作者：周彥武
鑑於自動駕駛開發成本高，大眾和福特投資了合資公司
Argo AI
進行聯合開發。2019年7月，經過數月的談判之後，大眾同意以 70 億美元的估值向 Argo 注資 26 億美元。其中，包括 10 億美元現金以及價值 16 億美元的大眾自動駕駛子公司 AID（Autonomous Intelligent Driving）。作為交易的一部分，大眾需要從福特手裡收購價值 5 億美元的 Argo AI 股份。2020年6月2日，交易完成。大眾將與福特持有相同的股份，剩餘部分則歸Argo AI公司員工所有。Argo AI公司的董事會也會由5人增至7人，其中大眾和福特各佔2個席位，另外的3個席位則歸屬於Argo AI自己。
Argo AI與大多數自動駕駛公司將總部放在加州也不一樣，其總部位於匹茲堡，美國汽車工業心臟地帶，而不是加州的高科技地帶。2016 年9月，前 Google 員工 Salesky 和前 Uber 員工 Peter Rander 聯合創辦了 Argo AI。2017年2月，福特公司10 億美元注資 Argo AI。分析Argo AI的自動駕駛系統就等同於分析大眾和福特的自動駕駛系統。
圖片來源：Argo AI
2021年4月，Argo AI釋出了安全報告書Safety Report。
大眾
和
福特
表示大約在2024年有利用Argo AI技術的自動駕駛車輛量產。
大眾自動駕駛車輛效果圖，圖片來源：Argo AI
Argo AI自動駕駛架構圖，圖片來源：Argo AI
可以看出和
豐田
（進入豐田微門戶）L4一樣，也是兩套獨立的轉向與制動系統。還特別點出了加了IMU和速度感測器，應該不是像特斯拉之類量產車上不到1美元的IMU（博世在這個領域市場佔有率估計有90%）。和Waymo一樣，也有針對救護車、消防車、警車的緊急鳴笛探測系統。
圖片來源：Argo AI
Argo AI的自動駕駛原型車輛在2021年進入第四代。
圖片來源：Argo AI
Argo AI的第四代自動駕駛原型車輛使用4個鐳射雷達，9個毫米波雷達，12個攝像頭。一個是
Velodyne
的128線遠距離鐳射雷達，3個自行開發的短距離鐳射雷達，兩個前向，一個後向。短距離鐳射雷達使用SPAD單光子接收陣列，因為ArgoAI在2017年收購了鐳射雷達初創公司
Princeton Lightwave
（該公司是SPAD的擁躉），具體交易額不詳，估計在1億美元上下。3個前向毫米波雷達，其中一個位於車頂。4個側向毫米波雷達，位於輪眉上方，隱藏在車內，外觀上看不出來。應該是4個級聯的77-81GHz高解析度毫米波雷達。兩個後向毫米波雷達。兩個車輪處的短距離攝像頭，一個立體雙目攝像頭，七個頂置攝像頭，一個後向攝像頭。
圖片來源：Argo AI
與Argo AI的第三代自動駕駛原型車輛相比，用128線鐳射雷達代替了原來的兩個堆疊的32線鐳射雷達VLP-32C。大幅增加了毫米波雷達和近距離鐳射雷達，主要的視覺和鐳射雷達部分實際變換不大。7個200萬畫素攝像頭呈環狀分佈，幀率30Hz，一個500萬畫素雙目攝像頭，幀率5Hz，基線寬29。86釐米。
Argo AI的第四代自動駕駛原型車輛正面照， 圖片來源：Argo AI
Argo AI的第四代自動駕駛原型車輛正面照，立體雙目與毫米波雷達在頂部自動駕駛感測器系統的正中間。
Argo AI的第四代自動駕駛原型車輛頂部特寫， 圖片來源：Argo AI
Argo AI最強調的是移動目標的行動軌跡做出預測，就像人類駕駛的預判，這樣才是真正的自動駕駛，才能提高安全性。也就是MODT（Moving Object Detection and Tracking）。同時Argo AI也是美國唯二的使用自制高精度地圖的自動駕駛原型車，另外一家是
安波福
。Argo AI的資料集名為Argoverse。
