DARPA挑战赛获奖车辆技术
最终完成的比赛的有：
卡内基梅隆大学的Boss 用时4：10：20第一名； 在整个过程中平均每小时大约 14 英里（22．4 公里／小时）赢得200万美金。
斯坦福大学的Junior 用时4：29：28第二名；在整个过程中平均每小时约 13．7 英里（22．0 公里／小时）赢得100万美金。
弗吉尼亚理工大学的Odin用时4：36：38第三名；在整个过程中平均速度略低于每小时 13 英里（21 公里／小时）．
麻省理工学院的Talos用时大约6个小时第 4 名
另外还有宾夕法尼亚大学的Little Ben和康奈尔大学的Skynet超过 6 小时限制，成功完成挑战线路。所以共计 6 支队伍完成线路。
下图为获奖以及完成比赛的车辆照片，是不是和我们常常在路面上看到的自动驾驶车辆很类似，头顶着激光雷达？另外所有参赛者的感知套件以及机构都非常类似。
根据DARPA的规定，以及提供的路线网络定义文件（RNDF）其实可以认为对于定位，参赛者统一采用其地图（可以认为是高精地图），定位的技术方案也是一样就是利用IMU，GPS还有RTK，可以看到第一名boss的传感器套件里面有Trimble也就是RTK高精定位供应商，目前不少厂家在用。据文献了解当时地图精度0．1米也就是分米，当前商用高精地图也就是厘米级别。
对于感知传感器方面，可以了解下第一名boss的传感器套件
1个最大探测距离70米的机械式360度扫射激光雷达－Velodyne HDL－64 LIDAR （HDL） ，视场角FOV 360 × 26 0．1度角分辨率。
6个 最大探测距离80米激光雷达SICK LMS 291－S05／S14 LIDAR （LMS） ，视场角FOV 180／90 × 0．9 度，1／0．5角分辨率。用来识别道路以及车道线。
2个探测距离达300m的激光雷达 IBEO Alasca XT LIDAR （XT），视场角FOV 240 × 3．2度。
2个探测距离达150m的激光雷达Continental ISF 172 LIDAR （ISF），视场角FOV 12 × 3．2度。
5个大陆的Continental ARS 300 Radar （ARS）毫米波雷达，FOV 60／17 × 3．2 度，最大探测距离60／200米。显然毫米波雷达是用来探测道路中其他运动车辆。
2个高速黑白摄像头Point Grey Firefly （PGF），视场角为45度。应该是用来识别道路的车道线。
1个GPS＋IMU高精定位系统Applanix POS－LV 220／420 GPS／IMU （APLX）
其实查阅资料，基本上完成比赛的6个车采用相同的传感器方案，有的差异只是多少个，放的位置罢了。所以这里可以回到文章讲到的DARPA挑战赛的大背景是Strategic computing program战略计算计划，更多的是挑战基于计算，芯片的软件应用。
对于计算，第一名Boss使用了一个带有10个2．16－GHz Core2Duo处理器的Compact PCI机箱，每个处理器有2 GB内存和一对千兆以太网端口。每台计算机都从一个4 GB闪存驱动器启动，降低了磁盘故障的可能性。其中两台机器还安装了500－GB硬盘用于数据记录。每台计算机还通过定制的每秒脉冲适配器板进行时间同步。也有用8个苹果MAC迷你电脑的。而其他几家也基本差不多，多个计算机运算，整车汽车后备箱塞满了计算机，其实现在自动驾驶开发的工控机类似了。
对于软件方面，基本上以Unix／Linux 的系统为自动驾驶的运行系统，在商用系统方面Unix／Linux有着工程师们熟悉的各种库，接口和算法调用，来实施感知，规划，当前自动驾驶依然一样。最后是显示，毕竟还需要操作员和监控员，所以显示基于QT的图形用户界面（GUI），为操作员、工程师或测试人员提供了方便，用于启动和停止软件、查看状态／健康信息以及调试正在执行的各种任务的工具。
另外通过对参赛车辆的车身喷涂广告，可以看到计算机的英特尔，我们现在激光雷达的先驱ibeo，Velodyne；视觉算法上车的巨头Moileye，视觉传感器安森美；电子架构专家Vector，汽车雷达巨头们等等。
