopilot 并在次年开放了软件功能，目前 Autopilot 是公认最成熟的量产自动驾驶系统。

在当时的条件下，激光雷达还没有量产，实际上到 2020 年低价可靠的激光雷达都没有量产，也难怪 Elon Musk 在视觉感知上「一条道走到黑」。

Musk 坚信，只靠视觉算法便可以实现全自动驾驶。

当年帮助特斯拉开辟自动驾驶量产先河的，是 Mobileye 基于 EyeQ3 芯片实现的感知技术。

虽然后来特斯拉与 Mobileye 的合作终止，2016 年前者转向自研全栈的自动驾驶技术和芯片，但 Mobileye 从此一飞冲天。

凭借视觉感知技术以及包括 EyeQ4 在内的系列芯片，Mobileye 拿下了中德美日各大市场几乎全部的主流车企。

在行业量产 L1/L2 级自动驾驶的发展初期，Mobileye 是当之无愧的市场王者。

2019 年全球汽车总销量大概是在 9000 万台级别，Mobileye EyeQ 芯片当年的出货量可以做到?1740 万片，占整个市场盘子的近?20%。

实际上，如果只算带有 ADAS 和自动驾驶功能的车型的话，Mobileye 所占有的市场规模要远远超过 20%。

一定程度上，Mobileye EyeQ 芯片量产的速度以及感知技术迭代的速度，影响了全球自动驾驶量产的进程。

随着这家公司在市场上日渐强大，其在与车企的合作过程中也逐步暴露出一些问题。

以 2019 年为例，Mobileye 的视觉产品覆盖 300 多个车型。

在过往与车企的合作中，Mobileye 已经形成了通用平台化的解决方案。不过，车企在该方案的基础上很难进行深度二次开发，进而使得采用 Mobileye 方案的车企很难在不同车型的自动驾驶功能上做出差异化和个性化。

其次，因为要支持、适配 300 多个车型，Mobileye 本身的技术方案难以做到快速迭代。由于在感知数据层面与 OEM 的共享也比较敏感，所以 OEM 也较难主导技术方案的快速迭代。

至于全球各个市场的本土化，则是更加艰巨的挑战。

于是，在市场上，谁能够提供技术实力相当的解决方案，同时解决现存的痛点，便有机会拥有一席之地。

2、夺单背后的关键

实际上，这几年，围绕视觉感知的技术路线，国内已经涌现出了一大批公司，如 MAXIEYE、极目智能、自行科技、MINIEYE 等等。

这些公司以前视感知技术、环视感知技术、DMS 等不同的角度来切入自动驾驶市场。

早年，部分公司为了更快地实现上车，采用了主打后装市场的方式，并迅速实现商用车或乘用车的配套量产。

真正的挑战在前装市场，尤其是乘用车的前装定点。

如果我们以拿到车企的前装量产订单来衡量，最终跑出来的公司仅仅是少数。

能够从 Mobileye 强势的市场垄断中拿下 L2+ 智能驾驶系统的量产订单，MAXIEYE 自有其核心优势。

MAXIEYE 创始人周圣砚师从 MIT 自动驾驶科学家 Karl Iagnemma。

Iagnemma 也是今天主导安波福与现代汽车合资的 L4 自动驾驶公司 Motional 的 CEO。 寻车网

MAXIEYE 的公司高管及核心团队拥有较深厚的无人驾驶学术积累和乘用车前装量产的基因。

周圣砚分享，有几个核心的因素驱动了 MAXIEYE 在前装智能驾驶市场的成功：

第一，产品迭代速度快。

MAXIEYE 研发的深度学习智能视觉产品——「IFVS前向智能视觉系统」。

从 2016 年成立至今已经迭代了 3 个量产版本，第四代产品将在今年年末推出。「每一代产品的性能，都在上一代产品基础上有颠覆性的突破。」

以去年 11 月发布的最新一代产品 IFVS-500为 例。这代产品实现了虚拟激光雷达算法的集成，可实现精准测距、测速等功能，支持三维环境立体构建，且凭单目视觉可以实现 5% 以内的精度误差。

