（专栏作者 朱玉龙）这段时间随着向多位友人学习，也终于明白了一些为啥在国外Google和Apple都有意向在汽车这个行当里面做点什么，国内的金融资本和BAT互联网集团需要投资互联网背景车企业来进入电动汽车这个细分的领域。这篇文章，主要阐述了个人的理解，特别是做汽车工程研发领域的视角去理解整个故事，这里就存在了很多的片面性，如有误差请大家指正。
第一部分 电动汽车产业进入的过程
这里首先还是列举一下，本身电动汽车和互联网是两件不同的事情。为啥联系在一起，本质还是围绕内燃机的动力总成系统，包含了太多绕不开的东西。这里大量的企业进入去尝试，总体结果大家也看到了，就Tesla活下来了，成为一个正式的车企。
1. 大车&跑车：Tesla、Fisker、Lightning ：本身都有着好看和炫酷的外形，Tesla算是掌握住了电气化的动力总成，加上厉害的投资人；Fisker时运不济，和A123一起倒下了，Lightning就跟没量产。
2. 平民车：CODA、Bolloré、Better Place，这几天代工话题很火，其实这三家平民车系的产品都是代工得来的，CODA还在中国代工的，后两家找了雷诺。严格意义上Better Place是输在了巨大的电池储备运营资金压力上的，CODA这车在美国市场的平民车毫无竞争力而言。Bolloré给Autolib做单子，转手给雷诺做，还是没亏钱。
3. 微型车：Think、REVA、Commuter CARS、WHEEGO 、Mia electric、Aixam-Mega、Buddy Electric、Lumeneo、Myers Motors、EFFEDI 和 Tazzari，好多都是一早做了微型电动汽车，这块其实也和国内有些类似，作坊式的，成本比较高，市场作为特殊道路使用。在美国做，有点笑话的感觉了，在欧洲倒是类似Buddy、Lumeneo、MIA几家欧洲公司做着至少看得到前景的事情，奈何整个生产成本就不低，投入整车制造。
对上面所有发生的故事，可以做个小结。不同的新进企业，做出的产品是否有区分度，在哪里使用确实决定了这些企业。由于规模和运营模式上，基本还是汽车制造业的模式，总体来看，这些企业的成本是下不来了，既没有很高的生产效率也没有办法有效去调动供应链，获取平常车辆通过规模化压下来的零件价格，所以如果要统计这些车辆的实际成本和售价，把电池、电机和逆变器拿掉对应的成本远高于一辆普通燃油车，而且电池+电机+电驱动三样东西的成本，对应的发动机和变速箱的成本也是完败的。
图1 电动汽车企业
第二部分 个人交通服务的概念
从某种程度上，当个人交通演变成一种服务，当开车和相关的移动网络和IT网络进行结合的时候，就会形成未来的个人交通公司的形态。说的直接一些，其实个人交通公司做的不是车，而是一个工具，其基本的核心在于一套个人交通的解决方案；如果传统汽车业，有一个随着竞争慢慢剥离出研发和工程开发，直接归属于个人交通公司的话，这事就变成了个人交通公司的企业家做产品经理，传统汽车业做定制和代工了。事情其实从Urban Mobility开始(The Future of Urban Mobility 2.0 Imperatives to shape extended mobility ecosystems of tomorrow).
