自动驾驶期刊投稿
【引言】
随着物联网在交通系统中日益普及，为了打造交通系统中更安全、更快、更智能的车辆，车载通信网络和自动驾驶技术是构建未来一代、功能强大的智能交通系统的基石技术。基于物联网的交通系统可以为自动化网联 汽车 提供大规模设备连接和传感器连接。通过使用物联网技术，网联自动驾驶车辆的数量将显著提高。随着网联自动驾驶 汽车 数量的增长，亟待提出新的技术方法并重新思考下一代 汽车 网络的设计，尤其是自动化网联 汽车 。因此，有必要研究新的理论、架构和技术，利用物联网提供的能力，形成更高效、更智能的交通系统。本期特刊旨在为学术界和工业界的研究人员、开发人员和从业人员提供一个平台，传播最新的成果，并推动物联网在自动化网联 汽车 技术方面的应用。
【征集主题包括但不限于】
【重要时间节点】
【投稿须知】
所有IEEE Internet of Things Journal 的原稿或修订本必须通过IEEE稿件中心(http://mc.tcentral.com/iot)以电子方式提交。作者指南和提交信息可以在找到。IEEE Internet of Things Journal鼓励作者在投稿过程中推荐潜在的审稿人，这可能有助于加快审稿速度（请只推荐那些不存在利益冲突的审稿人）。提交稿件时注意必须按适当的关键字分类。
【客座编辑】
曹东璞博士，滑铁卢大学，
李力博士，清华大学，
Clara Marina博士，保时捷，
陈龙博士，中山大学，
邢阳博士，克兰菲尔德大学，
庄卫华教授，滑铁卢大学，
IEEE Internet of Things Journal (Impact Factor 5.86)
Special Issue on
Internet of Things for Connected Automated Driving
Internet-of-things (IoT) is becoming increasingly prevalent in the transportation systems. The traffic system depends on safer, faster, and more intelligent vehicles. The vehicular communication networks (vehicle-to-everything, V2X) and the automated driving technique are two of the cornerstone technologies enabling the construction of future-generation highly functional and intelligent transportation system. The IoT-based transportation system can provide enormous connections of devices and sensors for the networked automated vehicles. The capacity of connected automated vehicles is expected to be dramatically enhanced by employing the IoT techniques. This calls for novel approaches and rethinking of the design of next-generation vehicular networks, particularly for the automated vehicles. Therefore, it is essential to pursue research on new theories, architectures, and techniques to exploit the capability that is delivered by IoT for forming more efficient and intelligent transportation system. This special issue aims to create a platform for researchers, developers and practitioners from both academia and industry to disseminate the state-of-the-art results and to advance the applications of IoT for connected automated driving technology.
Topics of interests include (but are not limited to) the following：
➢Innovative IoT techniques to connect automated vehicles
➢ V2X communication
➢ IoT-based solutions for connected vehicles
➢ Vehicular IoT Infrastructure
➢ IoT-based sensing and recognition
➢ Testing and verification of connected automated vehicles
➢ IoT-based navigation and localization systems
➢ AI and deep learning approaches for IoT-enabled connected automated vehicles
➢ Cyber-physical-social systems based parallel driving
Submissions
All original manuscripts or revisions to the IEEE IoT Journal must be submitted electronically through IEEE Manuscript Central, http://mc.manuscriptcentral.com/iot. Author guidelines and submission information can be found at http://iot.ieee.org/journal. The IEEE IoT Journal encourages authors to suggest potential reviewers as part of the submission process, which might help to expedite the review of the manuscript. Please suggest only those without conflict of interest. Each submission must be classified by appropriate keywords.
Guest Editors
Dr. Dongpu Cao, University of Waterloo, Canada,