根据行业人士统计，全球单目视觉产品的平均精度误差表现在 10%。

第二，性能强大，可识别场景丰富。

除了常规的车辆、车道线、行人和非机动车辆检测之外，MAXIEYE 对可行驶区域、静态障碍物和红绿灯/交通标示等的检测也同样强大。

比如，其产品可以识别包括圆形、箭头等各种形态的红绿灯，并能识别限高牌、限速牌等交通标志。

第三点是，前装量产经验。

在拿下乘用车量产订单之前，MAXIEYE 在商用车市场中积累了大量经验，并且已经形成造血能力。

目前 MAXIEYE 在业务上，是客车、卡车、乘用车并举。

2019 年，MAXIEYE 的前视产品已经占领了?80%?以上的客车前装市场份额。

2020 年， MAXIEYE 在国内排名 TOP10 的商用车 OEM 中，拿下项目定点和量产合作。

截至目前，MAXIEYE 在商用车市场的 ADAS 产品单月出货数万套，预计年度出货将达到十几万套。

最后，愿与主机厂深入合作，协同开发。

MAXIEYE 拥有丰富的产品线，包括前向智能视觉传感器系统，传感器融合方案，ADAS驾驶辅助系统、自动驾驶系统方案等，可以实现 Level 1 至 Level 4 多场景的落地应用。

但如何将这套产品真正应用在量产车上，需要 MAXIEYE 拥有很强的协同开发意愿和能力。

在项目合作的过程中，MAXIEYE 不止向车企提供 L2+ 自动驾驶技术方案，还会帮助车企一起建立相关控制策略等软件研发迭代的能力。

据汽车之心了解，目前在已定点的 L2+ 智能驾驶系统项目中，MAXIEYE 将提供从传感器感知融合、到系统功能开发的软硬件一体化解决方案。

其支持的自动驾驶功能将包括非常实用的 TJA 拥堵状态下的辅助驾驶以及 ILC 交互式变道等。

同时，基于从 Sensing 到 System 模块的完整技术布局，MAXIEYE 打通了 OTA 在线升级技术在感知和控制模块的全覆盖，能够满足车企在未来几年内面向高阶自动驾驶渐进技术升级的需求。

3、车企智能化进入三岔口

当前，包括自动驾驶在内的智能化技术，已经成为影响许多消费者购车的关键因素。

今天的汽车消费者正越来越在意：

谁家的汽车能够更舒适地帮助他完成每天的通勤，以及不时的长短途旅行；什么车型能在拥堵跟车时带来更加舒适可靠的体验；以及在自动巡航时支持更流畅的脱手时间。

今天的智能汽车市场上，特斯拉独树一帜，中国的汽车品牌正在智能化的路上加速追赶。

在美国，特斯拉 FSD 的 Beta 版本已经面向一小撮的用户完成推送。

在中国，造车新势力们正在拥抱具有核心软件能力的新晋供应商。

而据汽车之心了解，自主品牌中其实已经有公司开始尝试摆脱 Mobileye，正在尝试基于英伟达的开放计算平台进行自动驾驶软件的自研。

原因无他，这是车企在智能汽车时代实现功能差异化的唯一道路。

不过，主流趋势仍是，一部分自主品牌，如吉利、长城正与 Mobileye 合作，并希望利用 Mobileye 的解决方案在短期内推出具有 L2/L2+ 自动驾驶功能的车型。

所以，在未来几年，行业的格局或趋向于：特斯拉是智能汽车的领头羊，Mobileye 是自动驾驶解决方案的头号玩家，而更多的新兴力量迅速崛起。

2021 年 1 月 1 日，随着国内自动驾驶分级标准法规正式启用，车企将越发加快在智能驾驶赛道上的脚步。在巨大的淘金机遇中，供应链也将迎来一轮新的洗牌。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

