大數據和自動化駕駛
A. 智能汽車與自動駕駛汽車的區別是什麼
對智能駕駛技術進行分解可以看到：智能駕駛的網路導航，解決我們在哪裡、到哪裡、走哪條道路中的哪條車道等問題；
自主駕駛是在智能系統控制下，完成車道保持、超車並道、紅燈停綠燈行、燈語笛語交互等駕駛行為；人工干預，就是說駕駛員在智能系統的一系列提示下，對實際的道路情況做出相應的反應。
駕駛輔助包括不少功能，其中比較有代表性的比如自適應定速巡航（也就是ACC），是用於定速跟車前進；又比如車道保持，能夠將車輛保持在車道內行駛。
這兩者相結合就是最新的堵車駕駛輔助系統，在堵車環境中能夠控制車輛的方向和走停。
首先可以確定的是，目前特斯拉的所謂自動駕駛系統，更准確的應該叫做「駕駛輔助系統」。
自動車道保持是一個駕駛輔助功能，會幫助車輛保持在行駛車道內，結合『自適應巡航』的智能安全跟車，這會使長途駕駛更加輕松。當然，駕駛員仍需要觀察周圍情況，並且隨時准備接管車輛。
Model S現在有了強大的自動泊車功能，駕駛者可以不用擔心復雜和困難的側方停車了。當在城市周圍低速行駛時，一旦特斯拉檢測到停車位置，儀表盤上則會出現『P』字樣。
自動駐車指南會在觸摸屏上連同後置攝像頭一起出現，一旦啟動了，它將會通過控制方向盤和車速來實現自動停車。
雖然特斯拉所配備的雷達、超聲波感測器、攝像頭以及GPS這些構成自動駕駛系統的硬體，在現有的量產車上並不少見，但是能夠將這四大裝備應用在自動駕駛功能上，使其能夠高度協同開展工作，特斯拉確實是第一家。
B. 物聯網應用技術和大數據和機械製造與自動化哪個畢業後待遇高啊
大數據好點，現在什麼行業都是大數據。如果太具體專業，以後不好轉行。
大數據可以進行業可以升級人工智慧，進可攻退可守
C. 自動化專業和大數據專業哪個好
自動化專業和大數據專業哪個好關鍵還是看您自己喜好學習哪一個，這兩個專業只要學的好都是今後的熱門專業，大數據的話一般與編程關系更近一些。
D. 自動駕駛以後會實現嗎
目前國內普遍採用的是美國汽車工程師協會SAE制訂的無人駕駛等級，分六個階段，分別是：L0沒有自動化，L1駕駛輔助，L2部分自動駕駛，L3有條件自動駕駛，L4高度自動駕駛，L5完全自動駕駛。前三個是人類駕駛，後三個為自動駕駛。
國內大多數車企如吉利、長安則已經實現了L2級別的自動駕駛，部分車企業已經宣稱達到L2.5級別自動駕駛，如小鵬G3。
那麼當前已經量產的汽車到了哪一個水平呢？答案是L3，代表車型是第四代奧迪A8。
國內今年即將上市小鵬P7號稱也能達到L3自動駕駛水平。
就目前的各項技術發展趨勢判斷，最早能夠實現量產的L4自動駕駛車型預計會到2022年左右實現，而L5級別的則會在2025年之後。
E. 為什麼車聯網會出現得比自動駕駛還早
即便在車聯網、自動駕駛等幾個互聯網造車者們比較熱衷的領域當中，據湯森路透2016年發布的報告顯示，在車聯網、自動駕駛領域，專利數量排在前列的企業是豐田、博世、電裝、通用等傳統巨頭，而無人駕駛的大熱門谷歌則名落孫山。
在這一階段中，上汽通用還將推動V2X技術開發，並形成車輛對於環境的全天候感知，同時基於雲端數據監測計算和大數據對比，進一步強化車主關懷的體驗。車聯網戰略的第三階段（2021-2025年），小目標3則是未來車聯系統，實現真正意義上的自動駕駛。以軟硬兼施的方式，通過軟硬體方面的整合和系統變革，基於5G超高速網路、增強現實（AR）技術的抬頭顯示系統將逐漸搭載上車。擺脫駕駛的疲勞，真正享受居家般的旅途生活。
F. 電氣工程及其自動化與大數據技術哪個好找工作
現階段還是電氣工程及其自動化專業比大數據技術好找工作，電氣工程比較通用，崗位需求較多。不過，大數據技術剛剛興起，前景較好，是計算機相關專業。如果准備本科畢業繼續深造考研，選大數據技術。
