3S Market deliver Smart and Valuable information for Business
3S Market 傳遞 智慧應用與價值的商業資訊
SAP's View on Network of Digital Twins
今日主題 工業 4.0 \智慧車載交通\智慧經營管理
工業 4.0 智慧工廠
智慧車載交通與能源環保
|
2019年8月7日 星期三
．台灣、國際與中國這些巨頭佈局 AIoT 晶片，背後的原因是什麼？
AI Chipsets for Wireless Networks and Devices, Cloud and Next Generation Computing, IoT
近年來，AIoT 這一詞彙，漸漸活躍在人們的視野中。所謂的 AIoT，即 AI＋IoT，意思是將人工智能慧技術，與物聯網技術相結合，形成新的一門融合學科。
伴隨著人工智慧技術的發展，傳統物聯網設備將趨向於智慧化，從而形成 AIoT 人工智慧物聯網，使「萬物互聯」向「萬物智聯」進化。
當然，技術的發展與市場需求是密不可分的。人們面對智慧化應用的需求越來越多，AIoT 就面臨著更加複雜的場景，人們需要為其提供更高效的運算，以獲得更快的響應。值此背景下，AIoT 晶片應運而生，在面向 AIoT 場景任務時，它比傳統通用晶片在算力及功耗上的更加具備優勢。
AIoT晶片是什麼？
什麼是 AIoT 晶片？眾所皆知，IoT 設備與手機，這類行動通訊設備是不一樣的，IoT 設備多種多樣，面對的場景應用也不同，對 AI 算力的要求也有所差別。
現階段尚未開發出能夠跨設備形態存在的通用晶片架構。因此，只有從 IoT 的場景出發，設計客製化的晶片架構，才能在大幅提升性能的同時，降低功耗和成本。
同時滿足 AI 算力，以及跨設備形態的需求，這樣的專用晶片，被稱之為 AIoT 晶片。
實際上，AIoT 晶片並不是一個獨立的晶片個體，目前市場首批 AIoT 晶片幾乎都是結合了CPU、GPU、FPGA 和 DSP 等核心零組件組合而成。不過青出於藍而勝於藍，AIoT 晶片與傳統晶片，相比確實存在不少差別。
在這裡我們以自動駕駛場景為例，介紹下 AIoT 晶片和傳統晶片的區別：
從性能層面出發，當自動駕駛在遇到路面前方的紅綠燈時，如果採用 CPU 進行運算，那麼車輛可能已經產生了闖紅燈等違規行為，因為運算速度太慢，還來不及反應；如果採用 GPU 進行運算，運算速度會大幅增加，但同時也會產生巨大功耗，很有可能汽車確實在遇到紅燈時停下了，可能不是因為紅燈才停下，而是耗能都供給了 GPU 運算之用，已經沒有多餘的能耗繼續前行了；相比之下，採用 AIoT 晶片不僅能大幅提升自動駕駛過程中的運算速度問題，還能減少能耗。
從工藝製造層面來說，AIoT 晶片由於應用場景，和 AI 算法相對確定，因此在硬體設計上要求更加專業化。傳統的 CPU 和 GPU 晶片，採用以指令流的馮諾依曼式計算架構，和計算模式來運行，而 AIoT 晶片多採用類腦或仿腦的架構方式，能夠突破內存牆的計算瓶頸。
因此，相較傳統晶片而言，AI 晶片可以利用更低的主頻、更小的晶片面積，完成 AI 計算任務，實現成本、功耗、算力等多樣化需求之間的完美平衡。
這些企業啓動佈局，搶佔市場先機
聯發科
在今年 4 月，聯發科發佈了兩大 AIoT 晶片平台，分別是 i300 和 i500。i300 適用於語音和視覺設備應用，能夠用於開發針對家庭、物聯網及其他便攜設備的產品；i500 則整合了更強大的 AI 處理器，雙核 AI 處理器（DSP）工作頻率達 500 MHz，支持深度學習、神經網路加速和電腦視覺應用，適用於臉部辨識、對象辨識、場景辨識分析、光學字符辨識等場景。
