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，自动驾驶将占到乘客总里程的约66%，自动驾驶车辆的销售收入将达0.9万亿美元，与自动驾驶相关的移动出行所带来的市场收入将达1.1万亿美元*1。自动驾驶作为智能汽车、智能交通发展的一致方向，已经被我国列为重点发展领域。《新一代人工智能发展规划》提出要重点发展汽车产业中的自动驾驶技术，并且要在智能交通建设和自主无人驾驶技术平台等方面实现突破。而这一进程的推进离不开云计算平台，以及云层之上大数据分析、物联网、人工智能的支撑。
自动驾驶作为构建智慧出行服务新型产业生态的核心要素，在提高道路利用率的同时，还成为了消费升级的新动力。随着自动驾驶的不断完善，还将加速汽车产业链价值重心进一步向后服务倾斜，提高基于道路、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，让驾驶员能够从随时关注和调整汽车行驶状态的环境脱离出来，通过人工智能，办公、娱乐、生活等成为驾乘人员在汽车出行中的新选择，人们从传统的消费转变为智能消费，实现了消费体验的全面升级。
提高道路利用率：在城市交通中，由于车辆增长速度远大于道路增长速度，再加上不良行驶习惯，例如抢红灯、插队、路边乱停车等，使得道路拥堵成为城市交通管理的一大难题。自动驾驶与智能交通管理的协同使用，能够通过对路况变化的感知，自动调节车辆驾驶状态，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。
降低碳排放：自动驾驶技术成熟后，共享出行将成为城市交通的主要模式。届时，满足现有出行需求的汽车保有量将显著下降。根据密歇根大学的测算，一辆自动驾驶共享汽车(Shared Autonomous Car)可以取代9.34辆传统汽车*2。这不仅意味着车辆利用率的提高，同时车辆总量的减少将大幅降低碳排放，实现社会发展低碳化。
我国自动驾驶的发展历程可以分为三个阶段*3：
![]()
来源：麦肯锡，How china will help fuel the evolution in autonomous vehicles
第一阶段，~2023：在这一阶段，自动驾驶技术已经准备就绪，但受限于我国复杂的交通环境，例如高度复杂的标识、交通信号灯和道路标志尚未完全标准化，以及驾驶员不良习惯驾驶等，导致自动驾驶的初步使用，更多的在具有更少交通流量且驾驶要求更为简单的郊区进行，且驾驶速度只能维持在60km/小时以下的低速。
第二阶段，~2027：到2027年，自动驾驶技术不断发展，已经解决了城市和郊区驾驶的大部分所需条件，开始得到大规模的商业化采用。但自动驾驶还需解决坏天气带来的信号不佳，以及乡村独特的交通复杂性以及道路标识不统一的问题。
第三阶段，~2032：“移动即服务”(MaaS)在中国市场的快速增长，带来对自动驾驶出行的强烈需求。在这一阶段，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、郊区和农村得到全面采用。
从技术角度而言，自动驾驶的过程涉及众多技术，其中感知、智能引擎和机器学习这三点非常关键。
感知：在工业互联网下，通过传感器、通信设备以及连接设备的数字化技术来感知多车型、多场景车辆数据，通过传感多数据交互，边缘端实时处理，实现实时、可靠的系统响应和感知。
智能引擎：在云层之上，结合大数据和人工智能，对收集的车辆海量数据进行实时处理，并作出智能决策，是实现自动驾驶的关键。这就需要自动驾驶系统具有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决策。
深度学习：自动驾驶过程中，需要对基于汽车行驶的数据、性能评价进行智能判断、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，通过机器学习建模根据数据进行训练和改进。
全球先进的传统汽车制造商Rolls-Royce、BMW、Volvo、Toyota、Remault、福特、德国奥迪和新兴出行服务商如Lyft都是基于AWS ，以及云层之上的物联网、大数据和人工智能，满足车联网和自动驾驶的开发和部署需求。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基础上，AWS自动驾驶系统分为车、云(平台)两层，通过车云协同，AWS一整套服务可助力自动驾驶的开发和部署。