Dr. Li Li, Tsinghua University, China,
Dr. Clara Marina, Porsche Engineering, Germany,
Dr. Long Chen, Sun Yet-sen University, China,
Dr. Yang Xing, Cranfield University, UK,
Dr. Weihua Zhuang, University of Waterloo, Canada,
中国上海，2019年6月27日——在第二届中国自动驾驶测试验证技术创新论坛中来自吉林大学计算机学院教授，博士生导师王健老师参与了本届论坛并发表了精彩演讲。论坛中王健老师先从场景定义、构成及关键特征为嘉宾详细阐述了自动驾驶场景，场景研究是智能驾驶技术与产品开发的关键技术，场景库作为整个测试中的一个重要环节，场景库作为整个测试环节中的输入，给到我们测试中的评价，对于场景的一个位置判断。行驶环境是无限丰富、极其复杂、不可预测、不可穷尽的，场景的构成就是把复杂的行驶环境分成静态特征和动态特征两个大的部分，静态特征包括道路场地、交通及设施，动态特征包括交通、气象等。提取静态特征，再加上虚拟算法生成动态特征，两者合二为一就是场景的基本构成。场景是无限世界的有限映射，不管是静态特征还是动态特征的有限映射，然后进行一个覆盖度的衡量，对危险场景的覆盖度和测试的准确度。这两个是通过自动生成之后正向推理出来的两个结果。场景库的生成就是把无限丰富、极其复杂的行驶环境通过有限映射、充分覆盖，最后生成场景库。具体步骤为：首先对行驶环境的一个录捕，通过映射到网络上，去通过学习真实的场景特征，衍化出一个新的场景出来，提取它们中需要存储的场景库指标，最终抽象成驾驶情景和行驶场合。场景对自动驾驶影响的三大关键要素为行驶场合、环境影响、驾驶情景。行驶场合如高速公路、乡村道路、城市道路等，这些要素变化力度不是很大，选取过后一般不会改变；环境影响如道路、交通、行人、天气等，这些是最复杂的情形。环境影响的关键是环境传感感知，激光雷达和毫米波雷达、相机、定位系统、V2X通信设备，我们要了解哪些因数对传感器的影响，并在场景库中存储这些条件。驾驶情景：驾驶情景是场景的重要外部因素，驾驶情景分为以下三种：1、车辆的驾驶任务如：换道、超车、掉头、转弯等；2、车辆的驾驶速度如：加速、减速等；3、车辆的驾驶模式是保守、激进还是正常。最后王健老师为嘉宾展示了实验室模拟场景构建和场景库如何与测试工具做结合。通过实践测试案例和测试数据为嘉宾详细展示了L3的自动驾驶测试，给造车企业重大启发，为早日实现自动驾驶奠定基础。演讲嘉宾个人简介：王健，吉林大学计算机学院教授，博士生导师，中国汽车工程研究院特聘高级专家，启明信息技术股份有限公司特聘高级专家。先后在加拿大大不列颠哥伦比亚大学、奥地利因斯布鲁克大学、法国国家信息与自动化研究所、韩国汉阳大学从事博士生、博士后、访问学者等研究工作。主要研究领域为智能网联汽车的通信协议、MEC应用、模拟仿真与测试等。现任国际平行驾驶联盟秘书长，中国自动化学会平行智能专业委员会常务委员，中国智能交通产业联盟通信委员，中国Auto-E联盟委员，中国人工智能学会知识工程与分布智能专业委员会青年委员，InternationalJournal of Vehicular Telematics and Infotainment Systems编委，曾任29thIEEE Intelligent Vehicles Symposium出版委员会联合主席，IEEEVTC、CV2N、VTHWN、SAE 2017 ICVS、IWCMC 2017等国际会议技术委员会委员。近几年来作为项目负责人先后承担了国家自然科学基金面上、青年项目、国际合作交流、中国博士后基金特等资助、教育部博士点基金、吉林省发展计划重点项目、吉林省国际合作项目、吉林省青年基金等纵向项目10 余项，获高等教育国家级教学成果二等奖1次、吉林省科学技术进步奖一等奖1 次，吉林省教学成果一等奖1次，中国商业联合会全国商业科技进步奖二等奖2 次，以第1责任作者在IEEETransaction on ITS, IEEE Transaction on IV，ScientificReports, Computer Networks, Computer Communications等国际SCI检索期刊发表论文42篇，授权发明专利7项，软件著作权4项，出版中英文专著各1部。主办方：上海锁雅汽车科技有限公司是一家从事汽车技术领域的技术开发，技术转让，技术咨询展览展示服务，会务服务等多业务发展的技术咨询类公司。公司为国内外领军企业（主要为世界500强企业）的高级决策人提供行业资讯、商业创新发展解决方案、市场调研、商务合作和人脉拓展平台、个人职业发展以及投融资等咨询服务。“中国自动驾驶测试验证技术创新论坛2019 (CADT2019)”
易车讯 日前，我们从官方渠道获悉，在第八届HAOMO AI DAY上，毫末智行发布自动驾驶生成式大模型DriveGPT，中文名"雪湖·海若"。生态方面，毫末官宣取得3个主机厂定点合同，商业化迎来跃升一步；同时毫末推出的中国首个重感知、不依赖高精地图的城市NOH即将量产上车，最先落地北京、上海、保定等城市。
毫末打造的自动驾驶生成式大模型DriveGPT雪湖·海若通过引入驾驶数据建立RLHF（人类反馈强化学习）技术，对自动驾驶认知决策模型进行持续优化，现阶段主要用于解决自动驾驶的认知决策问题，终极目标是实现端到端自动驾驶。
毫末DriveGPT雪湖·海若已开启对限量首批生态伙伴的开放合作，北京交通大学计算机与信息技术学院、高通、火山引擎、华为云、京东科技、四维图新、魏牌新能源、英特尔等高校与企业加入。
产品方面，毫末中国首款可大规模量产落地、重感知城市NOH，将首批落地北京、保定、上海等城市，并开启泛化测试，到2024年有序落地100城。首款搭载HPilot3.0的新摩卡DHT-PHEV即将重磅上市，这也是毫末DriveGPT雪湖·海若的首发落地车型，全面确保毫末城市NOH的行业领先性。
生态层面，毫末乘用车6P开放合作取得重大突破，已与3家主机厂签署定点合同，相关项目正在交付中。这是毫末商业化的重要一跃，全面保障了毫末高速发展态势。
毫末智行董事长张凯判断：“2023年智驾产品进入全线爆发期，大模型开启在车端的落地应用，车主的使用频率和满意度成为产品竞争力的重要衡量标准。毫末不断进步的数据驱动的六大闭环能力将进一步加速毫末进入自动驾驶3.0时代的步伐并形成相应的护城河。”
张凯认为，智驾产品正在进入快速增长的全线爆发期，2023年是非常关键的一年。首先，城市导航辅助驾驶产品在2023年将围绕量产上车发力，主要玩家的城市导航辅助驾驶产品进入到真实用户覆盖和多城市落地的比拼。其次，行泊一体和末端物流自动配送产业商业化将成为自动驾驶公司深耕的重点。在乘用车领域，搭载行泊一体功能的智驾产品将迎来前装量产潮；在末端物流自动配送领域，末端物流自动配送车在商超、快递等场景迎来爆发，2023年将在这些场景实现可持续商业化闭环。
首款搭载HPilot3.0的新摩卡DHT-PHEV即将重磅上市，第二款搭载毫末HPilot3.0的车型魏牌蓝山也将在今年发布。毫末HPilot整体已搭载近20款车型。用户辅助驾驶行驶里程突破4000万公里，HPilot2.0辅助驾驶日均行驶里程使用率达到了12.6%。海外布局方面，搭载毫末HPilot的车辆已运往欧盟、以色列等地区和国家，陆续交付到用户手中，接下来将在中东、南非、澳大利亚等市场陆续投放；同时，毫末HPilot即将量产墨西哥版本及俄罗斯版本。