7月，聯發科又推出了最新一代 AIoT 晶片平台 i700，採用八核架構，整合了兩個工作頻率 2.2 GHz 的 ARM Cortex－A75 處理器與六個工作頻率為 2.0 GHz 的 Cortex－A55 處理器，同時搭載工作頻率為 970MHz 的 IMG9XM－HP8 圖形處理器，還搭載了聯發科技的 CorePilot 技術，應用於智慧城市、智慧建築和智慧製造等領域。
恩智浦
恩智浦可謂是 AIoT 晶片裡「骨灰級」玩家之一。早在18年2月，恩智浦就推出了 AIoT 晶片，這款晶片集恩智浦的 i.MX 應用處理器系列，和 WiFi/藍牙解決方案於一體，並整合到更小的尺寸空間中。
這不僅解決了當下物聯網設備中，實現客製化晶片的尺寸極度受限的難題，而且還提供了更高的跨系統效率。這種前瞻性的設計，也給後來的佈局者帶來不少靈感。
華為
華為除了在行動晶片領域，具有代表作海思麒麟晶片以外，在 AIoT 晶片領域同樣不甘示弱。率先切入的應用領域，也相當貼近百姓的生活，那就是智慧電視。
華為榮耀最近推出的鴻鵠 818 性能頗為強悍，搭載 Video Decoder 模組，可以支撐 8K＠30Hz 的影像播放，播放 8K 影像，相當於播放 4 倍的 4K 影像。這代表著採用鴻鵠 818 晶片的設備，在打開目前主流的 4K 影像時，從點擊到開始播放僅需 1.3 秒，相比競品速度快了近一倍。
榮耀還曾表示，是以做手機的精神來做智慧電視。可以想像在這款產品上，將會有很多在傳統電視上，無法想像的新功能，而出色的晶片性能，是實現這一切的基礎。
百度
2018 年 7 月，百度在 AI 開發者大會發佈了對岸中國第一款雲端全功能 AI 晶片「崑崙」，其中包含訓練晶片崑崙 818－300、推理晶片崑崙 818－100，主要針對 AI 大規模運算需求。
時隔一年，百度又交出了亮眼的成績單。在今年的 AI 開發者大會上，百度新推出鴻鵠晶片，繼崑崙晶片發佈後，晶片層面又一力作。作為百度自主研發的 AIoT 晶片，鴻鵠晶片主要面向智慧語音應用，而且還採取了車規標準設計，無論是在智慧硬體上，還是在未來汽車智慧語音應用上，都留有非常大的想像空間。
阿里巴巴
阿里近年來對待科技研發格外的積極，除了最早成立的「達摩院」、「羅漢堂」以外，又成立了一家晶片公司「平頭哥」。
正所謂生死看淡，不服就幹。「平頭哥」在晶片研發領域也不落人後。就在最近，「平頭哥」正式發佈了首款 AIoT 晶片，名字也很有意思，名叫玄鐵 910。
要知道，「玄鐵」之名來自於金庸小說中獨孤求敗，所用的第一神劍「重劍無鋒，大巧不工」，後被郭靖夫婦熔鑄成倚天劍和屠龍刀。這莫非意味著，玄鐵 910 將成為 AIoT 晶片業界「神器」般的存在？
果然，據資料顯示，玄鐵 910 已成為目前業界性能最強的 RISC－V 處理器之一，算力高居全球第一，Coremark 跑分更是超過第二名 40％ 以上。玄鐵 910 單核性能達到 7.1 Coremark/MHz，主頻達到 2.5GHz，性能極其強大，能應用於 5G、人工智慧以及自動駕駛等領域。未來，平頭哥還要打造面向汽車、家電、工業等諸多行業領域的智聯網晶片平台。
小米
可能很多人無法想像，小米也會是 AIoT 晶片佈局者之一。小米旗下華米科技，曾發表了全球可穿戴領域第一顆 A 晶片「黃山 1 號」，它由 RISC－V 開源指令集構成，整合了 AI 神經網路模組，可在不聯網的情況下，進行本地的數據運算和處理，透過內置 Heart Rate、 ECGEngine、ECGEnginePro、Arrhythmias 四大驅動引擎，華米科技實現了對心率、心電、心律失常等進行即時監測與分析，可廣泛應用在各類智慧可穿戴設備中。
今年 4 月，小米集團發佈內部郵件宣佈：旗下松果電子團隊重組，部分分拆組建新公司南京大魚半導體，專注於 IoT 晶片；松果電子則繼續專注於手機 SoC晶片 研發。