全面重写Autopilot，特斯拉自动驾驶的升维革命

作者 / 陈念航

编辑 / 王德芙

出品 / 汽车之心

在刚过去的 8 月，马斯克在推特上公布了关于 Autopilot 以及 FSD 的两条重要消息：

AP 团队正对软件的底层代码进行重写和深度神经网络重构；全新的训练计算机?Dojo?正在开发中。

「重写 AP」，是今年马斯克在推特上不断提及的一项重要行动。

在回应推友提问时，马斯克会时不时披露 AP 将有的新功能，比如：

对路面上的隆起和坑洞（bumps&patholes）的识别；对环岛路况（roundabouts）的处理等等。

特斯拉对 AP 的全面重写，包括了对数据标注、训练、推理全流程的重构。

而基于新架构的 FSD 将不再是渐进式的优化，而是一次「量子式跃升」（马斯克原文是 quantum leap）。

马斯克在 7 月的世界人工智能大会上表示「有信心在今年完成开发 L5 级自动驾驶的基本功能」，马斯克能够实现他的承诺吗？

特斯拉为什么要在这个阶段对 AP 软件进行重写？重写 AP 到底要重写些什么呢？作为当下市面上量产最强的自动驾驶系统，AP 走向何方，FSD 何时到来？

1、特斯拉 AP 两大新进展

身兼特斯拉 AP 团队的最高负责人，马斯克经常充当着软件测试员的角色。

根据马斯克在推特上透露，他本人经常开着搭载 FSD 最新测试版本的特斯拉上下班，马斯克称在他使用系统的过程中，几乎不需要人工接管。

基于此，他乐观估计，最快在 6-10 周后（也就是10月-11月份），就可以向小规模地向用户推送 FSD 测试版本。

作为重写 AP 的一部分，马斯克还向外界介绍了其全新的用于神经网络（NN）训练的超级计算机 Dojo。

Dojo 在日语中意为「道场」，现在它成为了特斯拉训练数据的「道场」。

Dojo 将专门用于大规模的图像和视频数据处理，其浮点运算能力达到了 exaflop 级别，也就是每秒运算百亿亿次。正因此，马斯克称 Dojo 如野兽一般。

需要注意的是，Dojo 计算机将配合无监督学习算法（unsupervised learning），来减少特斯拉对于数据人工标注的工作量，这样来帮助其数据训练效率实现指数级提升。

马斯克还在推特上发布英雄帖，为自家的 AI 和芯片团队招人。

目前，Dojo 计算机仍在开发中，从 V1.0 开始，大约一年后才会有成果。

有了全新的 AP 软件架构以及强大的数据训练计算机 Dojo，难怪马斯克会对其 FSD 的落地进展如此自信。

但话说回来，特斯拉为什么要在这个阶段对 AP 软件进行重写？还是以这样一种推倒重来的方式。

2、为什么特斯拉要重写 AP?

现在的 AP 已经碰到了性能瓶颈，必须要进行升维革命，否则难有大的突破。

马斯克用了一个术语来表述这个问题，他认为过去 AP 被困在一个局部最大值（Local Maximum）里面，要向上突破已经非常困难了。

其中一个很关键的问题在于，原有 AP 软件架构下，其处理的数据都是不含有时间坐标的 2D 图像数据。

再想往上去处理 3D 甚至 4D（加上时间维度） 的数据，实现从图像级处理到视频级处理的跃迁， AP 固有的软件和训练网络难以胜任。

关于引入 4D 数据带来的影响，一位来自国内自动驾驶公司的工程师向汽车之心分析：

「因为有了时间维度，系统就能知道目标物的运动，对其行为进行预测，而且，系统处理目标物识别、分类以及场景的重构这类任务会更加轻松。

总之，加入时间维度，很大程度上是提高系统对整体场景的理解。」

AP 要再往前走，必须进行革命，所以特斯拉这才决定重写 AP。

另一方面，因为数据转变成 4D，信息量更丰富，整个数据的容量也会变大，这也给特斯拉 AP 现有的用于深度神经网络训练的基础设施带来了挑战，所以就有了 Dojo。

所以， AP 为了实现性能和功能上更大的突破，倒逼其对 AP 基础代码以及训练深度神经网络的基础设施进行重构。

这样工作量庞大的复杂工程也成为 FSD 迟迟推出不了落地版本的重要原因。

除了在车载软件和训练服务器端变革，特斯拉在车载硬件端也做好了准备，就是其自研的 FSD 芯片。

FSD 已经在去年 4 月份开始量产并搭载在特斯拉的车端。

一位对熟悉特斯拉的业内人士表示：

「在 FSD 发布后的一段时间里，特斯拉 AP 团队仍是基于 HW 2.x 的硬件（英伟达 Drive PX 平台）进行功能开发，直到今年年初，特斯拉才开始全面转向基于 FSD 芯片的软件开发。」

