只不过在CES上，老黄买了个关子：在3月份德国柏林举行的BoschConnectedWorld上，他将同台公布更进一步的合作成果。事实证明，老黄没食言，在BCW上，博世牵头英伟达公布了基于Xavier平台的车载人工智能电脑。关于Xavier平台的运算能力，在CES的文章中早已有所阐释，在这里就仍然明确进行。

在BCW的发布会之后，记者幸运地与老黄面对面闲谈了闲谈，本文将重点融合老黄的发布会与采访，解析他眼中的自动驾驶。老黄在BCW上都谈了什么？除了公布车载人工智能电脑，老黄在演说中还讲解了英伟达在自动驾驶领域的3个布局：1、DeepLearning：GPU在深度自学领域的应用于成就了今天的英伟达。

在老黄显然，深度自学驱动下的人工智能，也将沦为自动驾驶决策的主要算法结构。2、HDMap：在高精度地图领域，深度自学也将起着最重要的起到。它需要协助机器更加高效的通过传感器搜集地图数据，例如辨识道路特征、萃取建筑轮廓、辨识道路图形标牌等。3、AISupercomputingSOC：这个是英伟达本就十分擅长于的硬件芯片。

博世将NVIDIA人工智能平台划入到自己的零部件供应商中早已是对其硬件实力的最差证明，这也意味著英伟达的人工智能芯片将开始月向量产平台进占。此外，这次老黄还公布了将与卡车制造商PACCAR合作，基于DrivePX平台发展卡车领域的高级别自动驾驶。

在此之上，老黄又更进一步闲谈了构建L3级别自动驾驶所必须的几个环节：Detection（感官）、Localization（定位）、OccupancyGrid（占用空间）、PathPlaning（路径规划）、VehicleDynamic（车辆运动）、OTA（在线升级）。可以看见，除去OTA之外，老黄的解读与我们之前再三提及的感官、地图、决策、掌控有一些类似于。但是，这两者之间仅次于的不同点是在于对「决策」的解读。

做到图像处理发家的老黄，将驾驶员决策精妙的分为了两个偏向图形分析的环节：OccupancyGrid（占用空间）：这个环节所指的是，机器对于周围环境中各元素所处方位与所占到空间作出的辨别。这个辨别既还包括当前环境，也还包括未来环境。而元素可以是车辆、行人、建筑物等等。PathPlaning（路径规划）：在辨别了周围元素之后，机器将根据这个空间环境，规划出可驾驶员的路线。

这样的区分，毫无疑问需要更佳的反映GPU在图像处理方面的优势。在老黄显然，目前市面上还没任何一个量产的计算出来平台需要同时统合上述五个环节，而这正是NVIDIA期望在汽车领域攻下的考验。最关键的部分来了：综合上面的分析，老黄明确提出，DeepLearning在高精度地图以及图像识别方面的应用于不仅需要优化自动驾驶的决策，更加需要协助减少车辆上所须要传感器的成本。我们之前提及过，除了特斯拉之外，大部分主机厂和Tier1都指出，每一辆构建L3级别的自动驾驶车辆必须配有激光雷达。

而老黄指出，在DeepLearning的驱动下，现有量产级别传感器以及高精度地图技术的潜力将被更进一步挖出，从而在一定程度上超越L3级别自动驾驶对激光雷达的倚赖。由于目前激光雷达的成本和量产时间是构建L3自动驾驶的主要瓶颈之一，老黄坚信，我们有可能在今年年底到2018年间就构建L3级别的自动驾驶，在2018年底到2019年构建L4。

在德国当着无数汽车行业的人得出这样的观点，老黄就这样把他的「黄氏定律」带回了汽车圈。带着女儿来采访演说之后，在BCW场地旁边的一个酒店会议室中，我又再行一次看到了老黄。采访的一开始，老黄就给了都说的媒体一个惊艳：「今天我的女儿也跟我一起来了，有我女儿看著，你们要对我好一点哦。

」这样的画风也让整个采访氛围一下子变为了科技公司的精彩范儿。在向大家讲解完了自己的女儿之并复盘了一下自己的演说之后，老黄开始问起了大家的问题。

本文来源：乐鱼(中国)leyu-www.hunqing99.net