3月，高工智能汽车研究院在每个年度基于前装量产数据库及定点车型库数据进行综合评估，通过对毫末前装近20款车辆等数据研究，为毫末颁发年度高阶智能驾驶系统量产份额领军奖。第三方数据佐证毫末是中国量产自动驾驶绝对领军者。
其次是“MANA大模型巅峰之战”，中国首个自动驾驶数据智能体系MANA架构已迎来全线升级。到2023年4月，MANA学习时长超56万小时，相当于人类司机6.8万年。毫末DriveGPT雪湖·海若，已经完成基于4000万公里驾驶数据的训练，参数规模达1200亿。
第三是“城市NOH百城大战”，中国首款可大规模量产落地、重感知城市NOH，已在北京、保定、上海等城市开启泛化测试，即将量产上车，到2024年有序落地100城。毫末会以“安全为先、用户为先、规模为先”的原则，加速赢得城市NOH百城大战。
最后是“末端物流自动配送商业之战”，毫末末端物流自动配送车小魔驼已在商超履约、智慧社区、校园配送、餐饮零售、机场巡逻、高校教育、快递接驳、智慧园区、大气环评等九大场景开启运营，加速商业化闭环能力。2023年3月，小魔驼2.0获北京亦庄无人配送车车辆编码，开启亦庄运营。毫末也成为《北京智能网联汽车政策先行区无人配送测试规范》升级后，准许在北京市高级别自动驾驶示范区公开道路进行无人配送车测试的首个公司。
“技术领先是生存根本，毫末鼓励所有技术研发同学投入到技术创新当中。”张凯在演讲中再次强调了毫末对于技术研发投入的坚定决心。截至目前，毫末已获得专利证书164件，国际顶级学术会议论文收录6篇，最新2篇更是分别入选计算机视觉识别领域三大顶会之一的CVPR和全球首个智能车专业期刊IEEE TIV。毫末已将所有论文在GitHub开源，与业内共享。
现场，张凯还向外界公布了毫末6P开放合作的重要进展，目前已与3家主机厂签署定点合同，相关项目正在交付中。“毫末始终认为，自动驾驶是一个共同进退、共享成果的前沿产业。只有健康的生态伙伴才能支持毫末高速发展。”张凯表示。
此外，毫末一直坚持场景化用户体验设计、人工智能技术、技术工程化能力均衡发展，不断以数据驱动闭环的方式完善用户体验。张凯介绍，三个月时间，毫末在数据驱动六大闭环体系上实现多重进展。
用户需求闭环方面，毫末对驾驶场景数据持续分析完善策略，并进行新功能体验反馈；研发效能闭环方面，毫末将数据驱动理念深入到产品需求定义、感知与认知算法开发等产品开发流程，整体开发效率提升30%；数据积累闭环方面，毫末在车端部署诊断服务数据场景标签覆盖92%的驾驶场景。
数据价值闭环方面，毫末大模型正在持续挖掘数据价值解决关键问题；产品自完善闭环方面，毫末实现售后问题处理速度较传统方式的十倍效率提升，实现最快10分钟定位售后问题。两年时间有效挖掘产品提升点，问题闭环率达76%；业务工程化闭环方面，毫末进一步完善了从采集回流、标注训练、系统标定、仿真验证等环节到最终OTA释放环节的产品研发全流程工程化闭环。
毫末DriveGPT雪湖·海若通过引入驾驶数据建立RLHF（人类反馈强化学习）技术，对自动驾驶认知决策模型进行持续优化。它的最终目标是实现端到端自动驾驶，现阶段主要用于解决自动驾驶的认知决策问题，后续持续会将毫末多个大模型的能力整合到DriveGPT。目前，毫末DriveGPT雪湖·海若实现了模型架构与参数规模的升级，参数规模达到1200亿，预训练阶段引入4000万公里量产车驾驶数据，RLHF阶段引入 5万段人工精选的困难场景接管Clips。
DriveGPT雪湖·海若的底层模型采用GPT（Generative Pre-trained Transformer）生成式预训练大模型，与ChatGPT使用自然语言进行输入与输出不同，DriveGPT输入是感知融合后的文本序列，输出是自动驾驶场景文本序列，即将自动驾驶场景Token化，形成“Drive Language”，最终完成自车的决策规控、障碍物预测以及决策逻辑链的输出等任务。
DriveGPT雪湖·海若的实现过程是，首先在预训练阶段通过引入量产驾驶数据，训练初始模型，再通过引入驾驶接管Clips数据完成反馈模型（Reward Model）的训练，然后再通过强化学习的方式，使用反馈模型去不断优化迭代初始模型，形成对自动驾驶认知决策模型的持续优化。同时，DriveGPT雪湖·海若还会根据输入端的提示语以及毫末CSS自动驾驶场景库的决策样本去训练模型，让模型学习推理关系，从而将完整驾驶策略拆分为自动驾驶场景的动态识别过程，完成可理解、可解释的推理逻辑链生成。
现场，毫末宣布DriveGPT雪湖·海若首发车型是新摩卡DHT-PHEV，即将量产上市。顾维灏提到，DriveGPT雪湖·海若可以逐步应用到城市NOH、捷径推荐、智能陪练以及脱困场景中。有了DriveGPT雪湖·海若的加持，车辆行驶会更安全；动作更人性、更丝滑，并有合理的逻辑告诉驾驶者，车辆为何选择这样的决策动作。对于普通用户来说，车辆越来越像老司机，用户对智能产品的信任感会更强，理解到车辆的行为都是可预期、可理解的。
毫末DriveGPT雪湖·海若将携手生态伙伴率先探索四大应用能力，包括智能驾驶、驾驶场景识别、驾驶行为验证、困难场景脱困。当前，毫末在使用数据过程中，逐步建立起一套基于4D Clips驾驶场景识别方案，具备极高性价比。在行业上，给出正确的标注结果，一张图片需要约5元；如果使用DriveGPT雪湖·海若的场景识别服务，一张图片的价格将下降到0.5元。单帧图片整体标注成本仅相当于行业的1/10。接下来，毫末会将图像帧及4D Clips场景识别服务逐步向行业开放使用，这将大幅降低行业使用数据的成本，提高数据质量，从而加速自动驾驶技术的快速发展。
顾维灏介绍，毫末在2023年1月发布的中国自动驾驶行业最大的智算中心MANA OASIS（雪湖· 绿洲）此次从算力优化等层面升级了三大能力，进一步支持DriveGPT雪湖·海若的算力。首先，毫末与火山引擎全新搭建了“全套大模型训练保障框架”，实现了异常任务分钟级捕获和恢复能力，可以保证千卡任务连续训练数个月没有任何非正常中断,有效保证了大模型训练稳定性；其次，毫末研发出以真实数据回传为核心的增量学习技术，并将其推广到了大模型训练，构建了一个大模型持续学习系统，自主研发任务级弹性伸缩调度器，分钟级调度资源，集群计算资源利用率达到95%；最后，MANA OASIS通过提升数据吞吐量来降本增效，满足Transformer大模型训练效率，通过引入火山引擎提供的Lego算子库实现算子融合，端到端吞吐提升84%。
毫末打造的中国首个自动驾驶数据智能体系MANA，在经过一年多的应用迭代后，本次AI DAY也迎来了全面的升级，正式开放赋能。顾维灏介绍，MANA计算基础服务针对大模型训练在参数规模、稳定性和效率方面做了专项优化，并集成到OASIS中；其次，MANA感知和认知相关大模型能力统一整合到DriveGPT雪湖·海若中；第三，增加了使用NeRF技术的数据合成服务，降低Corner Case数据的获取成本；同时针对多种芯片和多种车型的快速交付难题优化了异构部署工具和车型适配工具。