Argoverse與其他資料集的對比， 圖片來源：Argo AI
圖片來源：Argo AI
Argo AI用鐳射雷達鳥瞰圖（Bird Eyed View）視覺化，車輛或其他目標用3D框標註，用雙目計算出可行駛區域，並用青色表示，用黃線表示邊界。即道路表面語義分割，Road Surface Freespace Segmentation，分出路面、移動物體（障礙物）、固定不動的（Solid）。通常用基於機率的佔用網格加動態規劃（Dynamic Programming）的演算法獲取。與豐田的L4系統基本沒差別。
圖片來源：Argo AI
Argo AI用高精度地圖移除地面靜態物體。有了高精度地圖，再配合鐳射雷達鳥瞰圖，可以準確地移除基於地面的靜止目標，減輕自動駕駛的感知計算複雜程度，更容易識別出重要的運動目標。如果地面有坡度，這種演算法難度較高，Argo AI用準確的高度匹配和3D地圖解決這個問題，最終效果如右邊一列。
圖片來源：Argo AI
Argo AI用鐳射雷達和攝像頭自己製作了高精度地圖，左圖為鐳射雷達與攝像頭融合圖，右圖為高精度地圖。
Argo AI的驕傲之處是移動目標的軌跡預測，Argo AI在YouTube上兩段影片有直觀表示。
在移動目標軌跡運動預測中，Argoverse可以預測將來某個時間跟蹤物件的位置。許多車輛的運動相對無意義-在給定的幀中，大多數汽車都以幾乎恆定的速度停泊或行駛。這樣的軌跡很難代表真實的預測挑戰。Argo AI想要一個具有多種場景的基準測試，例如交叉路口，車道合併車輛減速，轉彎後加速，道路上的行人停車等。為了對這些有趣的場景進行足夠的取樣，Argo跟蹤了邁阿密和匹茲堡1006個行駛小時內的物體，並找到了Argo感興趣的車輛在那320小時內的行為。主要包括（1）在十字路口，要麼（2）左轉或右轉，（3）轉向相鄰車道，或者（4）在交通繁忙時 。Argo總共收集了324，557個5秒序列，並將其用於預測基準。
每個序列都包含以10 Hz取樣的每個被跟蹤物體的2D鳥瞰中心。每個序列中的“焦點”物件始終是車輛，但是其他跟蹤的物件可以是車輛，行人或腳踏車。它們的軌跡可用作“社會（Social）”預測模型的上下文。324，557個序列分為205，942個訓練序列，39，472個驗證和78，143個測試序列。每個序列都有一個具有挑戰性的軌跡。訓練、驗證和測試序列取自城市的不相連部分，即每個城市的大約八分之一和四分之一被分別留作驗證和測試資料。該資料集遠大於可以從公共可用的自動駕駛資料集中挖掘的資料集。如此規模的資料很吸引人，因為它使我們能夠看到罕見的行為並訓練複雜的模型，但它太大了，無法詳盡地驗證開採軌跡的準確性，因此，資料中固有一些噪聲和誤差。
Argo AI使用關聯速度（ Constant Velocity），最小近鄰（NN）和LSTM來做預測。給定車輛軌跡的過去輸入座標Vi ，其中對於時間步長t的 X，預測時間步長T的未來座標 Y。對於汽車，5 s足以捕獲軌跡的顯著部分，例如。過十字路口。Argo將運動預測任務定義為觀察20個過去的幀（2 s），然後預測未來的30個幀（3 s）。每個預測任務可以按相同順序利用其他物件的軌跡來捕獲交通環境併為空間環境對映資訊。
圖片來源：Argo AI
Argo使用最小平均距離誤差Average Displacement Error （minADE）、最小最終距離誤差 minimum Final Displacement Error （minFDE）可行駛區域服從度、DAC （Drivable Area Compliance）、Miss Rate （MR，閾值為1米） 來評估預測效果。minADE指的是軌跡的ADE，具有最小FDE，而不是最小ADE，因為要評估單個最佳預測。就是說，minADE誤差可能不是一個足夠的指標。K指一條路徑上的預測次數。如果只預測一次，LSTM效果比較好，預測多次，NN加地圖效能更好。無論哪一種，加了地圖之後效能都更好。
