Google-高精地图-riscv-收购Twitter杂谈

参考文献链接

https://mp.weixin.qq.com/s/bpQvHR3T7k0IPns9-P4qGQ

谷歌亚麻Meta微软全崩塌、Twitter大清洗……有人两年白干，有人一夜更富！

10月27日，马斯克完成440亿美元Twitter私有化交易，并当场解雇推特CEO，CFO在内的多名高管。

据《华盛顿日报》报道，推特CEO和CFO的裁员补偿合计高达1.2亿美金。

虽然拿到高额补偿，但这些高管本也不缺钱，最惨的是接下来前途未卜的Twitter员工。

然而，如今面临裁员风险的不仅是推特员工，随着微软、谷歌、Meta、Amazon等公司相继发布最新财报，几乎全线大跌，未来都有可能下手裁员以缩减成本。

英国首相都能40多天就下台，未来三年内，真的要做好随时失业的准备！九章推出layoff应对版《算法强化班》，坚持刷题，强化算法水平，即使被裁，也能迅速上岸！

layoff应对版大厂高频题（9月10月最新）

截图展示部分，拉至文末领取

Meta：股价自由落体，市值跌破＄3,000亿

10月27日，Meta发布第三季度财报后，股价呈自由落体式下跌，大跌近20%，全天跌幅累计超过了25%。Meta的市值直接跌破3,000亿美元。

备受关注的元宇宙部门Reality Labs，营收不仅没有增长还出现了大幅下跌。

今年年初，按市值计算，Meta仍是美国第六大公司，市值接近1万亿美元。仅仅10个月后，该公司股票目前价值约2600亿美元，在世界上排名第27位。

Meta有员工吐槽，年前价值50万美金的Meta股票如今还剩十几万……数年积蓄付诸东流，还要祈祷PIP别轮到自己…

Google：营收增速跌回2013年最低水平

谷歌的三季度财报显示，该季度谷歌营收为690.92亿美元；净利润为139.10亿美元，同比下降26.5%；每股收益同比下降24.3%。

值得注意的是，此次谷歌6%的营收增速相较于去年同期的41%的增速可以说是骤降，同时这个数据也是剔除新冠疫情爆发时期后2013年以来的最低水平。

9 月，皮柴就放话表示他希望将公司的效率提高 20%。通过这次财报，预计接下来一段时间，谷歌的“狼性”氛围应该会有增无减。

Microsoft ：营收增速降至五年来最低水平！

微软财报显示微软本季度营收为501.22亿美元，同比增长11%；净利润为175.56亿美元，同比下降14%；每股收益为2.35美元，上年同期为2.71美元。

图源 CNBC

最新数据显示，公司营收增速降至5年来最低水平！微软财务报告发布后，市场马上给了残酷的反应，微软的股价罕见大跌7%，市值蒸发大约1235亿美元。

Apple ：延续持续增长势头，但，“喜忧参半”

苹果公司第四财季公布，净营收较上年同期增长8%，达到901亿美元，创7-9月期间的纪录。该季度净利润为207亿美元，同样创下纪录，净营收和净利润都超过了分析师的预期。

其中，苹果的王牌产品iPhone销售额为426亿美元，较上年增长9.7%，继续占苹果营收的一半左右。

另一方面，苹果服务业务增长放缓，一些分析师认为这可能会影响iPhone的销售。包括App Store和Apple TV+在内的服务营收为192亿美元，较上年增长约5%，但低于前几个季度的同比增幅。

苹果相较于微软、Meta、谷歌等同水平大厂，表现还算不错，延续了连续增长的势头。但是科技股的抛售潮仍未结束，苹果依旧“喜忧参半”……

Amazon：盘后股价暴跌超12%！市值蒸发超1,900亿美元

亚马逊第三季度财报显示，销售净额1271亿美元，同比增速为15%，低于市场预期的1276.4亿美元；经营利润25亿美元，低于市场预期的31.1亿美元；第三季度每股收益0.28美元，高于市场预期的0.22美元。