此外，MANA的视觉感知能力持续提升，一方面可同时学习三维空间结构和图片纹理，并将纯视觉测距精度超过了超声波雷达，BEV方案也拥有了更强的通用性和适配性；另一方面可实现单趟和多趟纯视觉NeRF三维重建，道路场景更逼真，肉眼几乎看不出差异。通过NeRF进行场景重建后，可以编辑合成真实环境难以收集到的Corner Case。在原有的全局视角修改、添加光照/天气效果的基础上，新增合成虚拟动态物体的能力，可以在原有设定的运动轨迹上，合成各种Hard Case，模拟城市复杂交通环境，用更低成本测试提升城市NOH能力边界，更好提升应对城市复杂交通环境。
值得一提的是，面对目前行业里最难的视觉任务之一——单目视觉测量，继特斯拉后，毫末也在中国率先开始验证能否使用鱼眼相机代替超声波雷达进行测距，以满足泊车要求。毫末把视觉BEV感知框架引入到了车端鱼眼相机，做到了在15米范围内达到30cm的测量精度，2米内精度高于10cm的视觉精度效果。泊车场景使用纯视觉测距来取代超声波雷达，将进一步降低整体智驾成本。
易车超级评测体系重磅上线！专业、硬核、全面的汽车评测内容云集，易车年度车型榜单新鲜出炉！上易车App搜索“超级评测”，等你来看！
自动驾驶论文sci期刊投稿
建议至少提前18个月准备。相比起国内的医药卫生类期刊，大部分SCI期刊审稿周期较慢，而且对文章审查非常严格。影响因子高的期刊或是冷门的研究方向更是如此。常笑医学里有很多关于SCI期刊投稿的干货，对投稿很有帮助的
sci论文投稿方式及周期1、找专业机构sci期刊投稿到见刊：3-5个月左右如果您想要sci期刊投稿到见刊快一些，建议作者选择专业就够操作，因为专业机构数学sci期刊投稿流程，操作期刊比较简单，节约时间，比作者自己操作节约大概一个月的时间，如果评职称着急，建议作者选择这种方法投稿期刊，以免影响之前评审。2、sci核心期刊投稿到见刊时间为3-6个月左右sci期刊投稿到省级或是国家级刊物，审核时间为一周，高质量的杂志，审稿效率也较高，审核时间为15-20天，而核心期刊的审稿周期相对较长，核心期刊审核时间一般为3个月，须经过初审、复审、终审三道程序，而sci发表周期一年多也并不罕见，一般核心期刊从投稿到录用，一般是3-6个月。最快也要3个月左右发表，由此可见，发表周期还是很长的，再次提醒各位作者要提前准备，以免耽误您的晋升之路。
sci论文怎么投稿如下：
sci数据库所收录的期刊涉及到的行业是非常多的，可以说每个行业都有sci期刊。而且有些热门的行业，比如：医学类期刊被sci收录的就比较多。这个时候大家在选择的时候就需要精心选择下。选择时需要从论文质量、期刊影响因子、投稿刊期等几个方面入手进一步挑选适合投稿的期刊。
其次，确定论文格式这里提醒大家在撰写论文之初就要确定好投稿期刊，这样可以按照投稿期刊的要求及格式撰写论文。当然，在写完之后也可以再选择期刊，只是这样调整起来会比较麻烦。再有，提前了解与自己领域相关的审稿人员，并确定好推荐的审稿专家1、 推荐你文章中引用其文献的作者作为审稿人，最好是近几年发表的;2、 可以选在这本刊物发表过相关文章的作者;3、 选择的审稿人不能全是国内的或者亚洲或者非洲地区的，至少美洲、欧洲的审稿人得占上一半的比例吧。
最后，确定投稿方式投稿方式有很多种，比如：到期刊官网通过投稿系统投稿、通过搜索期刊编辑联系方式投稿;再就是通过论文发表机构发表。这里学术顾问考虑到大部分人英文不是很好，加之两国存在时差，以及支付等方面都不是很方便，所以建议大家最好通过论文发表机构发表，效率更高，且成功率也比较大。
第一步：sci论文投稿前准备
1、sci论文投稿，要有明确的对象，且不能一稿多投。这需要作者在投稿前，确定要投稿的sci期刊是谁。
2、sci期刊有投稿要求，需要作者核实自己的文章是否满足要求，若不满足，要及时修改完善。
3、sci期刊有多个收稿渠道，主要分为官网投稿系统投稿，以及合作者推送投稿。
4、其他资料准备，比如推荐的审稿人是谁、作者简介、介绍信等等。
第二步：完成投稿信息的填写
投稿过程中，是有一些信息必填的，不填写就无法按提交按钮。这些必填信息，要在第一步中有所准备，且注意填写要求，以免出错，影响文章录用。
第三步：上传稿件并提交
稿件是要以附件的形式上传，关于稿件的要求、图片的要求等，要与期刊规定相符，核实无误后，点击提交，完成论文投稿。
SCI论文的投稿流程说起来很简单，先写好一篇英文的论文，然后找合适的刊物投稿过去就行了，录用或不录用等着就行，这个录用周期在3-4个月左右，录用后一般2个月左右会上线。
自动驾驶论文发表
近日，总投资10亿元、国内首个L4级自动驾驶开放测试基地项目在重庆市永川区开工，将设立百度Apollo自动驾驶测试运营中心，打造形成具备“虚拟仿真+封闭试验+开放测试”全链条试验检测服务能力。
图片来源：永川高新区
除了重庆测试区，目前我国有不少智能网联测试基地也在积极采用“模拟仿真+实际路测”的模式推动自动驾驶技术落地，比较有代表性的就是位于湖南的国家智能网联汽车（长沙）测试区。该测试区不仅将自动驾驶仿真实验室作为发展的重点之一，还与腾讯的自动驾驶团队强强联手。
那么，在实际路测之外，行业为何纷纷“玩”起模拟仿真？
模拟仿真成刚需
当自动驾驶进入到以Robotaxi为代表的公开道路测试阶段时，如何提升测试效率、更加精进技术、加快落地速度，成为行业迫切需要解决的问题。
美国著名智库兰德公司曾经估计,如果想让一辆L5级别的自动驾驶车辆正式上路,需要经过110亿英里的测试。这就意味着，即便是一支拥有100辆测试车的自动驾驶车队，以25英里(40公里)每小时的平均时速7×24小时一刻不停歇地测试，也需要花费大约500年的时间。从企业层面来看，即便是头部企业Waymo，截止到2020年初也只完成了2000万英里的自动驾驶路测，离110亿英里的目标还很远。
可以看出，推动自动驾驶车辆上路仅仅依靠实际道路测试，并不现实。而此时，自动驾驶模拟仿真的重要性就凸显出来了。
对于工程师而言，开发自动驾驶相关功能所需的算法和传感器配置，即使进行了1000万英里的道路测试仍然无法生成足够多有价值的数据，而模拟仿真一天的行驶里程就可以达到1000万英里。不需要在实际道路上进行测试、不费油、不用交过桥费，更重要的是不用承担风险，对自动驾驶领域的玩家来说，重要程度不言而喻。
当前，全球各大车企正在研究用仿真测试里程来取代一部分实际路测里程，也就是自动驾驶测试90%通过模拟仿真平台完成，9%通过测试场完成，1%通过实际道路测试完成。线上的模拟仿真测试已经成为加速自动驾驶技术研发和测试落地的重要手段。
早在2017年，Waymo高级软件工程师詹姆斯·斯托特就开创了Carcraft，一个如黑客帝国般的虚拟现实世界。Waymo的自动驾驶车辆在实地路测时遇到的许多情况可以直接在Carcraft中进行模糊化，程序员可以将多种情况进行叠加创造出各种极端情况，而在模拟器中得到的数据又可以反馈给现实世界的测试车。
目前，Carcraft的虚拟车队中有25000台汽车，这些虚拟车队的车辆每天24小时都运行在谷歌的数据中心。得益于这样的数据闭环，2019年7月，Waymo对外公布了所达成的最新里程碑：模拟自动驾驶测试总里程已经达到了100亿英里，且支持Waymo车型进行大规模测试。
图片来源：Waymo官网
此外，去年年底，Waymo 还收购英国仿真技术公司Latent Logic，后者开发的AI技术能够通过“模仿学习”来构建逼真的人类驾驶行为，帮助Waymo实现更加贴近现实的仿真技术。
