英伟达阿里抢投这家华人公司,高精地图吸金效应显露

作为全球高精地图新贵中的四小龙之一,DeepMap凭借核心赛道和团队背景优势,在新一轮融资中一举获得英伟达、博世、阿里、北汽等顶级产业资方青睐,折射出高精地图创业领域头部效应显现、产业整合链条等信号趋势。在自动驾驶商业化前夜,高精地图或将成为最具潜力的营利业务之一。

「没有高精 3D 地图,自动驾驶免谈」——已然成为自动驾驶领域的共识。随着无人驾驶商用化日益临近,不可或缺的高精地图成为各家抢占的重要细分赛道。

机器之心消息,据产业人士透露,硅谷高精地图创业公司 DeepMap 正在推进 B 轮融资,其中两名重磅战略投资方已经浮出水面——英伟达和博世旗下风投公司(RBVC),而其他投资方将包括阿里巴巴、滴滴出行、北汽集团等。

机器之心联系到 DeepMap 创始人兼 CEO 吴夏青(James Wu)求证该消息。吴夏青表示,现在公布的战略投资方为英伟达和博世,其他资方还没有官方消息。

DeepMap 在 2016 年初由华人吴夏青、罗维和 Mark Wheeler 等人创办,所属地位于加利福尼亚州的帕洛阿尔托,专注于高精度地图解决方案的研发。此外,DeepMap在中国北京设有分公司,近期正在扩充技术研发团队。

2017 年 5 月,DeepMap 完成 2500 万美元 A 轮融资,由硅谷知名风投 Accel Partners 领投,Accel 同时是 Facebook 除扎克伯格外的第二大股东。

参考外媒 the information 与海外创投数据库 crunchbase,DeepMap 三轮融资总计9200万美元,最近一期 B 轮融资将达到 6000 万美元,目前估值为 4.3 亿美元。

业内人士分析,该轮由中国资方主导的融资将为 DeepMap 开拓国内市场创建便利通道。

DeepMap 是谁?

自动驾驶领域里,能够同时揽获产业和互联网顶级投资资源的创业公司并不常见。投资人如此看好 DeepMap 主要在于两点。

一是高精地图赛道已经成为自动驾驶商业化的核心挑战,二是公司背后的重量级领导团队。

DeepMap CEO 吴夏青(右)和 CTO 马克·维勒(左)

DeepMap 的创始团队包括 CEO 吴夏青、CTO 官马克·维勒(Mark Wheeler)、COO 罗维等人,他们早年在谷歌、苹果、百度等巨头进行自动驾驶技术研发的经历为创业提供了宝贵的经验财富。

创业前,DeepMap 创始人兼 CEO 吴夏青在百度美国研究院任职主任架构师,为百度自动驾驶开发高精度图;更早的时候,吴夏青曾任职于 Google Earth、苹果地图等部门,积累了 14 年的地图研发经验。此外,团队中还包括数名激光雷达领域的技术老将。

据 DeepMap 介绍,在技术实现方面,目前绘图技术精度可达到厘米级,系统支持自动驾驶车辆的精准定位;同时,处于 DeepMap 平台中的车辆可以彼此之间共享实时信息更新。公司的主营业务包括三块,分别是高精度地图、精确实时的位置定位、服务基础架构的搭建。

DeepMap 采用数字摄像头和激光雷达组合收集数据的方式,以创建详细的 3D 地图,可以识别到街道标志、邮箱,甚至诸如路沿高度等小细节。

与一般高精地图构建模式不同,DeepMap 允许不同的公司创建包含不同特征和数据的高精地图,提供可嵌入车辆的软件,解决定位、数据更新、路线规划和数据收集等问题。

团队认为,DeepMap 的差异化优势在于通过高效处理大规模数据的地图运行架构,进而实现高精度、低成本的地图和定位解决方案。「把高精度地图大规模、低成本地做出来,只有少数人知道该怎么做,能去做好的人就更少了。我们就是这样的团队。」DeepMap COO 罗维说道。

在技术层面,构建高精地图数据已经不是最大门槛,核心挑战在于如何不断更新这些海量地图,以反映道路工程或倒下的树木等新障碍等变化。

为避免自运营昂贵的采集车队更新数据,DeepMap正在寻找新的数据模型(终端客户可保留对基础数据的所有权),从已经部署在路上的自动驾驶车辆中收集数据,保持地图更新,

在这个模式里,DeepMap不再强调软件数据的归属权,地图制作被作为可以植入任何汽车制造商平台的服务, 而“持续赋能”的动态服务则对应着高精地图信息的更新频率,这将汽车制造商和服务开发商的利益绑定在一起。

高精地图吸金能力强劲

自动驾驶等前沿赛道上,市场体量规模和公司营利能力是影响其健康发展的关键因素。

据业内预测,高精地图发展黄金期正当时,到 2020 年高精地图市场整体规模将达 21 亿美元。2025 年,该市场规模有望达 94 亿美元(折合 607 亿元人民币)。