G. 電氣自動化與大數據哪個的就業好
黑龍江省自動化所，工控老馬。我個人認為是非常好，我在那學的，也從事了這個行業。
H. 深度：如何將深度學習和自動駕駛結合在一起
以下是演講內容的整理：
我是來自於底線線機器人汽車業務的負責人李星宇，地平線機器人成立有一年的時間，創始人余凱是網路深度學習研究院的院長，也算是國內第一個深度學習的研究院是他建立的。他成立了地平線這家公司，專注於深度學習技術的開發，所以在今天我想跟大家分享的主題就是：《如何將深度學習和自動駕駛結合在一起？》。
| 背景：復雜的駕駛環境正是深度學習的機會
應該說在今年的 AlphaGo 和李世石的對決當中，大家對於機器人的關注已經到了一個非常高的水準，其實自動學習已經有不少的時間。今年豐田有做過一個 Demo 的系統，他做了是 8 輛車並沒有被教任何的駕駛規則，就是隨意往前開，這 8 輛車會置於一個訓練系統之下，經過八個小時的訓練之後，八個小時下來沒有碰撞，這真是了不起的事情。
通過資本界我們來看，這些 10 億美元的投入都能真金白銀地證明整個業界對於深度學習和增強學習技術的看好。
為什麼我們需要把這樣一個技術運用在自動駕駛領域？千言萬語可以歸結為一句話就是復雜性。我們看到很多人在很多時候會質疑自動駕駛這件事情，其實他的質疑覺得就是復雜，你可以看到在十字路口，非常復雜的路況。包括中國進入汽車社會不久，駕駛技術有待提高的特殊的國情，變道非常頻繁，拐彎很多時候也很暴力。這樣一個場景其實對於傳統的 ADAS 有很大的挑戰性，而這種復雜性恰恰是深度學習的一個優勢。
當然很多人也會問，在自動駕駛領域是不是人就沒有作用了？我們很長一段時間在自動駕駛領域，人和車的關系其實並不是一個簡單的服務與被服務的關系，而是人和馬之間的關系。意味著是什麼？其實馬並不知道在一個大的方向該怎麼走，是快一點還是慢一點，這個是需要人來控制和調節。而馬能做的就是，無論你告訴還是不告訴，前面是懸崖就會停下來，意味著自動駕駛可以在微觀的一個層面，能夠把風險降到極低的水平。而在高層次的體驗層面，更多的是以跟人配合的關系，它會去理解你。所以在自動駕駛領域很重要的一個話題就是對於駕駛習慣的學習。自動駕駛習慣的學習不僅僅是一個標準的駕駛，還有包括特殊駕駛風格的學習。
這是一個非常標準的美國高速公路管理局的對於自動駕駛的分析。應該說，從我們跟車廠的溝通裡面可以看到，現在研發的重點還是基於 Leve13，就是高度的無人駕駛。它的主要不同跟 Leve4 的不同在於，一個就是保證在任何情況下都可以做緊急碰撞的防止，第二個就是在條件良好的道路上部分實現自動駕駛。
從現在實踐的情況來看，高速公路上應該不是有太大的問題。現在主要解決的是高速公路上的一些特殊的案例和條件比較好的城區主幹上的案例，比如上海的中環、內環、外環的情況下，尤其紅綠燈情況下需要一些特殊案例的深度學習。
| 深度學習為什麼受到重視？
我們介紹了一個背景之後，稍微回來談一下深度學習為什麼會受到重視。大家現在都覺得 " 深度學習 " 這個詞特別火熱。
第一個為什麼它會受到重視？
應該說深度學習出現的歷史其實非常久，最久的歷史可以追溯到 50 年代末，在漫長的發展時期裡面是幾經起伏，有它的高潮的時候也有低谷的時代。從現在的情況來看深度學習最具吸引力的一點就是端到端的學習。
舉例，以自動學習的系統去識別一個圖片，比如這個圖片上是一個人，它會把圖片作為輸入一個名字，你可以看到人臉的信息量通常是幾兆，幾百萬個位元組，最終輸出的就是幾個位元組，就是端到端，可以把非常復雜的非結構化的數字轉化為精簡數字化的表達，包括語音、語言、圖像、視頻都是非結構化的，包括金融的交易產生的數據都是非結構化的。