不仅是Waymo，因为撞人致死事件一直萎靡不振的Uber，显然不能让自己落后太多。
去年年底Uber计划收购一家仿真软件开发商Foresight，目前已与后者展开深入谈判。其实，这不是Uber第一次收购自动驾驶相关技术公司。去年6月份，Uber就打算收购西雅图初创公司Mighty AI，后者专注于为计算机视觉模型研发训练数据。
国内企业加速研发
国内相关企业亦意识到，想要加快自动驾驶落地，模拟仿真测试必不可少。
事实上，目前很多主流的仿真测试系统都是根据游戏引擎开发的，例如微软的AirSim，英特尔的Carla……国内科技公司更是紧跟时局，加紧研究仿真测试，目前已经颇具成效，同样在游戏领域占有话语权的腾讯当然也不甘示弱。
腾讯基于其强大的游戏引擎，开发了TADSim自动驾驶仿真测试软件。作为一家拥有丰富游戏开发经验和技术储备的科技公司，腾讯将游戏引擎与工业级车辆动力学模型、虚实一体交通流等技术相结合，打造了无限趋近真实世界场景的线上仿真环境。
图片来源：腾讯官网
结合采集的交通流数据以及极端交通场景的模拟，TADSim可进行各种激进驾驶、极端情况的自动驾驶测试。同时，TADSim内置的高精度地图可以完成感知、决策、控制算法等实车上全部模块的闭环仿真验证，这套软件还可以完成阴晴雨雪各种天气、光照的模拟，大大提高自动驾驶测试效率。
作为同属“BAT”的百度当然同样不甘示弱。
早在2018年底，百度就与Unity Technologies建立合作伙伴关系，一起研发实时仿真产品，该产品将创建虚拟环境，让开发人员在现实模拟环境中测试自动驾驶汽车。
不满足于与实时3D研发平台合作，百度更是花费大量的心血自行研发自动驾驶仿真系统。
2019年3月，百度论文登上《Science》杂志子刊《Science Robotics》，该论文提出了一套全新的自动驾驶仿真系统：增强现实的自动驾驶仿真系统（AADS）。AADS系统包含一套全新开发的基于数据驱动的交通流仿真框架和一套全新的基于图像渲染的场景图片合成框架，通过AADS系统，自动驾驶系统测试时可提升测试效果，不断精进自动驾驶算法。同年7月，Apollo平台迎来5.0版升级，新增了车辆动力学模型，这一技术一下将传统方式建模结果在误差上减少了80%。
图片来源：百度官网
除了早早入局的百度和腾讯，作为汽车领域中的后来者，华为在自动驾驶云服务赋能上也有着自己的逻辑。
华为的逻辑是通过“八爪鱼”构建一个按需获取的全栈云平台，除了可以迈过数据处理这座高山，还能覆盖自动驾驶的模型、训练、仿真、标注等全生命周期业务。因而“八爪鱼”可以向用户提供以下几种核心能力：处理海量数据，自动化挖掘及标注；软硬件加速，提升训练及仿真效率；丰富的仿真场景；云管端芯协同，车云无缝对接。
图片来源：华为官网
其中仿真场景就是通过集成场景设计和数据驱动的方法，合计提供超过1万个仿真场景，系统每日虚拟测试里程可超过500万公里，支持3000个实例的并发测试。由此可见仿真能力只是其数据闭环中的一个环节，这个环节只有与其他环节合作才能发挥出最大的组合优势。
华为表示，未来还会将高精地图、5G及V2X技术等能力集成到“八爪鱼”中，如此看来，“不造车”的华为在仿真市场的布局颇为宏大。
目前行业内已经达成共识，模拟仿真平台是下一个兵家必争之地，不仅是行业巨头，以AutoX、文远知行、小马智行、希迪智驾等为代表的几乎所有的自动驾驶初创公司也根据各自的需求，自主研发模拟仿真环境。与此同时，行业也逐渐培育了诸如赛目科技、51VR等在自动驾驶模拟仿真测试平台有所专长的独角兽。
据专业人士预计，到2023年仿真软件与测试的国际市场总规模约在百亿美元左右，适用于自动驾驶系统的仿真技术将会被大规模地应用于汽车产品的研发流程当中。虽说仿真测试并不能真的替代实际测试，但至少在迈向自动驾驶车辆量产的路上，企业能够少走一点弯路，加速商用落地的到来。
本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。
自动驾驶跟辅助驾驶，本质上来说，其实是谁在开车的区别。
能够为开车提供方便、让我们人开得更舒服的，就是辅助驾驶；如果车子完全不用人管，即使是在复杂路况下也是系统自己能操作的，才叫“自动驾驶”。
辅助驾驶和自动驾驶区别其实很清晰
辅助驾驶和自动驾驶最大的区别在于：人在驾驶行为中参与了多少。
就好像：区分全自动洗衣机和半自动洗衣机，只要看其中有多少操作是需要用户来做的就可以了。
辅助驾驶 汽车 是指能够协助驾驶人执行转向、加速、减速等活动，系统默认驾驶人能完成剩下的动态驾驶任务的 汽车 。
换句话说：在辅助驾驶模式下，驾驶员仍然是主要的驾驶行为操作者，辅助驾驶能够让你开得更舒服，但是它不能代替你开。
自动驾驶指的是系统接管了车辆纵向和横向的控制，允许驾驶人在一定程度甚至是完全脱离方向盘。
谢一驰发表在《北京工业大学学报（ 社会 科学版）》上面的论文，《我国自动驾驶 汽车 法律规制探析》。
里面有讲到过：自动驾驶意味着 汽车 能进行部分或者完全自助行驶，只是人类在必要情况下必须进行有效干预。
就好像：现在很多的自动电饭煲，你设定好程序，它完全能够在你不在的情况下煮好一锅饭。
对于自动驾驶，是有一个明确的分级的，也就是现在很多厂家宣传的L2、L3等等。
有国标的，《 汽车 驾驶自动化分级》。
它根据驾驶自动化系统能够完成动态驾驶任务的程度，以及执行动态驾驶任务中的角色分配、有无设计运行范围限制等等，把驾驶自动化分为了0到5级。
其中，L0到L2是属于驾驶辅助，L3到L5级才称之为“自动驾驶”，3其实是最关键的，它是有条件自动驾驶，4是属于高度自动驾驶，5是完全自动驾驶。
很多人混淆就是混淆在这个地方，我们一点点来往下面讲。
辅助驾驶跟自动驾驶，其实是属于驾驶自动化的不同阶段，辅助驾驶再往前发展，才能算是自动驾驶。主要就是中文的问题，是不听起来很绕？
很多人混淆了辅助驾驶和自动驾驶
实际来看是这样的，很多朋友会把辅助驾驶和自动驾驶混淆在一起的，主要是有2个方面的原因。
车企在宣传上过于激进
首先是一些车企在宣传上有可能是比较商业，部分车企在宣传辅助驾驶功能的时候，不是叫“高级辅助驾驶系统”的，是叫“自动辅助驾驶”的。
这一定程度上就是混淆了辅助驾驶和自动驾驶的概念。
什么感觉？你听起来是不觉得有点晕？就好像说：我们说面包是面包，馒头是馒头，现在突然出现了一个东西叫做“馒头面包”。
那它到底是馒头还是面包呢？就不太说得清楚了，所以L3就有点这样的味道。
中国 汽车 流通协会常务理事贾新光也说过：车企的这种宣传，不仅对消费者产生一定的误导，也让很多用户渐渐模糊了自动驾驶和辅助驾驶的界限。
可能辅助驾驶就被当作自动驾驶在那边用了。
受众在接收信息时只会接收自己想接收的
另外，用户在接收信息的时候是会选择性接收的。
葛明发表在《新媒体研究》上面的一篇论文，《互联网时代选择性理论的中和性分析》。
里面有提到过：受众在接触大众传播活动的时候，是倾向于接触与自己既有立场、观点、态度一致的媒介或内容的。
本身就有许多用户就是更期待自动驾驶的，车企宣传的时候，用语写的叫“自动辅助驾驶”或者叫“自动驾驶辅助”。
加了“自动”2个字，自然就让一部分的用户觉得比一般的驾驶辅助功能其实是更高级一些。
心大一点的有可能就忽略了“辅助”这2个字，或者是提示的其他的细节，直接默认“它说我这个车自动驾驶”，就有这种感觉。
而且还有不少用户对自动驾驶可能导致的风险，认识是不够充分的。
