激光雷达与毫米波雷达哪个更适合无人驾驶？

一、激光雷达与毫米波雷达哪个更适合无人驾驶？

激光雷达具有高精度、高分辨率的优势，同时具有建立周边3D模型的前景，然而其劣势在于对静止物体如隔离带的探测较弱且目前技术落地成本高昂。激光雷达龙头公司Velodyne的64线产品供应价格高达8万美元，相对便宜的32线和16线激光雷达的价格也分别3万美元与8,000美元，价格是激光雷达普及的最大障碍。有意思的是，今年初谷歌宣布其自动驾驶公司Waymo将独自研发无人驾驶组件，其中包括激光雷达且其成本将下降90%至7,500美元。其他供应商也相当清楚激光雷达的高昂价格将不利于产品的普及，在实现量产后成本有望大幅下降。Velodyne认为激光雷达可能会在2018年后出现大规模采购，届时可能实现50万台的销量同时带来成本的急速下降，是极有潜力的增量市场。目前降低激光雷达成本的方法主要有两种：采用低线数雷达配合其他传感器以及用固态激光雷达代替传统激光雷达。

由于激光雷达可广泛应用于ADAS系统，例如自适应巡航控制（ACC）、前车碰撞警示（FCW）及自动紧急制动（AEB），因此吸引了不少具有先进技术的初创公司竞争，同时传统供应商也积极布局投资希望能够达成战略合作关系以便快速获得先进技术。大陆公司收购了Advanced Scientific Concepts（ASC）公司的高清3D闪存激光雷达业务，博世采用风投的方式对激光雷达初创公司TetraView进行了战略投资，后者是一家致力于分析捕捉超高分辨率 3D 图像的智能科技初创公司，基于 Flash 激光雷达技术，提供了一种使用激光灯来观察、监测周围环境的方法。

中国市场方面，陆续有科技公司开始研发车载激光雷达产品。深圳速腾聚创科技有限科技有限公司已经实现了激光雷达的量产，供货周期在4周。

- 毫米波雷达

与激光雷达相比，毫米波雷达具有探测距离远，不受天气状况影响以及成本低的优势。截止2015年，中国车载毫米波雷达销量为180万颗，而根据相关机构预测，到2020年，全球车载毫米波雷达的出货量可达7,200万颗，市场增量巨大。由于毫米波雷达采用硅基芯片，不会特别昂贵，也不涉及复杂工艺，同时正处于第二次工艺转型的重要时期，预计成本仍有下降空间。

目前，奔驰C级、E级、S级、R级、CLS、CL、GLK，丰田皇冠，雷克萨斯GS460、RX350，全新奥迪A4等中高端车型上均已普及毫米波雷达。跨国零部件巨头如博世，大陆等现已掌握77GHz毫米波雷达技术，国内企业的产品主要是中短距毫米波雷达。如杭州智波、芜湖森思、深圳卓泰、沈阳承泰、南京隼眼电子等，产品主要以24GHz毫米波雷达为主，对77GHz产品研发刚起步，但发展很快。其原因主要有三：一是去年工信部委托车载信息服务产业应用联盟开展77～81GHz毫米波雷达无线电频率技术研究试验工作；二是毫米波雷达芯片企业的收发片知识产权刚刚向中国放开；三是相关市场刚刚启动。中长距毫米波雷达具有巨大的市场容量，融合应用已经能满足ADAS系统的传感需求。相比激光雷达暂时高不可攀的成本以及较低的技术壁垒和自身可全天候工作的优势，毫米波雷达可以说是目前初创公司进入自动驾驶市场的一个门槛较低的入口。