相较于英伟达 Drive PX 平台，特斯拉 FSD 芯片在基础算力和深度神经网络推理效率方面都有革命性提升，而且在视觉处理性能上，FSD 相较于英伟达的芯片有更大的优势。

所以趁着这一次特斯拉重写 AP，整个系统需要处理的数据升维到了 4D，对计算硬件的要求指数级提高，FSD 的强大性能便终于有了广阔的用武之地。

引入 FSD 芯片的 AP 在性能上会有多大提升？

马斯克此前在接受 Youtube 视频博主采访时透露过：

「如果特斯拉全车的 8 颗摄像头以 36 帧/秒的速度运行（性能拉满），软件则会基于 FSD 芯片的算力同步进行 3D 标注（2D 图像+深度信息），这会使标注效率提升 3 倍，准确性也会大幅提升。」

特斯拉重写 AP，除了马斯克口中所说的要突破「Local Maximun」以及挖掘 FSD 芯片的极限性能这两方面的原因之外，还有一种可能性存在。

硅谷一位资深自动驾驶工程师告诉汽车之心：

「特斯拉现有的 AP 系统和后续要推出的 FSD 是两套独立开发的系统。

前者的架构是针对于 L2/L3 级自动驾驶，而 FSD 的目标从一开始就是 L4/L5 级自动驾驶。因此，两套系统在架构上有本质的差异，两者差着一个代际。」

后续，随着技术不断进步，FSD 也走向成熟，特斯拉决心把 FSD 和 AP 的框架进行整合。

但问题是，两个系统中有些模块可以融合，但是有些模块是融合不了的，毕竟一个为 L2 开发的系统很难直接演变成 L4 系统。

所以特斯拉 AP 团队要改写 AP 软件的框架和代码，以实现两个系统间的完美兼容，这样的话，后续才能以统一的版本推送给购买了全自动驾驶选装包的特斯拉车主。

实际上，我们也能从 AP 这些年的功能更新中发现一些蛛丝马迹。

2017 年 3 月，推送自动泊车和自动辅助变道功能；2018 年 10 月，推送自动辅助导航驾驶（NoA）功能；2019 年 9 月，推送智能召唤（Smart Summon）；2020 年 4 月，推送识别交通信号灯和停车标志并作出反应（海外先行）。

AP 还在最新的迭代过程中更新了一些令人惊喜的小功能：

比如在城市工况施工区域，没有车道线的情况下，车身两侧皆为锥形桶，AP 能做到以锥形桶为依据实时绘制车道线。

AP 系统还能检测到小动物并及时进行避让，不过特斯拉是把小动物一律识别成人后才做出相应的操作。

基本上，在特斯拉官网上标明的 FSD 完全自动驾驶功能，还剩下一项最难的、也最能代表 L4 级自动驾驶能力的更新：在城市街道中进行自动辅助驾驶。

为了实现这一难度最大的更新，特斯拉给出的最优解就是重写 AP。

基于以上分析，特斯拉重写 AP 的原因便包括突破「Local Maximun」、挖掘 FSD 芯片的极限性能以及将系统能力从 L2 进化至 L4。

4、特斯拉重写 AP，是重写什么？

先来看看特斯拉 AP 现在最新的 AI 软件堆栈是怎么样的：

最底层的是数据、GPU 集群以及 Dojo 计算集群，这一层主要进行数据采集、标注和训练，生成算法模型；往上走就是采用深度神经网络对模型进行分布式训练；再往上走就是用损失函数对模型进行评估；在评估层之上，是云端推理层和车端 FSD 芯片推理层，到这一层，意味着算法模型走完了大部分流程，然后就是部署到车端；在车端，特斯拉通过影子模式（Shadow Mode）将这些算法模型与人类驾驶行为进行比对，检测是否存在异常。