從目前的情況來看，第一個它非常適合大數據時代。在過去的年代，其實大家也是在研究深度學習的演算法，那個時候還不叫深度學習，叫深度神經網路。但是發現很難把它調校得好，因為那個時候學的都是一個小量的，幾千個樣本，想把它調到一個非常好的水準，其實是不可能的。後來大數據出來以後，這個性能就飆升，最終的一個例子就是 2012 年的時候愛萊克斯和他的老師參加了圖片分類識別的比賽，一下子從過去的 74% 提高到了 85%，非常大的一個進步。也就是說現在機器對於圖片的識別其實是優於人眼，所以實踐效果很好。比較通俗的說法，對於這種行為的一種模擬，這種說法可能不是特別的准確，事實上跟它相關聯的網路，按它的類似性來說是非常復雜的，而且現在沒有搞得特別復雜。
機器學習技術前沿，注意力模型。圖片上是對於人臉識別過程的一個描述，如果你拋開技術不看，你直接看，你會看到圖象識別的時候，每過一個識別階段，由很多個識別階段組成。它的圖像的信息會減少一些，最開始會把圖像的彩色性去掉，只留下一個歸錄信息。
第二步會把規錄中間的去掉，只留下邊緣線條的信息，然後線條會變成點，這是從低位空間向高位空間不斷的扭曲的過程，到最後它的圖片信息就會精簡到一個字母，所以這就叫多層的卷積神經網路。大家都知道這樣一個復雜的關系勢必會帶來數據極大的產生，因為肯定需要非常大的參數。
自動學習技術也在不斷地往前推進，我們現在看到各個領域都全面推進。
比如注意力模型，什麼叫注意力模型呢？舉例，在雞尾酒酒會上看到很多的人，但是你只跟其中一個或者幾個人談，這個時候你的聽覺系統只會注意到你想關注到的那個人的話，而把其他人的給屏蔽掉。解決了在復雜的語義環境下，會對特別的語音進行聚焦。當我們對這個婦女說，我要求你把飛盤作為聚焦目標的時候，機器系統可以把飛盤反射出來，也就證明它准確能夠聚焦到你想要它聚焦的部分，這個是非常關鍵的，因為這個系統是非常復雜的，而你只需要自動駕駛的系統關注車輛、車道線、人這些關鍵的信息，這樣一個技術可以使得它很有效的處理。
除了注意力模型以外還有其他的進展，包括長時短時的記憶力模型，這個是做什麼用？它會使深度學習，不僅僅是在空間，二維平面上有足夠的學習，它能記住過去發生的事情。剛才豐田的小車的 Demo 裡面可以看到，它對瞬間場景的處理做得很好，但是有沒有想過如果場景的處理手法依賴於過去的歷史怎麼辦？比如我們把魔獸和星際爭霸，下一步的動作取決於你的歷史狀態，這個時候要求你的深度神經網路需要足夠的記憶力，能夠記住過去的狀態，這個記憶力模型就是解決這個問題包括序列化等等。
增強學習
什麼是增強學習？
打一個比較形象的比方，如果過去的系統我們當做是計劃經濟的話，那麼增強學習就是市場經濟，可以理解它是一種結果導向的技術。准確描述這是一個智能主體跟環境不斷博弈而來優化的一個過程。比如剛才的豐田的小車是一個增強學習的典型的案例，如果它碰撞了給它懲罰，如果沒有碰撞給它獎勵，多輪的循環會加強這些行為，達到一個期待值。深度學習可以用來做環境的感知，而增強學習可以用來做控制的東西，這樣就可以構成一個完整的自動駕駛系統。
這是一個非常典型的汽車的自動駕駛系統的框架圖，在圖像的左側有各種各樣的感測輸入，這個數據來源於三個，汽車外圍的環境數據，汽車本身的狀態數據，比如車速、轉向，還有車內人的數據，是不是疲勞駕駛，是不是要轉彎。一個是感知的融合，一個是決策。
|深度學習讓自動駕駛從感知到控制
深度學習在中間的感知和決策都是有非常大的優勢，可以進一步把這個事情分解一下。
我們跟過內的主機廠接觸，由於現在國內有一些主機廠已經開始比較深的自動駕駛的研發，去討論大量的細節。我們可以簡單把它劃分成這樣的一個板塊，就是態勢感知和決策控制。
