新技术的出现，往往是先诞生于实验室，然后才走进企业，被应用于产品，因此大学里的研究课题对行业的发展方向时常有一定的前瞻意义。从个人角度而言，投资即是认知的变现，而新技术崛起必会带动某个小领域高速发展，因此这篇文章也许能给各位选择下一只股票提供些参考也说不定。

大学里的课程受欢迎程度很好地体现着如今行业的发展热点，而教授们的研究课题则多少指引着行业的未来发展趋势。慕尼黑工大的众多课程中，机器学习、机器视觉、图像理解等与人工智能相关的课程最是炙手可热，几百人的大教室座无虚席，而传统的燃烧学，材料学等课程却日渐式微。而诸如无人驾驶电动小车，医学手术机器人以及和马斯克想法相似的高速隧道汽车等项目也在探索着通向未来的脚步。

目光回到汽车行业，除了新能源和自动驾驶两大趋势世人皆知，还有哪些方面，哪些部件将会迎来创新和变革？这学期我选了一门课，课上介绍了一些学校和各个车企正在合作研究开发的项目，以此观之，或许可以得到些有参考价值的结论。

自古都是先有矛盾和需求，然后有发展。如今汽车面临的挑战无外乎以下几点，日益增长的娱乐和舒适的功能需求、因此变多变复杂的控制器和更繁重的线束、随着复杂程度和重量增长却日益严苛的环保和排放法规、还有越发受重视的安全性，以及电动化和自动驾驶大趋势下各系统需要付诸实现的配合。

细说这最后一点，要实现自动驾驶，对汽车众多系统和部件的要求也水涨船高，比如近几年出现的具有高度实时性和冗余的FlexRay总线，就是为了保障线控的安全性而量身打造。而对配合自动驾驶而言，最重要的部件，或许就是车周围的各种传感器了。人类开往自动驾驶的路上，前有谷歌长达8年，累计46万公里的研究，后有如今各家车企大力研发各显神通，其实软件和策略部分已经接近成熟，制约自动驾驶系统发展的恰恰是控制闭环中感知即硬件这部分（当然法规和一些道德方面也存在争议）。

如今各家车企的驾驶辅助系统，或说部分自动驾驶系统主要使用的还是超声波、红外线测距传感器、激光雷达和摄像头等较传统的传感器，其精度还达不到自动驾驶Level 5的要求，而为了突破这或许是最关键的一环，德国各大学和车企对提升传感器精度投入大量精力研究，由此还逐渐形成了一门叫传感器学（Sensorik）的学科，重视程度可见一斑。

值得一提的是，除了从改进传感器的物理构造上想办法，前一阵美国科学家还从改进传感器数据后处理的角度入手，结合深度学习算法用纯代码的方式成功实现了传感器精度提高，这种被称为人工智能传感器（AI-Sensor）的方法也给传感器研究提供了新的思路。

随着驾驶自动化，安全性越发重要，除了和前文FlexRay总线一样思路的传感器冗余设计之外，主动安全也是不可或缺的一部分。而这方面也和传感器息息相关，比如在车内，依靠对驾驶员眼神或是呼吸、心跳的感知来判断其有无疲劳驾驶，或是主驾驶人脸识别确认车主信息以防止车被小偷开走等等。这也是机器人学中人机交互研究的范畴，现在已经有了语音和手势控制，相信随着机器学习的发展，这方面还有广阔的空间。

对实现自动驾驶Level 5必不可少而且目前还很薄弱的另一环就是高清地图（HD-Map），这里要给大家道歉，虽然开头说除自动驾驶之外的新技术，但这前两条还是难免和自动驾驶相关，没办法，时代趋势谁也躲不开。

要说开车时最常用的功能，一定是导航，对于自动驾驶，导航就更是至为关键。这里先借课上的一张图简单讲解一下我们目前使用的车载导航的原理。

上图中红色的就是导航系统主要的三个组成部分，Dead Reckoning是车辆内部的计算，依靠速度、加速度等传感器数据计算得到的轨迹，GNSS是卫星导航系统，代表接收到的卫星定位信号，第三部分则是储存在车辆内部的地图。

我们的车辆轨迹也是这三部分综合的结果，其主要原理是：由车辆内部传感器数据计算和卫星发来的GPS坐标相结合得到一条车辆轨迹，然后再把这条轨迹和地图上有可能行驶车辆的道路拟合，即把轨迹“贴”到路上。

这种方式的弊端我们生活中也有体会，比如山区和隧道会遮挡GPS信号，地图的信息不精确，导致分不清在高架上还是在高架下，或是地图更新不及时新修的隧道没有记录等，都会导致导航的偏差。

这种偏差我们开车时人为可以修正，但对于自动驾驶可能就是致命的，因此对自动驾驶而言高清地图数据至关重要，这种高清地图不光地图精度大大提高，而且地图数据中还包含了道路上具体的地标性建筑，路试牌等等，这样结合传感器的感知，精度就会大大提高，对于未来的高清地图而言，及时而又精准地更新也是一大难题。

国外对高清地图数据的采集早已开始，而国内出于国防考虑这方面发展地还较缓慢。随着越来越多的厂商掌握自动驾驶技术，高清地图数据已是兵家必争之地，而未来握有高清地图资源的公司势必在市场上掌握话语权。这方面我没吹牛，诸位在选下一支股票时，做传感器和高清地图的公司确实可以考虑一下。