中国自动驾驶市场潜力巨大。麦肯锡预测，在中国乘用车市场，到2040年，自动驾驶将占乘用车总里程的66%左右，自动驾驶汽车销售收入将达到0.9万亿美元。市场收入将达到1.1万亿美元*1。作为智能汽车和智能交通发展的一贯方向，自动驾驶已被列为我国重点发展领域。《新一代人工智能发展规划》提出要重点发展汽车行业自动驾驶技术，在智能交通和自主无人驾驶技术平台建设上取得突破。这一过程的推进离不开云计算平台，也离不开云端大数据分析、物联网、人工智能的支持。自动驾驶的价值作为构建智慧出行服务新产业生态的核心要素，自动驾驶在提高道路利用率的同时，已经成为消费升级的新动力。随着自动驾驶水平的不断提升，也将加速汽车产业链价值重心进一步向后向服务倾斜，增加基于道路、交通等数字化服务的业务增长空间。消费升级：自动驾驶技术的应用，让驾驶者脱离了随时关注和调整汽车行驶状态的环境。通过人工智能，办公、娱乐、生活成为驾乘者汽车出行的新选择。传统消费向智能消费转型，实现消费体验全面升级。提高道路利用率：在城市交通中，由于车辆的增长速度远快于道路，再加上不良的驾驶习惯，如闯红灯、插队、路边停车等。道路拥堵已成为城市交通管理中的一大难题。问题。自动驾驶与智能交通管理协同使用，通过对路况变化的感知，自动调整车辆的行驶状态，更好地管理交通流量，从而有效释放道路资源，增强道路通行能力，缓解拥堵，提高道路利用率.减少碳排放：自动驾驶技术成熟后，共享出行将成为城市交通的主要方式。届时，可满足现有出行需求的汽车数量将大幅下降。根据密歇根大学的测算，一辆自动驾驶共享汽车（SharedAutonomousCar）可以替代9.34辆传统汽车*2。这不仅意味着车辆利用率的提高，而且车辆总量的减少将显着减少碳排放，实现低碳社会发展。我国自动驾驶发展的三个阶段具备条件，但受限于我国复杂的交通环境，如标志高度复杂、红绿灯和路标尚未完全标准化、驾驶员不良驾驶习惯等，导致自动驾驶初期使用，人多车流少的郊区多，驾驶要求也简单，行驶速度只能维持在60km/h以下的低速。第二阶段，~2027年：到2027年，自动驾驶技术不断发展，已经解决了大部分城市和郊区驾驶的需求条件，开始大规模商用。但自动驾驶还需要解决恶劣天气带来的信号差问题，以及农村特有的交通复杂性和路标不统一等问题。第三阶段，~2032年：中国市场“出行即服务”（MaaS）的快速增长带来了对自动驾驶出行的强劲需求。现阶段，随着自动驾驶技术的日益成熟和成本的逐步降低，自动驾驶将在城市、郊区和农村全面普及。从技术角度来看，自动驾驶的过程涉及到很多技术，其中感知、智能引擎和机器学习是三个关键点。感知：在工业互联网下，通过传感器、通信设备、连接设备等数字化技术，感知多车型、多场景的车辆数据。通过边缘端的多种传感数据交互和实时处理，实现实时可靠的系统响应和感知。智能引擎：在云层，结合大数据和人工智能，对采集到的海量车辆数据进行实时处理，做出智能决策，是实现自动驾驶的关键。这就要求自动驾驶系统具备高速可靠的计算能力，能够通过智能大数据分析对车辆行驶做出相应的决策。深度学习：在自动驾驶过程中，需要根据汽车的数据和性能评估进行智能判断、诊断和维护，这就对深度学习提出了要求，需要先进的深度学习框架，通过基于数据的机器学习建模。训练和提高。AWS加速自动驾驶。世界先进的传统汽车制造商劳斯莱斯、宝马、沃尔沃、丰田、雷莫、福特、德国奥迪，以及Lyft等新兴出行服务商，都基于AWS，以及物联网、大数据和人工智能，满足车联网和自动驾驶的开发部署需求。基于云平台灵活丰富的计算资源，在运用大数据技术和先进的人工智能算法的基础上，AWS自动驾驶系统分为汽车和云（平台）两层。通过车云协同，一套完整的AWS服务可以助力自动驾驶的开发和部署。AWS拥??有用户需要的存储，支持海量数据存储。AWSSnowballEdgeStorageOptimized提供100TB的容量和24个vCPU，以满足本地存储和大数据传输需求。