转自：

搜狐科技 范子昕

二、自动驾驶毫米波雷达和纯视觉优劣？

自动驾驶系统通常采用毫米波雷达和纯视觉技术相结合的方式，来实现环境感知和车辆控制，而二者各有优劣。

毫米波雷达：

优点：

1. 雷达传感器可以在恶劣的天气条件下，如雨雪、雾等极限环境中正常工作，显著提高了自动驾驶系统的安全性和稳定性。

2. 毫米波雷达的感知距离远，可以在远距离上发现道路上的车辆、行人、障碍物等，并能够实现高精度的目标检测、跟踪和测距。

3. 毫米波雷达可以实现全方位感知，适用于自动驾驶系统中的环境感知、避障等功能。

缺点：

1. 由于基于雷达的传感器无法判断目标的具体形状和纹理等特征，因此其目标分类算法相对较为简单，难以实现目标的精细分类和识别。

2. 毫米波雷达在测距精度上虽然很高，但是在测量目标的位置、大小和形态等方面存在局限性，通常需要和其他传感器相结合使用。

纯视觉：

优点：

1. 视觉传感器可以提供更详细和准确的目标形状和纹理信息，因此其目标分类和检测算法更为复杂，可以实现目标的精细分类和识别。

2. 视觉传感器无须部署额外硬件，可以大幅降低自动驾驶系统的批量生产成本和维护成本。

缺点：

1. 同时，视觉传感器的感知距离较为有限，需要搭配其他传感器协同使用，例如激光雷达等。

2. 另外，在恶劣天气如雨雪、雾中，视觉传感器的性能会受到影响，因此需要降低自动驾驶系统的安全性和稳定性。

因此，毫米波雷达和纯视觉技术各有优劣，而综合使用两种技术，可以在保证自动驾驶系统安全性和稳定性的同时，实现目标信号的全方位感知和精细分类。

三、智能硬件供应链平台有哪些？

智能硬件供应链主要有产品构思，电子方案设计，id设计，外观设计，开模制造，认证检测，出手板，小批量生产。很多中小型企业没有这个能力把idea到产品上市，这也是很从创新创业者普遍面临的供应链墙。现在有类似硬蛋供应链这样的智能硬件供应链平台能够解决这些问题，方便创新创业者更快的让产品上市。

四、2023年汽车雷达安装费用详解：智能驾驶新选择

随着科技的发展，越来越多的汽车配备了雷达系统，以增强其智能驾驶能力。雷达设备不仅能够有效提升驾驶安全性，还能为驾驶员提供更流畅的驾驶体验。然而，很多车主对于汽车安装雷达的费用不甚了解。本文将详细探讨汽车安装雷达的费用构成、影响因素以及如何选择合适的雷达系统。

一、汽车雷达的种类

在了解安装费用之前，首先需要了解不同种类的雷达系统。汽车雷达主要分为以下几类：

• 自适应巡航雷达（ACC）：用于保持与前车的安全距离。
• 盲点监测雷达：可以在变道时监测车旁的盲区情况。
• 后方碰撞警示雷达：在倒车时帮助检测后方的障碍物。
• 前向碰撞警示雷达：用于提前警告驾驶员避开即将到来的碰撞风险。

二、雷达安装的费用构成

雷达安装费用通常由以下几个部分构成：

• 设备费用：这是购买雷达系统的基础费用，价格通常在几千元到上万元不等，具体取决于雷达的品牌和功能。
• 人工费用：专业技师的安装费用，每个地区的收费标准可能会有所不同，通常在几百到几千元不等。
• 配件费用：安装雷达可能需要配合额外的配件，如线束、支架等，这些配件的费用在选择不同雷达系统时会有所变化。
• 售后服务费用：部分厂家提供的保修或维保服务，可能会额外产生费用。

三、影响安装费用的因素

除了上述的基本费用构成外，还有多个因素会影响汽车安装雷达的总费用：

• 车型：不同车型的雷达安装位置及空间需求不同，复杂车型的安装费用往往更高。
• 雷达品牌：知名品牌的雷达系统通常价格较高，但其质量和售后服务更有保障。
• 安装店铺的服务质量：不同店铺的技术水平和服务质量会影响人工费用的高低。
• 地区差异：各地区的市场竞争程度以及生活成本的差异，也会导致安装费用的不同。