为了炫耀或者其他的目的，有可能他会刻意地利用辅助驾驶功能，来实现所谓的“无人自动驾驶”的感觉，也会给还没买的人、其他的消费者带来一定的误导。
辅助驾驶跟自动驾驶怎么划分合理
所以，在自动驾驶和辅助驾驶的划分上，其实是需要更加严谨的。
在我看来，L4及以上称为“自动驾驶”可能是会更加合适一些。
因为即便是L3级别的自动驾驶，应用场景其实也是有很多限制的。
就好像：全自动洗衣机按一下就全部都好了，对不对？但是洗衣过程中停水了、没有电了，还不是得我们自己来？对吧？开车也差不多这个道理。
中国新闻周刊在2021年8月17号就报道过：即使宣称具备L3级自动驾驶的奥迪A8，也只能面向时速60km以下的拥堵场景。
并且由于其自动驾驶系统无法识别信号灯，没办法自主通过交叉路口，在快到交叉路口的时候是会退出自动驾驶系统、提前10s提醒驾驶员接管的。
你看，3级。这种情况下，把L3级别的自动驾驶当成完全成熟的自动驾驶，忽略一些特殊场景，其实是很容易造成事故的。
另外，我们也可以尝试从法律的角度来看。
真正的自动驾驶，在车子出事后，是驾驶系统需要承担主体责任，而不再是驾驶人。
针对自动驾驶，民事法律所要解决的首要问题就是责任主体的快速认定，赋予自动驾驶 汽车 法律主体地位，让人工智能自动驾驶系统成为责任主体。
换句话说：等到什么时候，我国法律规定了，车主在使用所谓的自动驾驶出了事故之后，责任主体不是我们开车的，是驾驶系统或者是造车的主机厂了。
我们就可以认为自动驾驶是真的来了。
自动驾驶和辅助驾驶区别大，勿混淆
所以总得来讲，自动驾驶跟辅助驾驶的区别还是非常大的，但是现在要做生意、要发展，新的品牌、新的概念层出不穷，一个个都是在出来的时候。
宣传上面并不是说一定是故意或者怎么样，但是大家的叫法的确是没有统一。
而不统一的叫法就会让不同认知的消费者，对自动驾驶和辅助驾驶的概念存在混淆。
在对待自动驾驶这件事情上面，我觉得我们更严谨一些、更清晰一些，甚至是行业里面能够统一起来，有可能是更好的一个做法，或者是一个趋势。
毕竟交通事故和生命是有关系的，还不是亏点钱那么简单，对吧？
自动驾驶技术论文发表
《红外技术》杂志 是核心期刊。了解更多核心期刊——君子期刊论文网刊名： 红外技术 Infrared Technology主办： 昆明物理研究所;中国兵工学会夜视技术专业委员会周期： 月刊出版地：云南省昆明市语种： 中文;开本： 大16开ISSN： 1001-8891CN： 53-1053/TN邮发代号：64-26复合影响因子：0.763综合影响因子：0.513历史沿革：现用刊名：红外技术创刊时间：1979该刊被以下数据库收录：JST 日本科学技术振兴机构数据库(日)(2013)CSCD 中国科学引文数据库来源期刊（2013-2014年度）（含扩展版）核心期刊：中文核心期刊(2011)中文核心期刊(2008)中文核心期刊(2004)中文核心期刊(2000)中文核心期刊(1996)
《自动驾驶仪与红外技术》是上海航天局第八O三研究所主办的内部资料，尚未在国家新闻出版广电总局备案，更不可能是核心期刊。
75岁的曹德旺这几年在计划一件事——出资100亿元，设立一所新大学。
他主动向福建省委省政府提出办学这事，领导们都很支持，也召开了好几次会议，就专门讨论怎么办学的事情。
曹德旺是福耀玻璃的董事长，他深刻感受着目前中国制造业人才困境的切肤之痛。
制造业企业高级管理人才断档、培养制造业人才的学科与产业需求脱节、德国教育模式的启发......都是促使曹德旺下决心一定要办好这所大学的原因。
在他看来，当下国内大学培养人才的模式偏标准化，且存在重虚拟经济、轻实体经济的倾向，同时一些培养制造业人才的学科跟不上市场需求和产业发展要求，制造业真正需要的高端人才没有地方培养。
就像一个缩影，自动驾驶赛道也处于类似境地。
作为 汽车 产业转型的核心要素之一，自动驾驶创业热潮起起伏伏已持续多年，全球众多车企、 科技 公司和初创公司都在下场追捧，饥渴的投资者们就像嗅到血腥味的鲨鱼，攘往熙来。
然而，这个行业一直以来都面临着如何招到合适人才的老大难问题。
一个典型的场景是，当企业终于找到合适的算法工程师时，却发现这位候选人手里拿着七八张offer，一家比一家工资高。
缺口最大的算法类岗位，更是浮躁到了令人害怕的程度，“你出钱高，我就会比你出得更高。候选人也是，今年要30万，明年要60万，后年就会要90万、120万”。为了留住合适的候选人，猎头们想尽了招数，甚至接起了“代管宠物”的业务。
现状也令不少企业感到头疼，美团就是其中之一。据一位接近美团高层的人士表示， 因国内自动驾驶人才性价比堪忧，美团或将在硅谷设立自动驾驶研究中心，以相对更低的成本在美国招揽自动驾驶研发人才 。
如果仔细观察供需情况会发现， 自动驾驶“人才荒”是结构性的，是“质”与“量”的双重缺位 。
一方面，当下自动驾驶行业热闹依旧，不断有圈内高管离职创业、大厂跨界押宝、车企重金转型，研发岗位缺口随之扩大。
据预测，到2025年， 汽车 行业对智能网联 汽车 人才的需求量将达到10.3万人，其中又以智能驾驶领域的人才缺口最大，预计将达到5万人。
另一方面，目前业界所需的很多新增岗位此前鲜少有传统车企涉猎，而各大高校对自动驾驶人才的培养又有些滞后。
以一般的自动驾驶感知算法架构师为例，该岗位除了要求候选人熟悉自动驾驶常见系统架构，还要求熟悉深度学习等主流感知技术，同时有参与过车规功能上车量产工作的优先。
自动驾驶行业猎头熊颖仪告诉新智驾，通常的一个自动驾驶L4级的创业公司，团队规模在300-500人，其中研发占70-80%。
“就算法岗而言，大多数公司缺的都是‘具有全栈能力的算法工程师’。会训模型的算法工程师很多，会软件开发的也很多，但是熟练使用C++编程的算法工程师并不多。”
也就是说，从事这类工作的人才，既要有软件开发技能、掌握多种程序设计语言，也要有对 汽车 新旧硬件的充分理解， 其胜任难度和要求均远超从前 。
在智能驾驶行业发展初期，这类人才多只能从公司内部转岗或者跨行业 社会 招聘而来。
但随着行业发展越来越成熟，社招将多集中在行业内的成熟人才，这类成熟人才换工作不影响智能网联 汽车 既有的人才存量，因此未来的智能网联 汽车 的新增人才可能将主要来自于校招。
而这又涉及到另一个问题——校招人才从何而来。
据了解， 高校为自动驾驶行业培养人才方面，助力不多 。
清华大学计算机系教授、人工智能专家邓志东告诉新智驾，目前国内高校主要是通过参加自动驾驶相关科研项目来培养自动驾驶人才，以硕、博研究生为主，本科生、博士后相对较少。
他认为，当下的自动驾驶人才大多来自于计算机系、自动化系、电子系、车辆工程等学科专业，这种人才培养模式无法满足 社会 上普遍存在的自动驾驶用人荒，也不能取得最佳的人才培养效果。
“有必要设立独立的自动驾驶专业，因为培养自动驾驶人才所需的教学大纲、课程体系、师资、教学实习实验设备、产业环境等都与现有专业不同，需要重新组织才能满足专业建设的要求。”
自动驾驶专家、武汉理工大学副教授杨胜兵对新智驾直言， 那种旧瓶装新酒、只是改变了专业名称的换门头做法，三、五年后就被市场判断出来了，到时候就是害人害己害 社会 。
这不是杨胜兵的一家之言。
邓志东也同样希望自动驾驶能成为高校中的一门新学科，特别是创设为一门本科专业或成为一级学科。 如果可以，最好就隶属于自动驾驶学院，“因为将其归属于人工智能学院、计算机学院或车辆工程学院，都不完整” 。