受这份财报拖累，亚马逊盘后股价一度大跌21%，市值蒸发超1,900亿美元。虽然之后跌幅有所收窄，但是如果这种跌势在周五延续下去，这将是自2006年以来的最大跌幅。

至此，美科技巨头财报周在“哀嚎阵阵”中落幕，除苹果相对稳健，其余全部不容乐观。

买股票一般人都知道要分散投资，不能把鸡蛋放到一个篮子里，然而就怕鸡蛋放进不同篮子，然后放进一辆车里……行业寒冬，谁也无法置身事外，只能不断强化自己，尽量提升自己的抗风险能力。

高精度地图：自动驾驶的向导

高精度地图是伴随着自动驾驶而生的，是目前研发L3及以上自动驾驶技术的标配。高精度地图是以厘米级精度来描述道路细节的数据集。与传统导航地图不同的是，高精度地图除了能提供的道路（Road）级别的导航信息外，还能够提供车道（Lane）级别的导航信息。无论是在信息的丰富度还是信息的精度方面，都远远高于传统导航地图。

图1 导航地图（左）与高精度地图（右）对比示意图

国内外高精度地图发展概述

Waymo早在2009年就在为自动驾驶构建地图。随后，由于大算力芯片以及深度学习技术的蓬勃发展，自动驾驶技术能落地的场景也变得越来越丰富，同时自动驾驶技术本身带来的巨大商业价值，吸引了越来越多的国内外玩家进入该领域，进行深入研究来实现各类场景的落地。高精地图作为自动驾驶技术中的重要环节，在定位、感知、规划甚至端到端的自动驾驶算法中都能提供技术支撑，越来越多的企业加入了高精度地图制作行业来加速自动驾驶快速落地。除了Here、TomTom等传统图商先后加入到高精地图制作外，自动驾驶技术公司Mobileye，Tesla等在自研高精度地图上也投入了大量精力。国内厂商紧随其后，2013年，国内图商四维图新、高德、宽凳科技等加入高精度地图的制作，同时，自动驾驶技术公司百度、Momenta等为满足L3级别的自动驾驶的要求也开始了高精度地图的制作和使用。

高精度地图在自动驾驶中的作用主要体现在如下几个方面：

感知：红绿灯感知、车道线感知、超视距感知等大大简化了自动驾驶过程中后续预测以及规控算法设计的复杂度。

路径规划与决策：使用高精度地图提供的信息提前进行路径规划，同时根据障碍物所在车道位置或者红绿灯等信息预测障碍物可能的运行轨迹，从而提前做出预判和决策。

安全：在雨雪、大雾等极端天气下，各传感器可能会出现一定失效或者感知结果不准确，高精度地图可以有效的进行信息的补充，从而保证自动驾驶汽车行驶过程中的安全性，同时，在一些如多层立交、隧道等复杂的道路场景下，利用高精度地图，结合视觉毫米波雷达、激光雷达等无源定位的无源传感器，实现自主定位，这种融合定位的方式会大大提升定位的准确性，也会进一步提升自动驾驶的安全性。

高精度地图制作方案对比

目前高精度地图的生产制作主要是两种方式，一种是采用摄像头这种纯视觉的生产方式，代表的公司Deep Motion、宽凳科技、Momenta等初创公司，纯视觉的生产方式除了大大降低生产成本，还会使得高精度地图制作的周期大大降低，加速高精度地图众包方案的落地，但是对算法技术的创新有较高的要求。另一种主流的方案是采用以激光雷达为主的高精地图采集方案来进行高精度地图的生产（图2为高精度地图采集车示意图以及实物图），代表公司有很多，例如Waymo、百度、四维图新、高德等，采用激光雷达为主，摄像头为辅的方案相对来说技术比较成熟，可以综合利用各个传感器的优势进行算法的研发，简化了后续算法研发的复杂度。但是生产制作成本高，生产周期长，同时不利于众包更新高精度地图方案的落地。