圖片來源：Argo AI
Argo AI在6個城市展開測試。每個城市都有獨特之處。匹茲堡，主要是有起伏的上下坡路、狹窄街道、眾多橋樑、五條道路的大型立交橋。底特律，四季分明，車道很寬，林蔭道很多，中央車道掉頭多。加州的PaloAlto，富豪雲集，多散步、跑步和騎行者。度假勝地佛羅里達的邁阿密則是什麼型別的交通元素都有包括輕便摩托車（mopeds）、滑板車（scooter）、滑輪者rollerbladers、平衡車hoverboards，還有重型卡車和公交車以及校車。德州奧斯汀跟邁阿密近似。華盛頓，交通堵塞嚴重，交通管制複雜，環島眾多。與Waymo主要在行人稀少，路況簡單的鳳凰城比，Argo AI的難度要高很多，Argo AI認為這6個城市覆蓋了美國的各種路況和氣候。
除了公開道路，Argo AI還有一個50英畝即大約20萬平米的自建封閉測試園區，園區內有16公里長的道路。
圖片來源：Argo AI
Argo AI當然也開發了模擬工具做虛擬測試。
Argo AI給出了自動駕駛的適用條件，即Operational Design Domain （ODD），最高時速不超過65英里也就是大約100公里。可以適應各種道路型別包括市區道路、郊區道路、村鎮道路、高速公路、快速路，還有停車場或停車庫，顯然，它可以做AVP全自動泊車。因為有鐳射雷達可以24小時全天候運作，不需要任何照明。天氣方面，下雨天也可以正常運作，只要不是暴雨，鐳射雷達基本可以正常工作。Argo AI也明確指出什麼條件下不行，比如離路Off-Road。氣候條件，大雪、雨夾雪、冰雹、凍雨、濃霧下不行。同時還有極端環境，比如地震、颶風、滑坡泥石流等。
在2021年5月，Argo AI公佈了自己最遠有效距離可達400米的鐳射雷達，很快就會用自行開發的鐳射雷達取代Velodyne的128線鐳射雷達。
和豐田一樣，大眾和福特的自動駕駛都是奔著自主量產方向的，不僅要低成本，還要自主掌控大部分系統，掌握大部分供應鏈，這也是
Waymo
潛在的危機，恐怕難有整車廠與其真心合作。
更多佐思報告
佐思 2021年研究報告撰寫計劃
智慧網聯汽車產業鏈全景圖（2021年４月版）
2021年佐思汽研6-7月活動
「佐思研究年報及季報」
主機廠自動駕駛
低速自動駕駛
汽車視覺（上）
汽車視覺（下）
商用車自動駕駛
新興造車
汽車MLCC
汽車分時租賃
高精度地圖
汽車模擬（上）
汽車模擬（下）
汽車與域控制器
APA與AVP
車用鐳射雷達
毫米波雷達
處理器和計算晶片
ADAS與自動駕駛Tier1
乘用車攝像頭季報
HUD行業研究
駕駛員監測
汽車功率半導體
Radar拆解
OEM車聯網
T-Box市場研究
汽車閘道器
車載語音
汽車線束、線纜
汽車智慧座艙
人機互動
V2X和車路協同
汽車作業系統
L4自動駕駛
專用車自動駕駛
計算平臺與系統架構
車載紅外夜視系統
共享出行及自動駕駛
高精度定位
汽車OTA產業
汽車IGBT
座艙多屏與聯屏
戴姆勒新四化
特斯拉新四化
大眾新四化
比亞迪新四化
智慧後視鏡
華為新四化
四維圖新新四化
燃料電池
AUTOSAR軟體
座艙SOC
線控底盤
車載顯示
路側智慧感知
自主品牌車聯網
汽車數字鑰匙
汽車雲服務平臺
無線通訊模組
ADAS/AD主控晶片
Tier1智慧座艙（上）
Tier1智慧座艙（下）
商用車車聯網
Waymo智慧網聯佈局
智慧網聯和自動駕駛基地
OEM資訊保安
商用車ADAS
自動駕駛法規
感測器晶片
L2級自動駕駛
智慧停車研究
汽車5G
TSP廠商及產品
合資品牌車聯網
汽車座椅
智慧汽車個性化
新勢力Top4
農機自動駕駛
礦山自動駕駛
ADAS資料年報
無人接駁車
飛行汽車報告
模組化報告
港口自動駕駛