最后尽管DARPA挑战赛从完成的速度上来看，离实际使用尚有距离，但它确实实现了一些特定的技术目标，例如地面导航的目标。特别是卡内基梅隆大学的自主陆地车辆计划及其姊妹Navlab项目，为随后的许多无人驾驶车辆计划奠定了科学和技术基础，例如 Demo II 和 III 计划（ALV 是演示 I）、感知器和DARPA 大挑战。SCI ALV 计划首创的摄像头加激光雷达和IMU惯性导航装置的使用构成了几乎所有商用无人驾驶汽车的基础。它还在相当大的程度上帮助推进了计算机硬件的技术水平。
DARPA挑战赛对当前自动驾驶的影响
2007 年 DARPA 城市挑战表明，无人驾驶车辆技术比您想象的更接近。虽然这项技术存在很多缺陷，但对于人类司机来说也是如此。最终现代汽车自动驾驶的技术基础奠定了：
感知，基于激光雷达，摄像头，毫米波雷达等传感器的算法环境感知。
规划，通过各类机器学习的算法进行路径，路线的规划。
定位，基于GPS，通过RTK，IMU结合高精地图（DARPA官方提供的RNDF在线地图）定位。
执行，DARPA的参赛人员花了大量的时间对当时基于液压系统的执行架构转向，制动，换挡进行电气化改装，此项工作当时就筛选了不少人，但当代电动汽车已经全面完全电气化，所以天然奠定电子化执行的基础，也就是当前火热的词电控底盘概念。
后来城市挑战赛中第一名卡内基梅隆大学总结了，当时自动驾驶技术走向商业的一些产业约束有：
商业激光雷达相当昂贵
雷达是高档汽车的选项
摄像头已经被未来汽车考虑应用
计算单元需要越来越快，同时安全运行很重要。
所以大家可以看到以上2007年总结的观点，可以对应到今天，也就是当前自动驾驶硬件发展的一些拦路虎或者大家相互竞争的点。
激光雷达，在中国制造产业的优势引导下，成本持续下探。凭借着受光线影响小、高分辨率等特点成为稳健、高安全自动驾驶必备传感器。另外其在定位方面的独特作用也在各种泊车应用场景大放异彩。目前激光雷达不但“上车了”而且还在“差异化”发展，例如前向远视激光雷达，侧向补盲等。
雷达也就是普通毫米波雷达。已经在辅助驾驶时代普及，目前根据其产业成本优势，在持续进化朝着4D以及更高精度方向发展。
而当时刚刚兴起的摄像头，在互联网时代催生的海量图片以及视频的大数据下，伴随着视觉人工智能算法迅猛发展（80年代互联网还没有大批量民用，所以当时美国战略计算计划的AI缺少广泛参与以及海量数据和应用基础），所以摄像头犹如我之前文章《视觉为王－小鹏以及特斯拉的自动驾驶方案》讲到越发重要。
计算单元，算力TOPs不断的内卷，从个位数到几千的落地，已经给汽车电脑也就是Domain域控制器，不仅仅是计算，还有内存、硬盘、通讯、图像解码等等芯片带来巨大的市场。
写在最后
当前自动驾驶依然还在产业落地的路途中，而当年第一名卡内基梅隆大学总结的几个约束，其实在当代依然存在；而这些约束本质上又回到DARPA自动驾驶挑战赛的母计划DARPA Strategic computing program（战略计算计划）先进计算机硬件和人工智能AI的研究。在自动驾驶产业中，不管是感知用的芯片，计算用的芯片都属于此类。
而当前地缘政治抬头下，各家对于数据的地缘化，对芯片以及各个产业的逆全球化，已经给自动驾驶产业化带来了更大的挑战，这可能也就是当前自动驾驶产业寒意浓浓的根本源头。但这种地缘化的时代，也同样是催生驱动技术的发展，不过这种发展是地缘化，个体化的。例如DARPA开启于苏美冷战时刻，助力美国计算科技崛起，所以冬天是一个好积蓄的时间点，对于国家，企业，个人都一样。
作为制造和市场都异常巨大的中国，要赢得智能自动驾驶时代可能还需要在类似美国的DARPA Strategic computing program（战略计算计划）上多下功夫。
参考文章以及图片
Vehicles rybski web presentation PUBLIC DISTRIBUTION－卡内基梅隆大学
美国战略计算计划 － 机器智能
DARPA城市挑战1－5名技术方案
＊未经准许严禁转载和摘录
原文标题 : 当代自动驾驶产业的起源-DARPA挑战赛