四、怎样选择合适的雷达系统

选择合适的雷达系统不仅能更好地匹配您的车辆需求，还能有效控制安装费用。以下是一些建议：

• 明确您的驾驶需求，比如是更偏向于日常通勤还是长途旅行，从而选择合适的雷达类型。
• 在预算范围内挑选性价比高的产品，对比不同品牌和型号的功能和价格。
• 选择有良好口碑的店铺进行安装，确保后续可以获得良好的服务。
• 关注产品的保修和售后服务政策，确保在设备出现故障时可以得到及时的帮助。

五、汽车雷达安装的市场趋势

随着智慧交通的不断推进和消费者对车载安全系统要求的提升，汽车雷达的市场需求呈现出上升趋势。越来越多的新车出厂时标配高级驾驶辅助系统（ADAS），这也将刺激二手车市场对雷达后装的需求。

未来，车主在选择和安装汽车雷达时将更多地关注于系统的智能化程度和功能的丰富性。同时，雷达系统的价格将随着技术的不断进步趋于合理，安装市场也将呈现更加透明的竞争状态。

总结

汽车雷达的安装费用因多种因素而异，通常在几千元至上万元之间。通过了解雷达的种类、安装费用构成及影响因素，车主能够更加明智地选择合适的系统并控制预算。随着市场的不断发展，车主对于智能驾驶辅助系统的关注度将愈发增加，选择合适的雷达设备将成为保障行车安全的重要措施。

感谢您花时间阅读本篇文章！希望本文能帮助您更好地理解汽车雷达的安装费用及相关知识，做出更明智的决策。

五、区块链助力智能硬件开发新时代

在当今科技快速发展的洪流中，区块链技术和智能硬件的结合成为了一个引人注目的话题。这个前沿领域正逐渐展现出无限的潜力和可能性，为我们日常生活中越来越多的智能设备赋予了全新的价值。在这一篇文章中，我将分享区块链如何激活智能硬件开发，并探讨这种结合所带来的改变以及未来的发展趋势。

区块链与智能硬件的基本概念

首先，我们需要对这两个概念有一个清晰的认识。区块链，作为一种去中心化的分布式账本技术，具有透明、安全和不可篡改的特性。而智能硬件是指那些能够执行特定程序、通过互联网与其他设备或系统进行通信的物理设备。这两者的结合能够创造出更为安全、智能且高效的设备，使得数据的处理和传输更加可靠。

区块链如何推动智能硬件的发展

想象一下，未来的智能设备可以不仅仅是为我们提供便利，它们还可以确保我们的数据隐私和安全。在账户被盗、数据泄露事件频发的时代，区块链的介入无疑是一剂强心针。下面，我将分享几个区块链在智能硬件开发中的具体应用：

• 数据安全性提高：区块链能够对智能硬件收集和传输的数据进行加密保护，确保数据在传输过程中的安全性。
• 去中心化控制：通过区块链，用户可以拥有自己设备的完全控制权，而不依赖于第三方平台，这不仅提高了用户体验，也增强了设备的安全性。
• 智能合约的应用：智能硬件可以通过智能合约自动执行特定任务，极大提高效率。例如，智能家居设备能够根据用户设定的规则自动进行操作。

实际案例分析

为了更好地理解这一创新方向，以下是几个结合区块链与智能硬件的实际案例：

• 能源管理系统：越来越多的智能电表借助区块链技术实现去中心化的能源交易，用户可以在平台上自由买卖电力，实现小范围的能源共享。
• 供应链管理：在智能物流领域，区块链帮助追踪设备和商品的每一个环节，确保信息透明和真实，从而减少损失和提高效率。
• 健康监测设备：一些健康监测设备将用户的健康数据安全存储在区块链上，只有用户和授权的医生能够访问这些数据，提高了隐私保护和医疗决策的科学性。

未来展望

随着技术的进步，区块链和智能硬件的结合将会继续深化。从智能家居到智能穿戴设备，这种结合将为我们带来更加个性化和智能的生活体验。不仅如此，随着5G技术的普及，智能硬件的互联性将进一步增强，区块链将能够更加有效地解决设备之间的信任问题，提高数据交换的效率。