AWS 具备及用户所需的存储，支持海量数据存储。AWS Snowball Edge Storage Optimized 提供了 100 TB 的容量和 24个 vCPU，满足本地存储和大型数据传输需求。
Amazon Elastic Compute Cloud (Amazon EC2) P3 实例提供灵活且强大的高性能计算能力，可以实现高达 1 petaflop 的混合精度性能，显著加快机器学习和高性能计算应用程序的速度。且Amazon EC2 P3 实例支持所有主流机器学习框架，包括Apache MXNet、TensorFlow 和 PyTorch 等。
Amazon SageMaker 机器学习托管服务，能够让自动驾驶研发人员快速构建、训练和部署机器学习模型，在减少研发工作量的同时降低成本，缩短产品面世周期。
AWS IoT Greengrass 提供边缘计算及机器学习推理功能，可以实时处理车辆中的本地规则和事件，同时尽可能降低向云传输数据的成本。
下面我们通过两个实际案例看看AWS 如何助力自动驾驶。
自动驾驶系统的开发和部署，需要IT具有收集、存储和管理大量数据的能力，高性能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所(Toyota Research Institute，以下简称TRI)的首要任务之一就是通过人工智能，帮助丰田生产更安全、更可用、更环保的汽车，为此，他们在AWS云服务基础上，通过Amazon EC2 P3实例、Amazon Simple Storage Service (Amazon S3)、Amazon Simple Queue Service (Amazon SQS)和AWS网络服务构建了一个可扩展且高性能的解决方案。Amazon EC2 P3实例为机器学习模型培训提供了所需的核心计算能力，在快速优化和重新培训模型的基础上，将培训模型的时间缩短了75%，显著加快TRI的自动驾驶研究和开发速度;通过Amazon S3，TRI能够快速存储和检索任何地方任何数量的数据，并将这些数据用于机器学习模型和模拟的分析和再培训;TRI还使用Amazon SQS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。通过这一方案的部署，TRI的数据科学家和机器学习工程师能够更快地迭代、培训更多模型，并在应用程序中建立竞争优势，从而缩短研发自动驾驶研发周期，向未来帮助丰田生产更安全的汽车这一目标迈进。
创立于2015年9月的TuSimple(以下简称“图森”)一直专注于研发可商用的 L4 级别(SAE 标准)无人驾驶卡车解决方案。该解决方案以摄像头为主要传感器，融合激光雷达和毫米波雷达，实现了感知、定位、决策、控制等无人驾驶核心功能，能够让货运卡车在干线物流场景和半封闭枢纽场景中实现全无人驾驶。借助AWS云服务，图森加快了这一解决方案的开发效率和速度，并降低开发成本。AWS具备用户所需的计算和存储，通过AWS Snowball Edge，图森能够加速将海量数据传输到AWS云并进行处理，从而让图森能够进行非常广泛的模拟驾驶测试;通过AWS 弹性云服务，图森能够创建和训练其深度学习模型，从而将培训时间从数天缩短至数小时。借助AWS，图森建立了自主驾驶仿真平台，可以在其用于导航卡车的每一种算法上运行数百万英里的模拟里程，从而使安全可靠的自动车辆成为现实。
自动驾驶的实现，不仅要求通过传感器对周围环境实现感知，同时具备更强大的数据分析能力，通过数据进行智能决策和控制。针对自动驾驶开发的AWS云服务，借助云计算、大数据、物联网、人工智能，加快了汽车制造商和研发机构在自动驾驶系统这一方向的研发进程。借助AWS云服务，TRI和图森加快了自动驾驶研发的速度，向可靠、安全的自动驾驶不断前进。
* 1来源 麦肯锡，《自动驾驶在中国》
* 2 来源 University of Michigan Transportation Research Institute，《Potential Impact of Self-Driving Vehicles on Household Vehicle Demand and Usage》
* 2 来源 麦肯锡，How china will help fuel the evolution in autonomous vehicles, https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/how-china-will-help-fuel-the-revolution-in-autonomous-vehicles