態勢感知和決策控制
態勢感知一部分就是對外的態勢，就是你要對整個的環境要有感知，對內就是對駕駛員的意要圖要有感制，包括意圖的判斷。包括對外部物理的辨識，哪些是固定障礙物，哪些是欄桿，哪些是可行駛區域。對於駕駛，包括狀態的識別其實非常重要。這也是整個自動駕駛業界流派之爭的一個焦點。
以谷歌為代表的，他們想做的是全自動駕駛，但是我們還是要一步一步來，這面臨有一個半自動駕駛的過程，谷歌覺得很難做到很好的人工和自動駕駛的切換，沒有辦法把這件事情做得特別的可靠。
其實這個我認為要這樣來看，首先主機廠其實是一定會按照循序漸進的過程來走，因為他們是造車的。第二個在這件事情上深度學習可以很好地幫助緩解這個問題。我們不能說一定能全部解決，至少能夠極大地緩解這件事情。因為深度學習對於駕駛員狀態的綜合理解比其他的手段要來得更好，因為它是基於大量對於駕駛員技術分析的基礎上建立對它的一個綜合理解，包括他的駕駛習慣、意圖等。
決策控制包括幾個部分。就是對於車輛來講有一個局部的運動路徑的規劃，另外規劃裡面還有一個駕駛風格的情況，比如需要運動感強一點的，都不一樣。最後一個是執行器控制，狀態之間形成一個閉環去調校。
應該說在現在有很多初創的公司，包括像英偉達這樣的公司做大量的嘗試，如何把整個的系統用深度學習的方法進行優化。英偉達做得比較暴力，直接忽略了中間的決策這一部分，是直接把感測器的輸入和車的狀態的輸入直接關聯，做這樣一個預測。也就是說 Y 就是執行器剎車、油門、轉向，輸入就是車的信息、環境的信息，非常暴力，不做任何中間人工智慧的分析。
自動駕駛還有一個非常重要的點，就是如何進行測試。
整個自動駕駛來講主要的投入還是在測試這塊，並不是做一套軟體系統就可以了。特斯拉做得很討巧，直接在量產上進行測試，所以短時間內積累了超過 1.76 億英里的速度。但是還是需要一個模擬系統去做這件事情，有一個模擬系統，如何在模擬系統各個主體能夠真實的模擬，這其實也是一個增強學習可以幫助你的。
當你創造了一個虛擬環境的時候，你希望用多台的計算設備去模擬一個目標，模擬幾十個人，模擬路牌等等，每一個都是動態的過程，它們不地變。比如紅綠燈會不斷地變，車輛動態的變化，這樣一個復雜的結構，其實很適合於深度學習和增強學習來做，包括結合模擬。
在這個方面德國的車廠寶馬和奧迪走得比較靠前，當然包括豐田其實也是一樣，做大量的工作，這個是奧迪的汽車大腦的構架圖，AUDI 的 zFAS。zFAS 系統模塊配備了 Mobileye 的 EyeQ3 移動處理器以及英偉達 TegraK1 晶元。奧迪的觀念非常清晰，自動駕駛的關鍵還在學習。
地平線在這塊領域也是進行了大量的工作，我們有一個品牌叫做雨果，這是汽車的一個開放平台。
（播放視頻）這個是雨果做的整個道路的語義理解，它可以把道路各個不同種類的物體運用不同色彩標識出來，比如柵欄是紅色，道路是綠色，樹木是深綠，汽車是紫色，這樣一個對於道路綜合語義理解對於智能駕駛系統是很關鍵的，很多道路也不是結構化的道路，比如鄉村的道路其實沒有車道線，柵欄也沒有，你沒有辦法通過車道線去自動駕駛，這個時候你要自己去決定該走哪一塊。
這是地平線做的識別，左上角是英偉達的，很遺憾不能秀一下動態的視頻。地平線是在北京做的測試，在這個路口的人其實非常的密集，地平線很好做了識別，並且對於計程車裡面的人，僅僅露一個腦袋的人也可以識別。
對於車輛檢測，地平線從去年 8 月開始，長期保持在 KITTI 排名第一的識別率。Densebox 就是測試的名字。