常见疑问解答

在这一过程中，很多人可能会有疑问：

• 区块链技术真的能提高智能硬件的安全性吗？ 是的，去中心化的特性使得区块链的安全性更高，数据不容易被篡改或攻击。
• 未来的智能硬件会完全依赖于区块链吗？ 尽管区块链在智能硬件中有巨大潜力，但它并不会取代所有技术，而是作为一种补充。
• 我该如何选择这样的智能硬件？ 您可以关注一些新兴产品，查看其是否用到了区块链技术，并关注用户评价，以了解其安全性和实用性。

综上所述，区块链技术将为我们的智能硬件开发带来崭新的机遇和挑战。随着这些技术不断成熟，我相信，在不久的将来，我们将能够享受到更加安全和智能化的生活。

六、请检查智能驾驶辅助雷达可继续行驶什么意思？

这个意思是指智能驾驶辅助雷达检测到车辆周围环境是安全的，也就是说可以继续行驶。原因是智能驾驶辅助雷达通过感知周围环境获取到路面、车辆、行人等实时数据并处理，根据这些数据来进行判断、预警或者控制车辆的行驶。在检测到周围环境是安全的情况下，辅助雷达会发出提示，告知驾驶员可以继续行驶。如果驾驶员按照这个提示进行行驶，可以大大降低交通事故的发生率，保障车辆的安全行驶。所以，智能驾驶辅助雷达是非常有用的车辆安全辅助装置，可以有效地提高驾驶安全性和驾驶效率。

七、2022年比亚迪现有dmi或者ev车型的硬件配置能支撑以后通过OTA进化智能驾驶甚至无人驾驶功能吗？

答案简单明了——不能！

原因很简单，你想想你的手机就知道了。很多人把Ota想成一个万能的东西，仿佛什么东西一旦通过远程升级了，就解决所有问题。但是有没有考虑过软件会受制于硬件的能力呢？你的手机也可以实时联网，大多数厂家也会对以前的手机定期推送系统更新，但是你的系统再更新，那也是旧手机。到后期硬件跟不上的话，软件再升级就乏力了，甚至一般5年后，手机厂商也就不再为老款手机推送系统升级了。所以OTA并不是什么万能良药，顶多只能优化一些bug解决一些现有能力下的问题而已。

自动驾驶也同理，需要的硬件不是只有一个摄像头一个雷达这么简单，这里面最重要的东西是芯片呀！直接点说就是算力！算力不够，你有信息处理不了，那怎么实现自动驾驶。自动驾驶的需要采集的外部信息是一样的，无非就是摄像头和雷达采集到的路面信息和你行车电脑记录的自己车的信息，但是为了实现更高级的驾驶辅助，对输入的信息就要有更复杂的软件进行处理，然后就发现你的算力不够运行这些软件了。再举一个简单的例子，你20年前的电脑，开机装几个常用软件，你输入的信息还是键盘鼠标，但是电脑是不是卡的要死？不是因为键盘鼠标的输入信息变多了，是你运行的程序变大了而已。

作为电脑，你说程序大了，我卡一点，你等等它这些软件说不定也能用，但是作为自动驾驶，也就不可能行得通了。因为自动驾驶要求的是毫秒级反应，你算力不够，程序运行时间过长反应不过来，开在路上你可就撞上去了。目前宣传的最高的应该是蔚来et7，说是有1016tops算力，比特斯拉 Fsd强7倍，虽然这个算力用起来怎么样我不知道，但是人家至少有，那就有点实现的可能性吧。

一般厂商要做到什么样的目标，就会预留多少硬件和算力。因为这些硬件配置和芯片都是真金白银装在车上的，特斯拉和蔚来的驾驶辅助都离他们说的目标还远着呢，都敢放开了吹，为什么？因为他们花钱装硬件了，他得告诉你，你为买到的车掏的这些钱是有道理的，类似于给你画个饼。比亚迪目前的算力我没查到，估计离特斯拉Fsd的算力都差的远，人家也没宣传过这方面的东西，于是我非常有理由相信，饼都不给你画那就是没有。他的能力也就勉强应付一下现在的L2级的辅助，就这种级别的算力，你敢让他自动驾驶吗？你敢用厂商估计还不敢把升级推给你呢。