小米做出這樣的決定，其實不難理解。手機晶片是一項研發投入極高、回報週期長，以及長期技術沈澱的工作。自從 2017 年澎湃晶片 S1 沈寂之後，小米的手機晶片研發陷入了僵局。
即使是海思麒麟晶片從研發到商用，再到抗衡國際廠商，也經歷相當長的一段時間。但反觀在智慧家庭領域，小米很早就開始了佈局，如今已經形成了「小米生態鏈」的優勢，AIoT 已經成為小米最為重要的測略方向，佈局 AIoT 晶片也是意料之中。
紫光展銳
今年7月，紫光展銳在 ArmPSA 安全架構技術研討會上，分享了基於 Arm PSA 框架的安全 AIoT 晶片解決方案。
據瞭解，這套 AIoT 晶片解決方案，提供業界客戶端到端，具備安全可信運算能力和通信能力，能實現智慧化辨識，並支持不同廠商設備間的協議和資料交換，解決物聯網碎片式的互通問題，同時還將相容各種廠商設備的接入方式，實現 24/7 即時管理和失效預測，並對無線網路頻譜和服務進行優化，為用戶提供優異的使用體驗。
雲知聲
2018 年上半年，雲知聲推出了首款 AIoT 晶片 UniOne，並帶來其解決方案雨燕（Swift）。據悉，該晶片由雲知聲自主研發，採用雲知聲自主 AI 指令集，搭載具有自主知識產權的DeepNet、uDSP（數位信號處理器），支持 DNN/LSTM/CNN 等多種深度神經網路模型，性能較通用晶片方案提升超 50 倍。
雨燕（Swift）則採用了 CPU＋uDSP＋DeepNet 架構，支持 8/16bit 向量、矩陣運算，基於深度學習網路架構，可將針對語音 AI 的並行運算性能發揮到極致，在更低成本和功耗下，提供更高的算力。
中天微
此前，在中興事件期間，晶片一詞漸受重視，「自主造芯（晶片）」的企業，也成為了對岸國內資本投資熱捧的對象。也是在那時，阿里收購了中國大陸唯一的自主嵌入式 CPU IPCore 公司中天微。
完成收購後不久，中天微就發佈了全新 AIOT 晶片，作為全球首款支持物聯網安全的 RISC－V 處理器，這款晶片也是全球首款帶 TEE 的 RISC－V 嵌入式晶片。中天微表示，「自主架構 CPU＋RISC－V 相容」硬體架構將逐漸融合在在阿里巴巴物聯網策略中，發揮巨大的作用。
瑞芯微
CES 2019 消費電子展上，瑞芯微發佈旗下內置高能效 NPU 的 AIoT 晶片解決方案：RK1808。
據悉，RK1808 AIoT 晶片 CPU，採用雙核 Cortex－A35 架構，NPU 峰值算力高達 3.0 TOPs，VPU 支持 1080P 影像編解碼，支持麥克風陣列並具有硬體 VAD 功能，支持攝影機影像信號輸入並具有內置 ISP。
此外，RK1808 具備極致低功耗、超強 AI 運算能力、豐富的 AIoT 應用接口，以及易於開發的特性，也將高效賦能 AIoT 生態鏈，及開發者對技術與場景搭配的需求。
AIoT 晶片潛力無限，未來兵家必爭之地
隨著 AIoT 技術深入應用到各個生活層面，物聯網設備之間將加速數據交互，促進數據融合，形成全新的智慧物聯生態系統。人們的生活也會越來越便捷、越來越智慧。同時，也會產生更多的生活場景需求。
對 AIoT 廠商來說，市場多樣化的需求包含了感知層、接入層、網路層、服務管理層，以及應用層五個層級的技術建設。其中，感知層就如同 AIoT 設備的大腦中樞，是最基礎也是最重要的一個環節，AIoT 晶片技術很大程度上，決定了整個產品的好壞。
加上如今晶片製造工藝的成熟，以及 AI 算法算力的加速演進。可以預見，AIoT 晶片必將成為未來的兵家必爭之地，誰掌握了 AIoT 晶片，也就等於在 AIoT 領域站穩了腳步，為未來智慧網聯生態系統一體化建設，打下堅實的基礎。
．解決自動駕駛定位問題的三種思路
Self Driving Car How It Works Tech 10 Systems Autonomous Cars Need Commercia