相较于高级自动驾驶技术落地难的困境,高精地图数据服务的市场现状更为乐观。即使在大规模应用于自动驾驶汽车之前,高清地图也有其用武之地——助力开发驾驶员辅助驾驶方案。

因为高精地图不仅仅用于导航,还需要提供关键的安全功能。相比传感器近距离感应的作用,高精度地图更着眼于对远距离的路径判断和规划。当车速过快,传感器的反应速度和感应距离不足以支撑汽车做出驾驶反应时,或者下雨天雨滴挡住传感器摄像头时,高精地图则可以发挥提前规划安全路径的作用。

传统汽车制造商认为,高清地图将在未来几年成为收入的重要来源。

「这就像电视发展的演变历程一样,从传统电视到高清和 4K,一旦发展起来,就不会走回头路。我们将会看到未来销售的大部分地图都是具有高清分辨率。」地图商 Here 的制图负责人 Ralf Herrtwich 谈道。(Here 地图原为诺基亚旗下资产,在 2015 年被奥迪、奔驰及宝马通过一个持股平台间接持有。)

高精地图的吸金能力在创立两年的 DeepMap 身上得到了及时体现。

「DeepMap 在 2018 年的预计收入约为 300 万美元,相比去年 65 万美元营收增长 4 倍多。预计收入增长主要是由于今年年底到期的汽车制造商付款。」知情人士向 the information 透露。

在北美、亚洲和欧洲等地,DeeMap已经建立数家客户和合作伙伴,公开合作的车企业务包括上汽硅谷创新中心、福特汽车以及本田旗下的加速器 Honda Xcelerator。

在加州的 Concord 和 San Jose 等地,上汽的自动驾驶测试车辆已经搭载了 DeepMap 的软件。去年,创业公司 Voyage 在 San Jose 试运行的自动驾驶车辆上也使用了 DeepMap 的服务。

有投资人透露,DeepMap 还在与戴姆勒推进合作。作为B 轮新晋的中国投资方阿里,有意将 DeepMap 的数据采集软件植入到自家的菜鸟物流车队中。「预计阿里今年会推出 100 辆自动驾驶物流车,并有望扩大到数千辆。」

此前,阿里连投两轮互联网新造车公司小鹏汽车,并在 2014 年将国内领先的数字地图服务公司高德地图收入囊中。

「没有人想让谷歌再赢一次」

在传统数字地图时代,谷歌通过满世界跑的地图测绘街景车、专业的绘图软件成为无可争议的赢家。但在高精地图新一轮的争夺战中,包括百度在内,没有人想让谷歌再赢一次。

「将来中国高精地图业务可能比百度当前搜索业务规模还大!」在 2018 年初的 CES 现场,百度前首席运营官陆奇面对美国媒体说道。

除了巨头布局,在「新贵」的舞台上,DeepMap 与 CivilMaps、lvl 5、Carmera 被并称为全球高精地图四小龙。DeepMap 凭借深度学习技术识别、提取信息获得高效优势,CivilMaps 则在信息筛选和压缩技术上握有先机,而精于数据采集众包的 lvl 5 与 Carmera 同样备受资本青睐。

DeepMap COO 罗维提到,「老东家」谷歌曾找到她希望投资。尽管关系十分密切,但为了保持公司独立性,DeepMap 还是婉拒了谷歌。

不过,DeepMap并不缺少橄榄枝,博世与英伟达均对后续合作表示出期待。「DeepMap 填补了高精地图市场的空白。该公司利用车辆嵌入的软件制图,适用于博世和整个汽车行业的高度自动化和自动驾驶。」罗伯特博世风险投资公司的总经理 Ingo Ramesohl 博士谈到。

英伟达业务开发副总裁 JeffHerbst 则表示,「高精地图是实现自动驾驶汽车部署的关键。DeepMap 构建和更新地图的能力让我们印象深刻,很高兴能够为他们的下一步发展提供支持。」

在此之前,英伟达已公开两项自动驾驶投资标的,包括景驰科技和图森科技两家自动驾驶技术解决方案商;在高精地图数据服务领域,DeeMap是第一家。

当下,中国已经成为全球最大的新车市场。凭借该先天优势,中国也被视为全球自动驾驶技术竞争中最为强劲的选手。但对于美国公司而言,进军中国市场却是一项艰巨而复杂的任务,中国在收集地图数据或提供地图服务层面设有严苛的许可审查。

外媒认为,获得这些许可证通常意味着需要与中国公司合作。DeepMap 通过吸收中国资本,能够在一定程度上为其在国内的业务铺平道路。比如百度,作为国内高精地图服务商业化的先锋,百度已经与宝马等诸多海外汽车制造商达成合作。

与此同时,中国地图数据服务商与上下游链条公司的整合信号也越发强烈。

去年 8 月,高德地图就联手精准位置服务商千寻位置,推出提供「高精度地图+高精度定位」综合解决方案,并为数据采集「众包」打下基础。

与上汽集团、四维图新合作的英特尔则正在谋划如何通过快速整合资源,有效加速数据采集高精地图绘制,为服务无人驾驶应用做好准备。

产业创业公司融资英伟达高精地图自动驾驶
4
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

暂无评论
暂无评论~