综上，更高级的驾驶辅助依赖的是高的算力，包括更多的“冗余”（无论是软件还是硬件），就目前而言，比亚迪现有的硬件无法在各方面支撑今后的自动驾驶要求，所以厂商都不会往这方面帮你升级算法。

八、如何看待魏牌 CMO 乔心昱称「真的不是装了激光雷达，就是真上车」？怎样才算真正有实力的智能驾驶？

乔心昱这么说是因为激光雷达是为了城市辅助驾驶而准备的，现在各种激光雷达的上车算是“预装”。虽然激光雷达车型已经上市了一堆了，但目前已经实现的高速辅助驾驶并不需要用上激光雷达，而需要用上激光雷达的城市辅助驾驶还没有一家车企落地，消费者并没有真正享受激光雷达带来的价值。

辅助驾驶作为现阶段智能汽车最大的卖点，可以帮助乘客从从A到B实现不干预的自动驾驶，系统会自动规划路线、自动加减速、自动变道。

辅助驾驶场景可以大致分为两块：高速和城市。高速由于是封闭道路，实现辅助驾驶难度相对较容易，所以绝大多数车企的辅助驾驶都纷纷优先选择先落地高速。但我们也知道，绝大部分人买车用车的场景其实是在城市，只有城市也实现了辅助驾驶，辅助驾驶的实用价值才会大大提升。于是城市辅助驾驶这一场景是智能汽车的下一个兵家必争之地。

不同于高速，城市有大量红绿灯、环岛、并线的操作，车道线也常常不清晰，同时城市路况经常人车混行，因此也需要更强的感知器件来识别不同交通参与者，于是我们看到激光雷达作为一种强力的感知元件，在近几年批量上车。

装激光雷达是为了更好地实现城市辅助驾驶，现在城市辅助驾驶还没有一家实现，这种软件未定，硬件先行的批量上车也叫“前装量产”。虽然激光雷达是被装上了车，但现在就算是城市辅助驾驶的Demo，发布的车企也屈指可数（小鹏、华为、智己、魏牌）。

激光雷达的价格不菲，消费者花大价钱购买回来，系统却迟迟不启用，显然是不划算的。购买包含激光雷达车型需要去关注车企落地城市辅助驾驶的时间表，这样才知道自己花的钱到底什么时候能“返现”。

在城市辅助驾驶的赛道上，目前跑得最快的车企是魏牌和小鹏，魏牌打算在今年Q4落地城市辅助驾驶NOH，而小鹏的时间点则是在明年落地，同样发布了城市辅助驾驶Demo的华为和智己则没有公布落地时间。

虽然魏牌在城市辅助驾驶上冲在了最前面，但魏牌的激光雷达车型才刚刚在成都车展亮相，也就是摩卡DHT-PHEV激光雷达版。对于魏牌来说，激光雷达上车是首次，但城市辅助驾驶却最快。这也意味着魏牌打算让这刚上车的激光雷达立刻投入使用，而不再是“前装量产”。

谈到自动驾驶，大家第一反应大部分还是新势力+特斯拉，这一次魏牌可以说是横空出世。魏牌之所以能快速落地城市辅助驾驶，也得益于其长城旗下的自动驾驶公司毫末智行。

毫末智行作为一家自动驾驶的后期之秀，已经发布了包括日间和夜间两种情况下的城市辅助驾驶，这项技术的落地，也就是摩卡DHT-PHEV激光雷达版的城市NOH。

这次城市辅助驾驶的落地用上了激光雷达，摩卡DHT-PHEV激光雷达版的激光雷达用的是2颗125线激光雷达，分别放在车头两角。配合5颗毫米波雷达、12颗超声波雷达、百万级像素环视摄像头四个，侧视摄像头四个，4颗800万像素感知摄像头。

这样的布置方式主要是为了探测城市路况下大量出现的加塞、行人或骑行者闯入。这两颗激光雷达不止在两侧可以对这些闯入的交通参与者进行快速反应，还可以对中央摄像头进行补盲，实现360度全覆盖。