在自動駕駛技術問題中，定位技術（自身定位以及對周圍環境相對位置的認知）似乎是無人駕駛汽車最難掌握的技術，這與城市的動態性質有關。例如施工路面、封閉道路、新標誌和缺失的道路標誌等，都是這種動態性和不確定性的例子。
 |
| What Tech Will it Take to Put Self-Driving Cars on the Road ... |
目前沒有方法可以完美地解決，自動駕駛汽車的定位問題，但以下幾種是當前最為有效，也最有希望解決問題的辦法。不同公司有不同的傾向性選擇，本文將根據具體的策略，對三種定位方法進行介紹。
自從特斯拉和 Waymo 等公司出現以來，車企對自動駕駛技術的關注愈發增加。這種情況在 2018 年更甚，從而加速了無人駕駛汽車盡快落地的可能。
無人駕駛的實現前途光明，但道路曲折。目前自動駕駛仍然面臨很多難題，例如需要快速而連續地分析數據流、需要做對機器來說很繁瑣，但對人類來說只是雞毛蒜皮的一些小事等。具體來說，物體檢測、距離、速度、定位，和交通法規等都是在駕駛過程中，做決策時需要考慮的因素。
為了達到 SAE 標準中的 L5 級別，電腦駕駛系統需要能夠執行上述所有基本任務，找到針對不同問題的技術解決方案。以下列出了幾種主要的自動駕駛技術難題及解決方案：
為了達到 SAE 標準中的 L5 級別，電腦駕駛系統需要能夠執行上述所有基本任務，找到針對不同問題的技術解決方案。以下列出了幾種主要的自動駕駛技術難題及解決方案：
距離：雷射雷達（光探測和測距）
速度：雷達（無線電探測器）
物體探測：攝影機、圖像處理和機器學習
交通法規：物體檢測（用於交通信號燈和標誌）、圖像處理（用於車道檢測）和對本地數據的訪問
路徑規劃：軟體算法（如A＊搜索算法）
定位：同時定位與地圖創建（Simultaneous Localization and Mapping，SLAM）或預先製作的 3D 地圖，在上述所有問題中，定位技術（自身定位以及對周圍環境相對位置的認知）似乎是無人駕駛汽車最難掌握的技術，這與城市的動態性質有關。例如施工路面、封閉道路、新標誌和缺失的道路標誌等，都是這種動態性和不確定性的例子。
人類面對以上，隨時隨地可能發生改變的因素，都會感到困惑，更不用說機器了。目前沒有方法，可以完美地解決自動駕駛汽車的定位問題，但以下幾種是當前最為有效，也最有希望解決問題的辦法。不同公司有不同的傾向性選擇，本文將根據具體的公司策略，對三種定位方法進行介紹。
1．以特斯拉為代表的視覺 SLAM 定位
以特斯拉為例的一類企業傾向於使用基於視覺的Visual SLAM（簡稱VSLAM）技術進行定位，他們將盡可能多的視覺傳感器置入汽車中，不依靠預先錄製的地圖，而是希望將圖像處理和機器學習結合起來，讓特斯拉車輛能夠對周圍環境，做到即時瞭解。
 |
| What Is SLAM? How Self-Driving Cars Know Where They Are |
特斯拉的目標非常明確，即建造可以在任何條件下，駕駛的車輛，而不受周圍環境的影響。前段時間特斯拉的晶片發表會上，因馬斯克 diss 雷射雷達，還引起了一場軒然大波。
馬斯克說，使用雷射雷達的定位方法，擺脫了「醜陋，昂貴且不必要」的繪圖設備，為此付出的代價，是在處理不確定性時，更加依賴相機和軟體。
馬斯克說，使用雷射雷達的定位方法，擺脫了「醜陋，昂貴且不必要」的繪圖設備，為此付出的代價，是在處理不確定性時，更加依賴相機和軟體。
特斯拉人工智慧高級主管 Andrej Karpathy 強調，物理數據的作用是無法代替的，相對於利用雷射雷達，建立虛擬高精地圖來說，特斯拉更相信現實的物理數據，看圖比看雷達更真實。
目前，使用 VSLAM 實現定位的自動駕駛車輛，主要配備三類感測器：單目、雙目（或多目）、RGBD。此外還有魚眼、全景等特殊攝影機，由於在研究和產品中，都屬於少數在此不做介紹。就實現難度而言，這三類方法難易程度，從難到易依次為：單目視覺、雙目視覺、RGBD。