AmazonElasticComputeCloud(AmazonEC2)P3实例提供灵活而强大的高性能计算能力，可实现高达1petaflop的混合精度性能，显着加速机器学习和高性能计算应用程序。AmazonEC2P3实例支持所有主流机器学习框架，包括ApacheMXNet、TensorFlow和PyTorch。AmazonSageMaker机器学习托管服务使自动驾驶开发人员能够快速构建、训练和部署机器学习模型，减少研发工作量，同时降低成本并缩短产品发布周期。AWSIoTGreengrass提供边缘计算和机器学习推理功能，以实时处理车辆中的本地规则和事件，同时最大限度地降低将数据传输到云的成本。下面我们通过两个实际案例来看看AWS是如何助力自动驾驶的。ToyotaResearchInstitute使用AWS深度学习来加快自动驾驶的速度。自动驾驶系统的研发和部署需要IT具备海量数据的采集、存储和管理能力，高性能的计算能力和先进的深度学习技术，以及实时处理车辆数据的能力。丰田旗下的丰田研究院（TRI）的首要任务之一就是通过人工智能帮助丰田生产出更安全、更好用、更环保的汽车。为此，基于AWS云服务，使用AmazonEC2P3实例、AmazonSimpleStorageService(AmazonS3)、AmazonSimpleQueueService(AmazonSQS)和AWSWebServices构建了一个可扩展的高性能解决方案。AmazonEC2P3实例提供机器学习模型训练所需的核心计算能力。在对模型进行快速优化和再训练的基础上，模型训练时间缩短75%，显着加快TRI自动驾驶研发速度；通过AmazonS3，TRI可以在任何地方快速存储和检索任意数量的数据，并将这些数据用于机器学习模型和模拟的分析和再训练；TRI还使用AmazonSQS来协调远程数据采集站点之间的数据传输，并根据需求调整计算和存储资源。通过该方案的部署，TRI的数据科学家和机器学习工程师可以更快地迭代，训练更多的模型，在应用中建立竞争优势，从而缩短自动驾驶的研发周期，帮助丰田在未来更安全地生产。汽车正朝着这个目标前进。AWS助力TuSimple开发无人驾驶卡车系统TuSimple（以下简称“图森”）成立于2015年9月，一直专注于商用L4级（SAE标准）无人驾驶卡车解决方案的研发。该方案以摄像头为主要传感器，集成激光雷达和毫米波雷达，实现感知、定位、决策、控制等无人驾驶核心功能。开车的人。借助AWS云服务，图森加快了该方案的开发效率和速度，降低了开发成本。AWS拥有用户需要的计算和存储。通过AWSSnowballEdge，图森可以加速将海量数据传输到AWS云进行处理，从而图森可以进行非常广泛的模拟驾驶测试；通过AWS弹性云服务，TucsonSen能够创建和训练其深度学习模型，将训练时间从几天缩短到几小时。借助AWS，Tucson构建了一个自动驾驶模拟平台，该平台可以在其用于驾驶卡车的每种算法上运行数百万英里的模拟，从而使安全可靠的自动驾驶汽车成为现实。实现自动驾驶，不仅需要通过传感器感知周围环境，还需要更强大的数据分析能力，通过数据进行智能决策和控制。为自动驾驶开发的AWS云服务，借助云计算、大数据、物联网和人工智能，加速了汽车制造商和研发机构在自动驾驶系统方向的研发进程。借助AWS云服务，TRI和途胜加快了自动驾驶研发速度，不断向可靠、安全的自动驾驶迈进。*1来自麦肯锡，《自动驾驶在中国》*2来自密歇根大学交通研究所，《Potential Impact of Self-Driving Vehicles on Household Vehicle Demand and Usage》*2来自麦肯锡，中国将如何推动自动驾驶汽车的发展，https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/how-china-will-help-fuel-the-revolution-in-autonomous-vehicles