事实上，究竟是设立自动驾驶研究中心、实验室，还是单独设立“自动驾驶学院”，这会给高校在重视与投入程度、学科课程体系的构建、师资配备、教材建设和生源等方面，带来很大的不同。
自动驾驶技术的研发主要起源于移动机器人技术的研究与拓展，因此国内外移动机器人的研发强校，同时也是自动驾驶研发与人才培养的策源地。
除了计算机、自动化，自动驾驶技术也与车辆工程等学科专业高度相关。
而作为前沿新兴技术，自动驾驶迄今未有本科专业与一级学科，所以近期高校设立的自动驾驶班或无人驾驶研究中心，大多挂在不同的学院下，研究的方向和重点也有所不同。
同时目前机械类、电子信息类、自动化类等各专业都有面向智能驾驶领域开设相关课程， 类别繁芜，又容易造成资源重复和浪费，一个高校内重复设立两门相似的专业或课程的情况并不少见 。
比如姚丹亚是清华大学自动化系的教授，他在做课程设计时，曾面向全校研究生开过一门课叫《智能交通概论》，巧合的是，同时期清华大学交通工程专业也开设了这一课程。
最开始也有不少土木、计算机等专业的学生选修姚丹亚的这门课。
但姚丹亚发现，诸如交通工程专业的学生选修他的《智能交通概论》，是希望补足控制、编程方面的知识，但这类知识自动化系的学生其实早有学习，因此他这门课的教学重点是在交通、 汽车 领域，而这方面，交通工程专业的学生又已掌握了不少。
“很难满足不同学生的需求，”姚丹亚指出。
“任何一个学院和学科，都不能满足无人车这种跨学科领域研究项目的人才需求，” 北京联合大学副校长、智能车国家重大计划项目负责人鲍泓也曾在接受媒体采访时表示，光由自动化学院研究机器人只能侧重自动控制，机电学院只会研究机器人关节和机械装置，而这些都只是智能车研究中很小的一部分。
因此， 在智能驾驶人才培养方面，将各相关专业融合教学成了趋势之一 。
在这方面，国内早有高校尝试，只是并不以“自动驾驶学院”的名目单独创立。
比如在2016年，北京联合大学就在全国成立了首个机器人学院，由院士李德毅担任院长，而无人车属于轮式机器人，成为专业的重点研究方向。
但如果现在要想将自动驾驶设立为一门独立的本科专业，抑或设为一级学科，其实都面临着师资、课程培训体系搭建、产业环境需求等一系列问题。
深蓝学院的教研负责人赵松就对新智驾表示，自动驾驶作为一个综合性的学科， 高校目前并没有足够的师资来支撑自动驾驶成为一门独立的专业 。
“比如现在有不少学校都设立了AI专业，但结果还是因为缺乏师资，形成不了系统化的培养体系。”
赵松认为，自动驾驶更偏工程化，高校师资如果没有在这个行业的工作精力，培养出来的学生依然满足不了企业需求。
除此之外，开设一门新独立学科或一级学科，通常需要国家层面的教育主管部门进行顶层设计，其前提是必须从“四个面向”的高度说明，中国大规模自动驾驶人才的培养不仅意义重大深远，而且行业对人才有着持续性的市场需求，这使得实际操作起来环节很多，过程十分复杂。
不过为了培养复合型人才，在2021年初，教育部新增了国内的第14个学科门类——交叉学科，下设“集成电路科学与工程”、“国家安全学”一级学科，经过申请备案，也有不少高校被允许自设二级学科和交叉学科。
随之而来的问题则是，“ 自动驾驶”学科究竟该隶属什么学院，由谁来主导成立 。
在《无人驾驶 汽车 概论》一书中，北京理工大学的陈慧岩等教授提出了一个重要概念，即智能 汽车 的一体化设计。
陈慧岩等人认为，作为先进 科技 集成，智能 汽车 同样要面对传统 汽车 的美学造型设计、整车结构设计问题，产品既要美观、实用，还要能满足商业化成本控制需求。因此，从内部软硬件控制系统到外部车身设计，都需要进行一体化考虑。
在邓志东看来，未来的自动驾驶车辆正向设计，虽然仍离不了信息化 汽车 平台的支撑，但由计算机专业的思维来主导，或更有利于自动驾驶技术与产业的发展。
目前对自动辅助驾驶和自动驾驶的研发，大多是利用新能源 汽车 或电动 汽车 全线控平台进行构建，同时传统燃油车与电动 汽车 均有高度市场化的产业支撑。
因此相对来说，环境感知、自主定位定姿、行为预测、决策、规划与控制，则是自动驾驶落地应用与大规模商业化进程中必须着力突破的焦点和难点。
邓志东从这个角度来分析， 认为人工智能与计算机视觉才是自动驾驶人才培养体系的核心和重点，应该也必须主要由它们来主导自动驾驶的教学体系设计与人才培养。
元戎启行副总裁刘轩则认为，和自动驾驶最接近的专业，应该是机器人专业，所以应该以设计机器人的思路去主导设计无人车，“目前国际上做得比较好的公司里的CTO或创始人们，基本都是机器人相关背景出身的”。
而考虑到由此产生的各个学院的话语权争夺问题，姚丹亚则直接否定，称 “（设立独立的自动驾驶学科）这事搞不成” 。
除此之外，刘轩还表示，除非高校的课程能与业界保持与时俱进，否则专门开设一门自动驾驶学科的课程设置难度会非常大。
一方面，自动驾驶技术的迭代需要海量数据，而高校只能用有限的开源数据，因此相比于业界，高校在理解自动驾驶技术方面就困难得多。
另一方面，业内也有很多前沿的技术并未公开披露或者发表为论文，知识产权掌握在私企中，企业愿不愿意拿出来分享、谁来教课，也是一个很大的问题。
事实上，从专业教学大纲、课程体系、师资、设备等方面搭建一门完整的独立学科，往往需要至少5-10年的周期。
远水难解近渴。
因此在目前企业内部的人才培养模式上，其实不少企业已经“被逼着”先形成了 “专项培训”、“老带新”，以及“在岗学习”三位一体的组合，效果初现。
刘轩告诉新智驾，对于计算机专业以及对自动驾驶涉猎不深的应届生，通过“老带新”和“以战代练”的方式，基本上入职半年就可以做出不错的项目成果。
因此在他看来，在校期间，这些学生专门去学自动驾驶课程的必要性不大，因为业内自动驾驶技术迭代非常快，“在学校学的，毕业后可能就用不上了，校内学生最好还是培养基础能力，比如机器学习算法、写代码能力、软件工程能力”。
L4级自动驾驶公司酷哇的HDR张树丽则表示，与其设立单独的自动驾驶学科，高校更应该多增加和企业的合作，培养学生的实践落地能力，“以战代练，是培养人的很好方式，酷哇比较崇尚”。
国内高校对无人车的研究其实很早。
和很多前沿技术一样，国内开始对无人驾驶车辆的研究也是起于军事需求。
“八五”期间，南京理工大学、清华大学等高校承担了一项名为“地面军用机器人“的项目，联合研制出了国内第一辆具有自主识别功能的ATB一1无人驾驶车辆。
随后，国内高校开始零星以课题组的形式对无人驾驶技术进行研究， 目前国内“科班”出身的自动驾驶人才，也大多由这些研究型大学产出 。
比如中国工程院院士郑南宁在2001年末，就在西安交大组建了无人驾驶智能 汽车 课题组。
2002年，课题组的无人驾驶车“思源1号”正式诞生，2005年，课题组则开始试图让“思源1号”进行一次从西安到敦煌的长途无人驾驶之旅。
当时“思源1号”的长途之旅走得磕磕绊绊，大多数时候仍依赖人工驾驶，而彼时国内研究无人车领域的人确实是少之又少，只能说是初步在土壤中埋下了种子，远远谈不上自动驾驶人才培养体系。
真正让各高校刮起自动驾驶人才培养旋风的，是国内从2009年开始创办的中国智能车未来挑战赛。（雷峰网已策划了中国智能车未来挑战赛人物报道，点击链接阅读第一篇：《崔迪潇：无人驾驶、摇滚和半个西安人》）
2009年，第一届中国智能车未来挑战赛在西安举行，当时的测试场景相对比较简单，比如要求对交通信号、标志和标线进行识别等。