在定位過程中，VSLAM自動駕駛車輛，從一個未知環境中的未知地點出發，在運動過程中，透過以上這些視覺感測器，觀測定位自身位置、姿態、運動軌跡，再根據自身位置，進行增量式的地圖建構，從而達到同時定位和地圖建構的目的。
定位和建圖是兩個相輔相成的過程，地圖可以提供更好的定位，而定位也可以進一步擴建地圖。VSLAM 技術框架如下，主要包括感測器數據預處理、前端、後端、回環檢測、建圖。
2．以通用/賓士/福特為代表的高精地圖定位
通用汽車和賓士，都看好透過雷射雷達或GPS，預先製作的高精地圖，來進行定位的方法。通用汽車於2017年，收購了自己的雷射雷達供應商。福特與百度合作，向一家雷射雷達供應商Velodyne 投資 1.5 億美元，賓士也與 Velodyne 簽訂雷射雷達供應合約。
雷射雷達是非常傳統的定位感測器。它可以提供機器人本身，與周圍環境障礙物間的距離資訊。常見的雷射雷達有 SICK、Velodyne、Rplidar 等。使用雷射雷達製作高精地圖，實際上就是利用雷射點雲融合技術，進行雷射雷達掃描，返回場景分布點的技術。
雷射點雲融合的技術又分為兩種，一是基於點雲融合的算法，其應用場景較廣，不僅限於GPS場景；第二種是基於比較精確的差分 GPS 和精確慣導（IMU，慣性測量單元），其對場景依賴較強，必須在比較開闊的場景使用，對於高架橋等GPS信號弱的場景效果不佳。
用圖像和 GPS 技術解決方案精度比較差，主要用來製作 L2、L3 的 ADAS 地圖，而雷射點雲則可以滿足 L4、L5 的需求。
用圖像和 GPS 技術解決方案精度比較差，主要用來製作 L2、L3 的 ADAS 地圖，而雷射點雲則可以滿足 L4、L5 的需求。
這類車輛依賴於預先記錄好的 3D 高解析度地圖，而這些地圖是使用配備雷射雷達的車輛預先捕獲的。然後，自動駕駛車輛可以使用其自身配備的雷射雷達設備，獲取周邊環境的資訊，與預先製作的高精地圖進行比對，判斷環境是否已經改變，然後在地圖涵蓋區域內，實現自動駕駛。
這顯示了相對來說更加廣泛的自動駕駛策略。為了保持地圖的準確性和車輛的可用性，需要市政當局和汽車製造商之間，更廣泛的合作，以創建和維護最新的高精度地圖，供車輛使用。
以凱迪拉克的超級巡航系統為例，只有當車身雷達獲取的資訊，與高精地圖資訊一致，並透過安全檢查時，車輛才能在預存了高精地圖的高速公路上導航行駛。
這種方法提供了高度的可靠性和可預測性，但高精地圖所需要處理的數據量巨大，必須使用數據中心電腦集群來做處理，並且涉及很多並行計算和處理，這些對數據處理能力都是極大的考驗。
這種方法提供了高度的可靠性和可預測性，但高精地圖所需要處理的數據量巨大，必須使用數據中心電腦集群來做處理，並且涉及很多並行計算和處理，這些對數據處理能力都是極大的考驗。
高精地圖的即時更新也相當重要，道路環境有可能在不斷的變化，需要實現快速有效的更新。以上這些由於記錄地圖，和使用雷射雷達設備製造車輛所需的努力，都使得實現無人駕駛，所付出的成本相對更高。
3．以福斯為代表的車聯網定位
自動駕駛定位的另一種方法，不關注如何使汽車更靈活地適應環境，而是關注如何讓環境為自動駕駛汽車服務，即創造更智慧的環境。這減輕了車輛的負擔，使其能夠找出其環境中的所有不確定因素。
在這種情況下，變化的環境因素會自己「找上門」，讓車輛更準確地瞭解到周圍環境的狀況，建築物可以直接「告訴」進入的汽車建築區域，和臨時車道的具體位置。
在這種情況下，變化的環境因素會自己「找上門」，讓車輛更準確地瞭解到周圍環境的狀況，建築物可以直接「告訴」進入的汽車建築區域，和臨時車道的具體位置。
福斯汽車一直在努力建立自己，作為 V2X 技術先驅的身份。在 2017 年福斯就宣佈所有 2019 年的車型，都將配備完整的 V2X 功能套件。這些連接將提供大約 500 米以內的交通狀況、事故，和與當地環境共享的其他交通狀況資訊，甚至更廣。