图2 高精度地图采集车示意图与实物图（从左到右）

高精度地图制作技术发展趋势

高精度地图可以分为两个层级：静态高精度地图和动态高精度地图。受限于芯片算力以及制作成本的考虑，目前的高精度地图制作都是围绕静态高精度地图展开的，其组成主要包括车道线信息、方向箭头信息、道路标志牌信息、道路属性信息等。在静态高精度地图图层之上，动态高精度地图主要包括道路上发生的实时动态信息，主要包括随时间变化的交通标志（如红绿灯状态、潮汐车道等）、道路交通信息（道路拥堵情况、事故发生情况、道路施工情况、交通管制情况、天气情况、路面积水情况等）。目前高精度地图的生成一般涉及到的技术为数据采集、栅格图预处理、数据标注、检测识别、自动矢量化等生产流程，如图3所示。

图3 高精度地图生产流程

数据采集技术：一般利用多传感器GPS、IMU、轮速计、激光雷达或者摄像头融合技术计算出当前采集车的位置信息，让后将该位置信息以及激光雷达/摄像头的扫描信息写入到地图数据中。
栅格图预处理：这里主要涉及点云拼接、栅格图融合以及伪影去除等。
数据标注：利用标注工具对需要识别的元素按照一定的规则进行标注。
检测识别：这里主要是利用深度学习算法进行检测和识别，提供目标元素的语义以及位置信息。
自动矢量化：按照一定的精度要求，给出利用点线以及多边形所描述目标物体的坐标信息。这里主要涉及数据采样、多边形拟合等传统图像数据处理算法。

可以看出整个流程还是相当繁琐的，同时制作成本也是相当高的。加上后期的地图更新和维护成本也会是相当复杂和价格高昂，这些都大大限制了其使用范围，尤其是在自动驾驶领域大规模的落地使用和更新。

因此，为了解决在自动驾驶技术落地高精度地图使用的问题，产生了实时局部高精度地图生成的技术路线。相比较传统的高精度地图生成，该技术路线主要体现在高精度地图生成的实时性以及空间范围的局部性（只产生处在当前车辆周边环境的高精度地图信息以供自动驾驶使用）两个方面，如图4所示。

图4 传统高精度地图生产与实时局部高精度地图生产方式对比

2021年，实时局部高精度地图技术路线主要是利用多视图摄像头/激光雷达采集到的图像数据利用神经网络进行特征提取并利用相机外参投影到鸟瞰图视角下，在鸟瞰图视角下进行解码操作得到车道线的分割信息以及车道线方向信息，在经过后处理操作得到矢量地图，如图5所示。

图5 在线局部高精度地图生成模型

2022年，实时局部高精度地图技术路线迎来了比较大的变化，第一个比较大的变化是整个实时局部高精度地图生成变成端到端的方式，不再需要根据车道线的分割结果等进行矢量化后处理操作。第二个比较大的变化是，transformer网络结构被广泛地使用在图像或者激光雷达数据特征图的编解码阶段直接输出矢量化的地图数据，包含道路线的关键点信息，关键点之间的起始顺序以及拓扑结构信息。比较有代表性的工作有VectorMapNet（如图6所示）、该方案将不同模态（如摄像头图像和激光雷达点云）生成的特征转换为鸟瞰图特征后，再聚合到一个公共的BEV特征空间中；然后，基于transformer的网络结构进行车道线的关键点预测，最后利用注意模块建模生成关键点之间的拓扑连接关系。MapTR（如图7所示）的方案首先是对原始图像进行语义特征提取，之后转换为鸟瞰图特征，采用transformer变体结构，使用分层级的query embedding机制结构化地编码地图要素的信息，最终输出地图要素的语义类别和节点位置。特斯拉的Lanes Neural Network（如图8所示）则更加面向工程化一点，Lanes Neural Network不仅用到了图像信息，而且其用到了导航地图的文本信息，例如车道线的数量、宽度、拓扑连接关系等属性描述，通过嵌入操作和视觉图像的特征信息统一到同一个特征张量空间输入到transformer网络结构进行解码输出，这也是文本与图像信息首次进行特征融合被用在局部高精度地图自动生成构建中。其大概的过程如下：首先是视觉特征作为输入，利用transformer结构，网络会先预测关键节点的粗略位置，再以粗略位置所在的局部范围进行更精确的位置预测，然后预测该节点的语义信息，最后预测节点的连接拓扑关系，如分叉/并道/曲率参数等。网络会以这样自回归的方式将所有的车道线节点进行生成（按照一定顺序，如自上而下，自左到右）。