地平線是一家專注於演算法和晶元開發的公司，我們在最下端的解決方案，我們更多願意跟業界合作夥伴，各類的公司和主機廠一起合作，一起做最後的產品出來。地平線的演算法團隊其實蠻國際化的，助力的演算法團隊來自於像 facebook、網路、中科院。我認為在深度學習領域，我們中國第一次有機會基本上跟國際的主流的開發的機構處於差不多的一個水平線上，不能說是絕對的齊平，但是不會有太大的差別。
| 我們為什麼要自己做深度學習的晶元？
剛才趙總也分享了，為什麼我們需要深度學習的晶元，提到很多國內公司在宣稱自己在做這個，這是一件好事，因為大家都知道現在的計算結構不合理。
比如說舉一個例子，深度學習的輸入是高度密集化的，這種密集化輸入不太適合 DSP 這種，是流水線的，GPU 的一個問題在哪裡？
在多輸入之後的下一步處理，在數據緩沖方面做得不好。很不幸的是深度學習網路它的輸入是前後關聯的，在中間隱藏層的時候，這個卷積盒是要跟前置進行卷積計算的，這就意味著首先要取參數、計算，這就會導致在正常的一般結構下會大量的有外出效應。
第二個因為帶寬永遠是有限的。
第三個是功耗問題，這些都是非常實際的問題。
還有一點就是，深度神經網路的參數非常多.
整個業界都意識到，如果要在深度學習領域能夠做的話，像地平線得自己做晶元有點類似於手機業界，在大約十年前的時候，手機業界還沒有一個想法說一定要做自己的晶元，但是今天大家已經看得非常清楚，如果要想做起來必須做自己的晶元，蘋果、三星、華為都是自己的，如果你不這么做只是使用高通的平台，你還是可以做，但是很不幸你是第二梯隊。所以在深度學習也是一樣，你還可以用英偉達、高通的晶元，可是這不是第二名和第一名的差距，這是第二梯隊和第一梯隊的差距。因為演算法在演進，你如果用別人的話肯定是慢一拍的，這是一個問題。
國內有不少公司在做，包括有一家公司叫做（深建科技），最近他們發表了成績，就是 DPU，深度學習的處理器，他們在單位功耗下的性能表現是英特爾之前 CPU 的 24000 倍，是英偉達 GPU 的 3000 倍。而他們所做的優化的工作，恰恰是剛才我提到的問題，對於壓縮，對於訪問的優化，降低了功耗。
地平線也是一樣，我們非常清晰認識到這個問題，所以我們的做法也是這樣，我們地平線也是在做自己的晶元。我們希望在短時間內能夠把整個的能耗比提升千倍。
地平線現在專注的深度學習的技術的應用點有哪些？四個大塊，語音、語言、視覺、控制。應該說，這四個緯度可以構成大量的創新的應用，不僅僅是自動駕駛，還包括家庭的伺服器的監控等等。我們的目標是希望在未來，我們可以用我們自己的演算法晶元，跟廣大下游的夥伴進行合作，比如空調公司，比如掃地機器人公司等等，能夠覆蓋超過 1000 個品類的智能產品，我們的目標是為現代的智能硬體真正的賦予智能，所以我們的目標是定義物聯網時代的大腦。
我的分享就到這里，我們也是非常歡迎大家如果有意跟地平線合作，我們提供平台解決方案，而不是某個具體品類和最終的產品，謝謝大家。
I. 智能車等同於可以自動駕駛的車嗎
智能網聯汽車
和自動駕駛汽車關系緊密
雖然不是所有的智能網聯汽車
都會發展成為自動駕駛汽車
但自動駕駛汽車
一定要有智能網聯功能
對於自動駕駛汽車來說
智能網聯就是腦神經
自動駕駛汽車
需要有智能和互聯技術
將感測器收集反饋的路況信息
進行大數據分析結合高精地圖
給出最佳行駛路線規劃
通過智能輔助駕駛功能
實現自動駕駛
J. 自動化的大數據方向和智能控制方向哪個好
僅談談個人看法，供你參考：
大數據方向，是信息採集整合的方向，將來回以大的互聯網公司就答業為主，或者咨詢類公司，像現在的BAT。
智能控制方向則更貼近於工程技術，可以加入大的自動化設備/研發團隊，也可以自己創業做項目，就業方向更寬廣一些。
兩個方向前景都不錯，具體選擇還是要自己把握。