这样的从数据采集到算法部署的闭环，目的就是让系统性能不断迭代，更加优秀。

在这个闭环当中，涉及到数据集、模型训练神经网络、云端和车端推理算法等等要素。

所以，当数据形式从二维的图像数据（2D）转换成四维的视频级数据（4D）后，相应的神经网络和推理算法都需要进行重写。

据马斯克透露，特斯拉 AP 新版本的深度神经网络会将包括感知、路径规划、目标识别等所有子神经网络综合于一体。

特斯拉 AI 高级总监 Andrej Karpathy 在此前的一次演讲中表示：

「我们无法让每一个任务都享有单独的神经网络运算，因为同时处理的任务数实在太多，我们只能把一些运算分摊到共享骨干网络上」。

Andrej Karpathy 将这一骨干网络称为?HydraNets（Hydra 意为九头蛇），意思就是有一个主干网络（Backbone），在这个网络上有多个不同的出口（Head）来做应用，然后输出各自的结果。

在特斯拉 AP 最新的 AI 软件堆栈中，有一个最值得关注的部分就是 Dojo 训练集群，这个集群可以处理海量的图像、视频数据。

引入这一训练计算机，一方面是为了满足特斯拉 AP 系统此后的 4D 视频数据处理需求。

另一方面，特斯拉在全球有超过 82 万辆搭载 HW 2.0/3.0 硬件的车辆每天在道路上行驶，可以采集海量的数据用于 AP 的训练，而如此海量的数据，必然需要具备强大计算性能计算机来进行处理。

Dojo 还有一个特别之处在于，它可以与无监督学习进行配合。

所谓无监督学习，就是无需人工对训练数据集进行标注，系统可以自行根据样本间的统计规律对样本集进行分析，常见任务如聚类等。

例如无监督学习在不给任何额外提示的情况下，仅依据一定数量的「狗」的图片特征，将「狗」的图片从大量的各种各样的图片中将区分出来。

有了无监督学习技术加持的 Dojo 计算机，便能以极低的成本对数据进行自动标注和训练，实现算法性能的指数级提高。

不过，用上了无监督学习技术的特斯拉，依然有一支大约 500 人规模的数据标注团队。

因为在一些初始神经网络模型的搭建过程中，采用人工标注的方式置信度更高。而且，特斯拉并未大规模采用无监督学习技术，现在都还处在尝鲜阶段。

那么，Dojo 计算机上搭载的会是谁家的芯片呢？

目前特斯拉自研的 FSD 芯片属于推理芯片，用于 Dojo 计算机的芯片属于训练芯片。

有业内人士向我们分析表示，Dojo 所采用的芯片应该是 FSD 芯片的扩展版本。

这也是为什么马斯克在为自家 AI 和芯片团队招人时，特意公布了其在研发的 Dojo 计算机的情况，大概率要招的人就是为了研发用于 Dojo 计算机的芯片。

5、特斯拉 FSD 走向何方

无论是大力投入资源重写 AP 基础代码和深度神经网络，还是广纳贤才开发性能强大的数据训练计算机 Dojo，都体现了特斯拉要先人一步搞定完全自动驾驶的决心。

特斯拉拥有庞大规模的数据采集车队，也聚集了 300 多位全球顶尖的自动驾驶和深度学习方面的软硬件研发人才，从数据到算法到商业化，特斯拉在自动驾驶领域有着其他厂商无法比拟的优势。

在这些优势的加持之下，特斯拉仍然迟迟无法量产真正意义上的完全自动驾驶功能，那些买了 FSD 选装包的特斯拉用户着急，马斯克则更急。

所有人都在期待着重写完成后的 AP 系统能真正进化至 FSD 版本，而这一切都要等到今年年底见真章。

在重写 AP 的同时，特斯拉也没有停止在硬件层面的持续研发。

据媒体报道，特斯拉正与博通合作研发新款?HW 4.0 自动驾驶芯片，其性能比 FSD 还要强大?3 倍，计划明年第四季度进行大规模量产，由台积电负责生产。

特斯拉在 AP 层面，是一个接一个的大动作，而这一切动作都有一个统一的目标：更优秀的 AP、更强大的 FSD。

即使现在其表现还不尽如人意，但未来值得期待。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

以上就是寻车网小编给大家带来的自动驾驶汽车涉及哪些技术？，希望能对大家有所帮助。