透過車聯網方法，進行定位的車輛透過 GPS、RFID、感測器、攝影機圖像處理等裝置，在由車輛位置、速度和路線等資訊，構成的巨大交互網路中，完成自身環境和狀態資訊的採集。
在網路資料庫中，所有車輛將自身的各種資訊，傳輸匯聚到中央處理器，實現位置資訊的交互共享。目前，對岸中國強制要求所有營運車輛，都要轉配車載定位終端，同時接入相關企業服務平台，並最終接入省部級服務平台。
在網路資料庫中，所有車輛將自身的各種資訊，傳輸匯聚到中央處理器，實現位置資訊的交互共享。目前，對岸中國強制要求所有營運車輛，都要轉配車載定位終端，同時接入相關企業服務平台，並最終接入省部級服務平台。
具體來說，車輛節點的定位和位置感知技術是車聯網的技術核心。定位強調位置資訊的唯一性，即定位得到的是真實的地理坐標資訊，而位置感知側重於節點之間，在位置上的相對性，反映的是移動節點，在時間維度和空間維度上的軌跡。
位置感知中，其位置資訊是參照錨節點來計算的，而錨節點的產生，視不同的算法實現而不同，主要採用非測距技術（Renge－free）來定位。無線測距的基本原理分為三邊測量法、三角測量法、極大似然估計法和質心算法四種類型。
三邊測量法原理比較簡單，是在已知三個錨節點 2D 座標資訊的前提下，就可以計算出1個未知節點的位置資訊；三角測量法的原理，是在網路中選定一系列的錨節點，構成相互連接的三角形，透過測量某一三角形的三個角節點，到某一位置節點的相對水平角度，來對節點進行定位；
極大似然估計法的原理，是一句 N 個錨節點的座標，以及到未知節點的距離，來對節點進行定位；質心算法中的質心，是指多邊形的幾何中心。
質心算法的實現原理，是網路中的錨節點週期性地廣播，用於標識節點自身身份標識，和座標未知的分組，當未直接點接受到的錨節點的分組，達到一個門限值時，或接受錨節點分組的時間達到預設值時，將由這些錨節點組成一個多邊形，該多邊形的質心，便是該未知節點的座標。
質心算法的實現原理，是網路中的錨節點週期性地廣播，用於標識節點自身身份標識，和座標未知的分組，當未直接點接受到的錨節點的分組，達到一個門限值時，或接受錨節點分組的時間達到預設值時，將由這些錨節點組成一個多邊形，該多邊形的質心，便是該未知節點的座標。
車聯網的定位技術，則是透過合理部署，在城市交通道路周邊的RSU，利用無線測距技術，實現對移動中車聯的即時定位。目前所採用的技術主要有，利用接收信號強度值（RSSI）、到達時間（TOA）、到達時間差（TDOA）、到達角度（AOA）及到達頻率差（FDOA）等。
FDOA 定位技術具有無模糊區、精度高等優點，它可以與TDOA 等定位技術結合，實現更加完善的定位功能，成為車聯網定位技術的一個發展方向。在此不做具體介紹。
FDOA 定位技術具有無模糊區、精度高等優點，它可以與TDOA 等定位技術結合，實現更加完善的定位功能，成為車聯網定位技術的一個發展方向。在此不做具體介紹。
雖然目前對車聯網定位和感知技術的研究，取得了一定的成果，但仍然有很多問題，需要進一步解決，主要體現在專門針對車聯網的定位和感知技術、室外移動 3D 定位技術、精準無縫的協作定位等方面。
當然，能夠輔助實現定位目的的有例如 GPS 、衛星、雷射雷達、攝影機及其他多種感測器，本文介紹的三種方法，是實現自動駕駛定位的三種不同思路，思路上的不同並不排斥具體使用技術上的借鑒與融合。
技術只是自動駕駛的一個方面，道路安全法律法規，也需要適應自動駕駛市場的變化。今年福特、通用和豐田，在自動駕駛汽車相關安全法規上，就達成了合作夥伴關係。
另外，在人類社會不斷向前發展的進程中，經驗是一個不可忽視的關鍵因素，無論現時段自動駕駛，面臨了什麼小成就和大挫折，都必須清楚地明白一點：我們生活在技術不斷創新的時代，新技術解決新困難，時間會說明自動駕駛，是如何向我們一步步走來的。