随着时间的推移，中国智能车未来挑战赛开始引入更真实更复杂的场景，逐渐让车辆在真实的乡村和城区道路上行驶，并且陆续增加雾天、信号屏蔽区等测试环境，从感知到规划决策再到控制，对参赛无人驾驶车辆的自主行驶能力要求不断提高。
举办十多年来，各大高校持续参赛，让一批参赛学生对自动驾驶萌生兴趣并走向业界成为中坚力量。
邓志东曾在2016年作为领队，带领清华大学的无人车“睿龙号”参加当时的智能车挑战赛。
他告诉新智驾，参加了智能车挑战赛的学生们，一般是去往百度、阿里、腾讯等巨头公司的比较多，主要从事自动驾驶高级技术岗，薪资水平相当可观，也有少数学生创业，部分初创企业已成长为中国自动驾驶细分赛道的头部企业。
邓志东认为， 与仅是以论文发表或是以PPT成果汇报为目的的科研不同，“以赛促研”的模式不仅能真刀真枪地解决问题，而且相应的技术研发也更加落地，因此培养的人才也更能满足企业的实际需要 。
元戎启行副总裁刘轩也表示，参加类似的智能车挑战赛能够让学生对行业有个基本的概念、产生兴趣，吸引人才进入这个行业。
也正是在2009年前后，国内高校对培养智能驾驶人才的动作频繁起来。
像2009年第一届中国智能车未来挑战赛的冠军湖南大学，就在参赛前夕的2008年7月，由来自计算机通信学院、机械工程与运载学院等学院的50多人，组成了无人驾驶车辆预研项目组。
清华大学的 汽车 安全与节能国家重点实验室，则是在2011年，开始将研究方向转向智能网联 汽车 与自动驾驶。
除此之外，还有各类名目不一的机器人实验中心、国内外高校、企业联合成立的无人驾驶研究中心、创新中心，都在这期间如雨后春笋般出现。
同时，近几年，随着发展智能网联产业上升到国家战略高度，高校、职业院校们也开始增设相关专业或者学院，比如清华大学的车辆与运载学院、北航交通学院的自动驾驶班、合肥工业大学的智能车辆工程专业等等。
不过，目前高校对智能驾驶人才的培养， 却是起个大早却赶了晚集，时至今日不管是“质”还是“量”都仍不能满足业界当下的需求 。
以中国智能车未来挑战赛为例，尽管它确实为方兴未艾的智能驾驶行业积累了技术和培养了人才，但随着越来越多的公司进行自动驾驶技术的商业化落地，对他们而言，候选人的参赛经验，在面试时，这时只能算是锦上添花的加分项。
企业也开始更谨慎地通过类似的赛事去考察对方的能力。
同时，自动驾驶技术步入落地阶段，曾经众多参赛选手自立门户一举创业的景象也已渐渐远去。
清华大学自动化系统工程研究所教授姚丹亚就认为，各种 汽车 挑战赛，多是起到激发学生兴趣的作用，“但对学生从事这个职业有多大作用，不太确定”。
再看当下各类的高校无人驾驶实验室或者研究中心，除了规模小无法满足行业需求外，也另有局限。
姚丹亚表示，高校实验室或者和企业合作的实验室目的各不同：
赵爽今年刚硕士毕业，进入了一家新能源 汽车 公司任ADAS算法工程师。
在他看来，由于论文导向，高校里的同学大多是在做推公式、调参的活儿，和企业做真实项目的需求脱节。
“企业做项目需要把所有的缺点都克服，不一定要用最好的设备，关键是要可靠和效率高，但发论文只需要抓住N次实验中的最好数据，为了论文的创新点，也会使用一些高端昂贵的设备。”
确实，在自动驾驶的研发过程中，企业更加注重于短期的落地实践与商业化应用，而高校则擅长较长远的前沿与关键核心技术的攻克。
邓志东认为，培养与产出高级自动驾驶人才是高校的主要使命之一，这可为合作企业所用。
因此，企业和高校之间，非常有必要合作成立自动驾驶实验室或者研究中心。
然而目前真正成功的合作案例不多。
究其原因，一方面是两者的评价体系与机制迥异，二是双方的特长不同，合作中需要扬长避短。
例如，由于高校研发团队通常很小，学生管理较自由，执行力与效率不如企业，因此企业并不适合以时间硬节点的形式要求高校完成一些工程性很强的开发任务。
另外考虑到核心技术的突破具有一定的失败风险，因此校企合作中也要有一定的宽容度。
而当下新增的专业比如智能车辆工程等，其实也存在着供需错配的问题。
像近年专面向智能网联 汽车 技术而全新开设的智能车辆工程专业，其课程体系仍然以机械类课程为主，对智能网联 汽车 技术的总体匹配程度相对不高。
此类专业对学生的培养方向，与其说是智能化，不如说更多是电动化，学生也多在 汽车 及零配件、机械/设备/重工、交通/运输/物流等领域就业。
而除了设立独立的自动驾驶学科这一选项，在培养产业应用型人才方面，研究型大学、应用型大学和技能型大学等不同种类院校能做的事其实并不少，比如参考德国的二元制教育、借鉴硅谷的“创业孵化器”“产学研培养”等模式， 探索 空间极大。
当然，现阶段为行业培养人才的事，应该仍靠校外做主力。
但在参加一些校外培训机构的课程时，L4级自动驾驶公司AutoX发言人提醒新智驾，如果候选人参与过一些比较复杂的项目，那么类似的校外培训经验有用。
不过如果只是参与了简单的落地项目，这种项目经验反而会导致候选人的技术积累比同龄人更慢更浅，求职过程中会比较困难。
“人才荒”——这不仅仅是自动驾驶一个领域的困境，而是已经成为整个制造业转型的桎梏。
如今，供给侧改革大潮滚滚而下，我们又再一次站在了 历史 的十字路口，除了资本、资源，人力资本也必须开始向新供给集中，新需求才可能被创造，从而挤压老产业的生存空间，从根本上消除产能过剩。
教育政策，也必须回到 社会 需求与 社会 现实中，才会有不断焕新的生命力。
参考资料：
《无人驾驶 汽车 概论》，作者：陈慧岩、熊光明、龚建伟，出版社：北京理工大学
雷峰网#雷峰网#雷峰网
沈雨娇写的论文有撵炉胶，春夜喜雨等论文。沈雨娇的很多偏关于社会学的论文，发表在人才杂志上，引起很大反向。
自动驾驶领域好发表论文吗
你好，目前人工智能，自然语言处理是比较前沿的，很多领域都在使用这些方法，如果你想更好发表论文的话，据我了解信息提取、图像识别和知识图谱这些都比较好发文章，如果你选择的导师有和一些其他领域合作那就是最好的，因为最容易发的就是你将这种方法应用到一些其他领域，然后在其他领域的期刊发文章，就我周围的话有应用在地理学和生态学中，希望我的回答对你有所帮助。
人工智能比较好
《红外技术》杂志 是核心期刊。了解更多核心期刊——君子期刊论文网刊名： 红外技术 Infrared Technology主办： 昆明物理研究所;中国兵工学会夜视技术专业委员会周期： 月刊出版地：云南省昆明市语种： 中文;开本： 大16开ISSN： 1001-8891CN： 53-1053/TN邮发代号：64-26复合影响因子：0.763综合影响因子：0.513历史沿革：现用刊名：红外技术创刊时间：1979该刊被以下数据库收录：JST 日本科学技术振兴机构数据库(日)(2013)CSCD 中国科学引文数据库来源期刊（2013-2014年度）（含扩展版）核心期刊：中文核心期刊(2011)中文核心期刊(2008)中文核心期刊(2004)中文核心期刊(2000)中文核心期刊(1996)
《人工智能与机器人研究》是一本关于人工智能的期刊，该期刊杂志上发表的文章包含这些领域：智能机器人、模式识别与智能系统、虚拟现实技术与应用、系统仿真技术与应用、工业过程建模与智能控制、智能计算与机器博弈、人工智能理论、语音识别与合成、机器翻译、图像处理与计算机视觉、计算机感知、计算机神经网络、知识发现与机器学习、建筑智能化技术与应用、人工智能其他学科等等。另外，这本期刊就是一本开源期刊，与传统期刊相比，采用了同行评审的方法审稿，具体开源期刊的特点可以百度了解更多；而且发表了的文章传播范围更广，受众更多，文章的影响力也更大。