图6 VectorMapNet网络结构图

图7 MapTR网络结构图

图8 Lanes Neural Network网络结构图

高精度地图制作技术发展趋势

从目前的技术发展路线来看，未来自动驾驶所需的高精度地图使用方式无论从制作成本、使用的便利性以后续更新的实时性角度考虑，很大概率会使用这种局部实时构建高精度地图的方式，感知数据输入会分为纯视觉(多视图)以及视觉与激光雷达融合输入的方案，但都是在鸟瞰图视角下利用transformer网络结构对多源数据（摄像头、激光雷达）进行感知特征的统一表征，同时为了提高车道线关键点之间拓扑结构关系描述的准确性以及更多的高精度地图元素输出，带有地图文本描述的信息会越来越多的加入到网络结构中，利用transformer网络结构将这些特征信息进行交互得到更准确的位置信息以及更多的高精度地图元素输出，而不局限于只有车道线、人行横道线等有关高精度地图线信息元素的矢量化输出。通过将视觉感知、文本、语音等不同模态数据，通过映射到同一语义空间进行特征对齐后，利用transformer网络结构进行特征交互学习得到统一的多模态特征，灵活的根据不同的下游任务进行特征解码操作也将是未来很多AI模型训练的一种方式。

关于复睿微电子
复睿微电子是世界500强企业复星集团出资设立的先进技术型企业。复睿微电子根植于创新驱动的文化，通过技术创新改变人们的生活、工作、学习和娱乐方式。公司目标成为世界领先的智能出行时代的大算力方案提供商，致力于为汽车电子、人工智能、通用计算等领域提供以高性能芯片为基础的解决方案。
目前主要从事汽车智能座舱、ADS/ADAS芯片研发，以领先的芯片设计能力和人工智能算法，通过底层技术赋能，推动汽车产业的创新发展，提升人们的出行体验。在智能出行的时代，芯片是汽车的大脑。复星智能出行集团已经构建了完善的智能出行生态，复睿微是整个生态的通用大算力和人工智能大算力的基础平台。复睿微以提升客户体验为使命，在后摩尔定律时代持续通过先进封装、先进制程和解决方案提升算力，与合作伙伴共同面对汽车智能化的新时代。
参考文献：[1] https://ryanadex.github.io/2019/06/04/opendrive/
Opendrive地图数据解析[2] Q. Li, Y. Wang, Y. Wang, and H. Zhao. Hdmapnet: A local semantic map learning and evaluation framework. arXiv preprint arXiv:2107.06307, 2021[3] Yicheng Liu, Yue Wang, Yilun Wang, and Hang Zhao. Vectormapnet: End-to-end vectorized hd map learning. arXiv preprint arXiv:2206.08920, 2022a[4] Liao B, Chen S, Wang X, et al. MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction[J]. arXiv preprint arXiv:2208.14437, 2022.[5] Thinkautonomous.ai, “A Look at Tesla’s Occupancy Networks”,
https://www.thinkautonomous.ai/blog/occupancy-networks/[6] 地图采集车的那些事 | 载车篇 https://zhuanlan.zhihu.com/p/367189697

440亿美元！马斯克完成收购推特，立即开除CEO、CFO等多名高管

据中新网报道，美国《华盛顿邮报》援引消息人士称，当地时间27日晚，特斯拉CEO马斯克以440亿美元收购推特交易已完成，他已获得该公司控制权。

周五凌晨一点左右，马斯克转发一条推文，图片显示马斯克正和员工在推特总部的咖啡厅交谈。

另外，据澎湃新闻报道，推特CEO帕拉格·阿格拉瓦尔（Parag Agrawal）被就地解职。

一同被解雇的还有2017年加入推特的首席财务官（CFO）Ned Segal，法律、政策和信托主管Vijaya Gadde以及自2012年以来一直担任推特总法律顾问的Sean Edgett。

