第0632章 汽车发展趋势（第2/2页）

孟谦笑了笑，示意继续看PPT，“刚才也说了，无人驾驶需要激光雷达和毫米波雷达，这是因为激光雷达可以准确测量视场中物体轮廓边沿与设备间的相对距离，精度可达到厘米级别，而对于激光雷达不够直接快捷的缺点，毫米波雷达又可以弥补。

所以围绕激光雷达和毫米波雷达我们做了大量研究，针对无人驾驶，我们研制了这一款64线激光雷达，两位看这个动态图。

激光光束从两侧透镜发出，遇到障碍物折返后经过中间透镜可以被抓去，接收器通过处理分析就可以判断障碍物。

而所有的时间信息、控制信息、接收信号都会传到顶端的主板从而进行数据分析，底部的旋转记录器则可以记录下旋转时所在位置和旋转信息，所有原始数据通过底部数据线传送至电脑。

至于这款产品最大的优势，就在于垂直方向有64条光束放射状射出，可以覆盖垂直方向26°的角度，抵达100-120米的检测距离，探测障碍所在位置的误差大约10cm左右，激光雷达每秒旋转10次，可以实现水平360°的视域覆盖，每圈输出高达13万个信息点。”

这个东西两人还是能听懂能看懂且比较好消化的，但孟谦接下来说的就让两人觉得有一点懵逼了，“不过在我看来我们现在最大的优势是在算法上。

据我了解，包括谷歌在内的几家无人驾驶企业都在使用深度学习进行驾驶训练，从传感器的输入直接导出控制器的输出，然而作为深度学习的创始者，我基本可以确认这种深度学习在无人驾驶领域是一个错误的方向，因为它属于相关性推理，而非因果推理。

比如说人在下雨天会慢行，这种深度学习的逻辑就是下雨天要慢行，但它不知道下雨天为什么要慢行，那么假设我们没有给到下雪天的数据，就会出现一个情况，无人驾驶会在下雨天慢行，却在下雪天正常速度行驶，甚至可能会因为其他数据加速行驶。

这种不知因果的算法对于驾驶安全来说是一个极大的隐患，因为驾驶过程中会有太多的未知情况需要计算机做出因果判断。

所以我们需要在自动驾驶领域引入新的决策机制，我们找到了这样一个机制，那就是贝叶斯网络，贝叶斯网络是一个概率推理系统，贝叶斯网络在数据处理方面针对事件发生的概率以及事件可信度分析具有良好的分类效果，它具有两个决定性的优势：模块化和透明性。

模块化的优势尤为重要，比如要更新汽车的变速箱，当变速箱被更换的时候，我们不用重写整个传动系统，只需要修改为变速箱建模的子系统，其余的都可以保持不变。

而利用贝叶斯网络进行大量驾驶数据分析的企业，据我所知，目前只有我们大风集团一家。

而这，就是我们的一大优势。”

也不知道为什么，孟谦拿出两个领先技术在王川福和李叔福看来特别的正常，甚至没有半点波澜。

孟谦其实很清楚两人的态度，看他们没什么抗拒的意思事情也就这么定了，2010年，大风集团要开始积极抢占据人驾驶技术高地。

……