城市环岛就是一个激光雷达派上大用场的场景，因为环岛会出现大量横向穿过的车辆，必须找准时机，从这些穿流而过的车辆甚至是摩托车中找准机会汇入车流，这就要求高频实时地对前面的交通参与者进行感知。

毫末智行曾发布过一个城市NOH一镜到底的视频，视频里的01:50就出现了环岛场景。视频里的环岛场景就出现了比较复杂的交通状况，需要完成避让穿过马路的行人、避让左侧方横穿的电动自行车、顺着车流往前三项任务。环岛的交通参与者非常多，激光雷达的加入，让车辆的感知系统做到了实时准确地将这些交通参与者都探测出来，并且引导车辆从这些交通参与者中间找准机会顺着车流驶出了环岛。整个过程非常自然，就像一位眼观六路的老司机。

激光雷达一直以来都被放在了视觉路线的对立面，特斯拉走的是纯视觉路线，并且坚决反对激光雷达，认为太多的传感器之间的输出结果不一样还会带来比较困难，还不如用一种传感器。

但就算是纯摄像头，也意味着单一传感器就只会输出单一结果。特斯拉的摄像头也有八个，同样也存在八个摄像头之间输入结果的融合问题。

特斯拉的做法是现将八个摄像头融合到一个向量空间里，让八个摄像头之前互补，构建起统一的3D空间结构，再在这个统一的3D空间里做决策。这样的方式叫做“前融合”。特斯拉把这套融合网络叫做“九头蛇网络”（Hydranet）。

所以关键并不是在于传感器的多少，而是能不能把不同传感器的传来的数据，映射到统一的向量空间里来做决策。于是我们看到了在毫末智行的方案里，他们也将摄像头拍摄的图片数据和激光雷达的点云数据先做前融合，映射到同一个时空坐标里，再做决策。毫末把这个融合机制叫做Cross-domain association。

这样的好处是可以结合图像数据和激光雷达点云数据两边的优点。

图像数据包含丰富的物体轮廓信息，方便用于进行物体分类。而激光雷达的点云数据包括物体的3D结构和位置信息。两者结合可以让系统快速定位物体的类型和距离。这样激光雷达就真正参与了辅助驾驶的决策，为辅助驾驶提供高质量的位置信息。

当然做到以上的一切的前提是，你得把不同种类的数据映射到同一个向量空间里。

这时大名鼎鼎的Transformer算法就登场了。目前特斯拉的八摄像头融合和毫末的激光雷达和图像的融合都用上了Transformer。

Transformer的首次应用是在谷歌的翻译算法上面，计算机有一类问题叫做自然语言处理（NLP），比如谷歌翻译就是一个NLP问题，系统需要识别人说的话，加以理解并且转换成另一种语言。

NLP问题里的一大难点就是人类的语句千变万化，经常会在很长一段话后再次指代前面提到过的对象，比如下面这段英文的指代词’it’指的其实是句子开始的动物（animal），而不是离它更近的街道（street）。

这样的结构就常常会让翻译的循环神经网络RNN懵逼，因为RNN是一个序列算法，会随着序列的变长而衰减，当你说到it的时候，RNN很可能已经把animal忘得差不多了，会认为It指的是离它词语更近的street，从而导致翻译错误。

于是谷歌搞出了Transformer。

Transformer直接把所有的词语全部打散，无视句子的结构长短，分别计算每个词语其他词的特征关联程度，如果两个词的特征关联度高，即使句子再长，它也会把两个词联系起来，这就让Transformer一出生就击败了包括循环神经网络RNN和卷积神经网络CNN等老牌算法^[1]。

翻译问题上把两个词联系起来，本质就是一种映射。

由于Transformer过于暴力好用，于是谷歌想，有没有可能把Transformer也用在图像识别领域，用以识别不同图像之间相同的物体。

于是Vision Transformer (ViT)就诞生了，ViT仿照语句翻译问题，把同一张图切分成不同的小图片，并分别识别这些不同小图片之间的特征相似度，由此判定整个大图片里分别具有哪些物体^[2]。