按照路透的说法，在交易完成被解雇后，阿格拉瓦尔和Ned Segal是被“护送”（escorted out）离开旧金山总部。

另外，知情人士称，推特的工程师已无法再对代码进行更改，特斯拉的工程师入场进行检查。知情人士表示，这是为了确保在交易完成之前，产品不会发生任何变化。自4月首次宣布交易时，推特也实施了类似的冻结。

据环球网报道，马斯克在推特上表示，他对这个平台的兴趣不在于赚钱，之所以收购推特是为了帮助人类，并希望（人类）文明有一个共同的数字城市广场。

据《华盛顿邮报》此前援引知情人士和一份文件报道称，马斯克计划在未来几个月内将推特的7500名员工人数减少到2000多人。但后来遭到马斯克否认，称他不会裁员75%。

今年4月25日，马斯克和推特敲定440亿美元的收购协议。此后不久，马斯克公开反悔，指责推特在虚假账号数量方面有所隐瞒，决定停止收购。

不到三个月后的7月8日，马斯克正式宣布终止收购交易，称推特“严重违反协议中多项条款”。7月12日，推特正式就收购事宜起诉马斯克。此后数周，双方律师向对方发出了大量传票，该案原定于10月27日开庭。

然而就在距离收购案庭审不到两周，马斯克于10月初再次返回，重新提议以原价收购推特。10月6日，特拉华州衡平法院法官宣布暂停审理此案，要求马斯克于10月28日17时前完成收购交易，否则将在11月重新开启庭审。

RISC-V在公用事业平台初露锋芒

近日，由名气家主导开发的“港华芯”已成功应用在智能燃气表，并在杭州港华的用户家中正式挂表使用。这不仅是“港华芯”产品从0到1的重要时刻，同样也是港华智慧能源信息平台在安全体系、数字化、智能化建设上迈出的坚实一步。

“港华芯”硬加密安全表在杭州港华用户家中安装并点火使用

值得一提的是，此次“港华芯”的应用，由RISC-V技术平台担纲重任。“港华芯”基于赛昉科技领先的RISC-V处理器IP以及微五科技芯片硬件基础，达到国密二级安全标准，支持SM1/2/4/9等国密和国际加密算法，可防御物理破解及侧信道攻击并且拥有超低功耗等优势。

随着能源行业的数字化转型及客户需求的升级，燃气表作为燃气计量的重要工具，正在加速向智能化、网络化转型；同时，燃气表作为国家关键信息基础设施，对数据安全性保护要求尤其严格。港华集团从燃气表的终端安全组网入手，着力推动能源行业数字化转型，“港华芯”产品就此应运而生。

“港华芯”安全模组产品

赛昉科技与微五科技的RISC-V IP、芯片产品和解决方案，名气家的平台规范和协议接口标准，构成了“港华芯”的三大核心要素。赛昉科技是中国RISC-V软硬件生态领导者，拥有全球领先的基于RISC-V的CPU IP等具有自主知识产权的系列产品，为“港华芯”提供核心的技术支持。微五科技作为半导体芯片产品公司，为“港华芯”提供硬件实施基础，其基于赛昉科技领先的RISC-V 处理器IP，开发量产芯片产品及相应解决方案；名气家作为港华的延伸业务平台公司，多年来深耕燃气业务的数字化、智能化，对物联网表计终端、区块链安全组网以及大数据云平台建设和发展有着深刻的理解，并积累了丰富的经验。

通过内置“港华芯”安全模组，智能燃气表可实现与港华物联网平台的双向认证、密钥及数据的安全存储以及关键数据的加密传输等以保证数据安全通信。港华物联网平台通过对密钥的统一管理及对数据的加解密，在终端层、网络层、平台层之间共同构建完整的安全防护体系。