1.1 原有的汽车产业，无论是大小的车企，主要产品是车，所有的企业活动的现金流都是围绕车的设计、工程、制造、销售等环节走的。消费者要通过买车、租车、汽车共享、切换公共交通来实现交通。通俗点说，车企是卖车当工具卖的，给了一份工具说明书。
1.2 不管是国外的巨头也好，国内的几家互联网造车也好。做车，基本是一种行为，是基于信息扩展进入个人行为举止的一种手段。说句实在话，以后Google或者Apple基于用户数据的学习，可以将用户整个行为来分析出来，这种个人化的信息整合，是他的目标。
图2 不同的交通视角
注：我们这里还是定义一个个人交通公司，这和互联网企业还是有区别的。
所以很有趣的是，其实从另一个角度来看，随着信息和数据的累积，这些企业最终是用一种交通服务来替代原有工具行为。这个里面的含义区别甚大，本质而言，是可以建立一个大的生态，把你工作通勤、城际旅游、郊外周末旅游等一切行为分析出来，给你一个解决方案，这个事就有些颠覆了。
所以说的挺有趣的地方，对于这些个人交通服务公司真正价值大的地方就是to C，把握对个人的渠道，所有宣传也好、忽悠也好，消费者最终会上船的。人或者说消费者，最终是用最简单的办法去做选择。所以对现在这些公司而言，只要活下去建立一个生态，这个故事总有一家公司专注于交通服务来整合最好的工具。
图3 个人交通服务解决方案
第三部分 汽车使用的渐进改变
这里还是分析三种不同的切入路径。
1)短期路径分析
Google、苹果的Android Auto 和 CarPlay不管汽车企业是否自愿或是被迫，都会进入汽车里面，消费者会体验到更好的服务，这个服务后面是这两家企业会收集到用户的使用情况，作为将来整合系统的第一步。这个事情是现实在发生的，对汽车厂家而言，未来独立搞一套娱乐操作系统有些曲高和寡，所以很大的可能性，低端让位于手机占主导；中端车辆围绕两家巨头的系统做优化，高端车辆再独立做一些特色。
其实这个问题，从Car Sharing为例，也可以看出端倪。汽车厂家对于产品迭代的效率和系统升级的速度，是比较慢的，所以导致整个系统的体验要比消费电子差很多，这个现象不是在一块领域独有的，在运管领域也是一样的。传统的几家做的CAR2GO、DRIVENOW和QUICAR，由于领域的关系，即使做到了产品的极致，限于主业的原因，也不可能去过度切入其他领域。主业的效率和速度由于是制造业，在进入市场和发展市场，或者说拓展渠道的能力上，肯定是有欠缺的。
图4 Car Sharing的发展
2)中期路径分析
这块就是所谓的电动汽车和智能汽车的结合，也就是目前集中的互联网企业集中投资的所在。一方面是需要投资一个汽车产品，让客户感知其智能优越，一方面抓紧时间迭代智能特性。这里的区别，是推向客户还是内部测试。
图5 智能车辆演进图
智能汽车系统内核主要有测量(传感器感知车内外信息)、识别(车辆周边环境量化)、定位(位置确定和车辆姿态判定)、联网(车与后台，车车之间的数据交互)、路径(车辆的行驶路径算法规划)和执行(控制车辆的前进和转向)几个部分。
1 测量 传感器定义：智能汽车的技术演进很大程度上依赖传感器的进步。为了实现ADAS功能，检测障碍物的传感器包括摄像头、红外线传感器、毫米波雷达、激光雷达、超声波传感器等多个种类，这些传感器都各自有优缺点。现在的主流是“单目摄像头+毫米波雷达”的组合。低成本的单目摄像头与识别精度不受雨、雾等恶劣天气和夜晚影响的毫米波雷达实现了互补。以轻型车为主的低价位车也在积极采用红外线激光雷达。为了实现自动驾驶，各公司都决定大力发展整合控制多个识别传感器的传感器融合。摄像头有望成为识别传感器的主角。
2 识别 环境量化：通过传感器的感知，系统监控车辆周边环境识别，自动识别周围环境当中的障碍物(车辆、行人和动物等活动物体及其运动方向和速度)，同时对于车道白线，道路标志和信号灯也能进行正确判断。其中交通标志如限速牌、红绿灯，一般通过视觉系统完成，难点主要在实时性和鲁棒性，需要考虑道路中可能有的光线变化、遮挡等问题。