在ViT上谷歌野很快搞了个Demo出来，发现Transformer在图像识别上同样也有奇效。只不过ViT要求的数据量级要很大，非常大。只有在超大数据集的情况下，ViT的识别精度才会水涨船高。在小数据量的情况下，卷积神经网络CNN仍然是上选。

但要求超大数据集对于像谷歌这样的大公司来说根本不是问题，于是ViT从2020年一经发布，就把统治了计算机视觉40余年的卷积神经网络CNN的精度给超过去了。

Transformer要求超大的数据量，并且好像永远的吃不饱，随着数据量的上升Transformer的精度一直在上升，不像CNN在数据量上升到一定程度精度就停滞了。

这样要求超大数据量的算法，正常来说是个劣势，但放到拥有超大数据量的自动驾驶车企就不再是问题了。这对于拥有大数据量的公司来说是个好消息，意味着数据越多，上限也越高。

于是我们看到了特斯拉用Transformer来融合自己八个摄像头的图像数据。而毫末智行则用Transformer来融合摄像头和激光雷达两边的数据。

经过Transformer的融合后，智能驾驶系统就可以在一个统一的向量空间里做决策了，这样的会让整个系统决策的流畅程度大幅提升。高通Snapdragon Ride平台首发的5nm骁龙8540和7nm骁龙9000被用在了摩卡DHT-PHEV激光雷达版上，算力有360TOPS，为激光雷达和图像的融合和决策提供充足的算力。

不久前毫末智行有发布夜间NOH Demo的Demo视频，视频里的01:45秒出现了一个需要绕开违停车和逆行外卖小哥的场景。系统先是看到了有量压线停车的车尾凸在了外面，当系统想绕行时又遇到了一个逆向的外卖小哥。这时候系统的决策的优先级就变为优先让行外卖小哥，之后再绕行违停车辆。虽然这个场景涉及两个决策目标，但整个过程非常丝滑自然。并没有出现犹豫抽搐的决策打架。

目前业界采用Transformer实现城市级别辅助驾驶的公司也只有特斯拉和毫末，但其代表了以后城市辅助驾驶的发展方向。在自动驾驶的争夺战中，毫末可谓是毫无包袱，并没有拘泥于激光雷达或视觉之争。而是俱收并蓄，并通过先进的Transformer融合到一起，取长补短，最终把城市辅助驾驶的落地进度冲到了所有车企的最前面。

目前虽然有大量车上了激光雷达，但谁能真正落地城市的辅助驾驶落地，才是是各个车企激光雷达价值的试金石。自动驾驶的研发不仅有各种新势力，像毫末智行这样大集团孵化的自动驾驶公司同样干劲十足，助力摩卡DHT-PHEV激光雷达版成为最快落地城市智能辅助驾驶的车型。城市辅助驾驶的落地意味着从高速到城市的全覆盖，大大提高了辅助驾驶的实用价值，这也正是激光雷达上车真正的价值所在。

九、科技行业最新进展：人工智能、区块链、无人驾驶等领域的最新动态

人工智能领域

人工智能（AI）领域近期有重大突破。据报道，由谷歌旗下的DeepMind开发的AlphaFold蛋白结构预测系统在预测蛋白结构上取得了巨大成功，这一成就将有望为药物研发、基因编辑等领域带来革命性变革。

区块链技术

区块链技术一直备受关注。最新消息显示，全球知名跨国公司联合成立了一个区块链联盟，旨在推动跨境支付的安全和高效性，并减少传统银行系统的中间环节，这将为全球金融体系带来颠覆性的影响。

无人驾驶汽车

无人驾驶汽车也有重大进展。近日，一家领先的自动驾驶技术公司宣布成功完成了一次长途无人驾驶汽车实验，该实验中汽车自主驾驶数百英里而无需人为干预，这标志着无人驾驶技术正逐渐走向成熟。

结语

以上仅是科技行业新闻中的几个亮点。科技行业一直在不断创新，这些突破将直接影响我们的生活和未来。随着人工智能、区块链、无人驾驶等领域的不断发展，我们有理由期待更多的惊喜和变革。

感谢您阅读这篇文章，希望这些信息对您有所帮助。