3 定位 车辆姿态：普通的GPS 的定位精度和鲁棒性远达不到ADAS运行的需求，GPS 官方定位精度“<10m”，更高精度的 GPS 需要通过补偿基本要依靠差分完成。基于基准站电波的D-GPS(Differential GPS)来推断当前位置。D-GPS是一项利用位置已知的基准站发送的电波、通过修正GPS信号的误差来提高位置精度的技术。为提高制作的地图信息精度，GPS采用了名为RTK(Real Time Kinematics)-GPS的系统，用普通手机等将来自已知地点的位置校正信息发送给正在行驶的车辆，从而可以实时检测车辆位置。据介绍，普通GPS有10m左右的误差，而RTK(Real Time Kinematics)-GPS可以将误差减小到几cm。差分的原理很简单：设置一个固定基站，固定基站校准位置，再将信号传递给车载设备，车载设备在接收到基站信号和 GPS 信号后差分获得。但是每一个基站的有效范围也就 30km，怎么大范围应用。于是有很多技术要解决 GPS 精度不足的问题，如地图匹配。车辆前方有障碍，障碍物是运动的还是静止的，车是停下来还是绕过去。我没仔细研究过这部分的内容，知道的算法是人工势场法。这部分主要的难度是从传感器识别障碍，在车辆运动的前提下，确定障碍的运动状态。也就是说你要在运动的坐标系下，计算另一个物体相对静坐标系的速度，并作出判断。
利用GPS的问题在于在高楼、隧道、山区等环境下就无法利用GPS测量位置。在树荫下、楼宇间、隧道内 GPS 信号无法到达，这时就需要里程计和陀螺仪(惯性导航单元)。这套系统的原理就是：花钱越多，有效时间越久。原因是里程计、陀螺仪都存在累积误差，也就是说上一时刻是 0.5m 的误差，下一时刻指定大于 0.5m。因此要尽可能约束累积误差，使其数量级很低，那么就要上光纤陀螺，电子级的陀螺通常达不到精度要求。
4 联网 数据交互：智能车辆通过通信，将其他车辆和基础设施(交通灯)，以V2V和V2I的能力，将道路上的信息通过联网的方式反馈给车辆。
5 局部路径 路径算法：在通向自动驾驶的路上，一定牵扯去哪，目的地由人决定，但是路线是车辆的位置和地图路径计算出来的，这部分算法地图导航中大量使用，通过一定的算法计算出路径之后车辆会跟随这条路径执行。在这块，存在车辆内或者云平台的机器学习的问题，如果采用车辆内部的学习，离线学习会导致算法有一定的局限性，在不同地区的系统存在地区差异性；车辆在线学习对车辆本体的计算要求是比较高的。
6 车辆控制 执行器：车辆控制这块，就涉及到加速、刹车和转向三项基本要素，对控制系统和执行系统的要求就比较高了。
3)长期路径分析
最终的分水岭，一定是已经做到了的自动驾驶。
一条线确实是传统车企的ADAS演进，一条线人工智能代表的深度学习，是属于IT产业的智能演进。
不管如何，5年布局、10年实验，15年为窗口期，我们都能看得到。这个图异常生动啊，现实一点，只要你决定上不上班，就可以了。这时候，再来谈自己买车自己开，驾驶乐趣什么的，好像不合时宜。
图6 未来的车辆使用
小结：
模式思维和工匠思维之间好像跨度挺大的，不同的人在交流的过程中，肯定是存在很大的差距了。不过换位思考来看，确实比的是谁更贴近用户，谁更效率高，谁的生态圈更全。有趣的是，在一个新公司进入产业初期，首先的产品形态还是产品，迭代的快速取决于能否分离可变和不可变的，用户感知的和不可感知的。
对于互联网造车、圈外人造车，欢迎大家发文来探讨：content@d1ev.com ，稿费从优。
相关文章：
李想：打造一个电动车企业大概需要多少钱？
沈海寅回应李想：电动汽车代工生产是可行的
专访 | 从奇虎360到智车优行，沈海寅要让电动汽车更懂你
沈海寅：奇虎360不会进入自己造车的领域
蔚来不是唯一！李想要造智能电动车 “车和家”大规模招聘
相关文章
[错误报告][推荐][收藏] [打印] [关闭] [返回顶部]
已有
