「活动总结」地平线：自动驾驶时代的数据怎么处理？
看过 GeekCar 文章的同学应该知道，自动驾驶离不开感知、地图、决策以及控制这四个环节，而这四个环节依靠人工智能的深度学习才能更有效的实现。 在感知环节，既需要高精度地图定位，也需要摄像头、激光雷达等传感器捕捉环境数据，而通过深度学习则能更有效的识别、分析传感器画面。在决策和控制环节，机器在不同路况环境下模拟人的行为，深度学习可以帮助它优化决策。这其实就类似于人的大脑，而我们以前报道过的英伟达 DRIVE PX 2 正是在扮演这样一个角色。 但实际上，除了英伟达之外，国内有一家创业公司——地平线机器人公司（Horizon Robotics, Inc），也在做深度学习。这家由 200 多位工程师组成的创业公司，成立两年来，一直深耕于深度学习算法，并且从最底端技术研发开始，搭建自己的架构 IP。他们想做的是软件、算法、硬件一体的自动驾驶解决方案。 在刚刚过去的上海车展上，我们将地平线的余轶南博士请到 GeekCar 主办的人工智能论坛，和我们分享了地平线在自动驾驶中应用的深度学习算法。 汽车有强大的能源和空间，不只要对外部环境进行感知，还要对内部驾驶意愿进行交互，可以说汽车是 AI 机器人的载体。 地平线提供的是嵌入式人工智能解决方案，将 AI 同自动驾驶结合。他们的「 汽车大脑」 包括算法软件架构、芯片的编译器和运行时间库以及硬件，还有模拟训练后台支撑前端的业务和技术，所以可以执行包括感知、定位、语义环境重建以及运动预估在内的全站式工作。 余博士提出，他们设计这套算法有三个目标： 1. 神经网络可以被用户理解。 神经网络由于包含隐层，经常被人理解成黑盒子，如何理解神经网络成为关键。地平线现在在做的贝叶斯网络（Bayes Networks），是神经网络中和控制决策相关的技术。通过深度学习，摄像头、激光雷达、毫米波雷达对汽车周围环境进行感知收集数据，然后进行环境重建及运动预估，最后通过贝叶斯网络做决策，给出路径规划。 现在主流公司会使用深度学习加强化学习，做「 端到端（end-to-end）」 训练，从传感器的输入直接导出控制器的输出，这使得深度学习缺乏透明性。你能看到输入层和输出层的数据和决策，但不知道输入的数据运用什么样的算法形成输出层的决策。如果输出了错误的决策导致驾驶事故，你甚至不知道为什么会出事故，这样一来，再多的数据积累都没有意义。而且，端到端的训练仅仅依靠相关性推理，推出的结果有一定的盲目性，运用在驾驶中可能导致严重后果。 地平线在收集到感知数据后，会进行人工标注，配合激光雷达、 毫米波雷达进行三维标注，区分出车道、行人、周围车辆，然后建立 3D 仿真模型，进行模拟训练，还会做出运动估计。这些模块会单独做端到端的学习，而神经网络会把各个模块串起来，形成一个整体网络。这其中还可以加入专家模块，形成冗余路径，能增加输出的可靠性。同时，贝叶斯网络采用因果推理，使整个系统更加通透。你能够分析决策的过程，就能找出导致错误决策的原因然后修改。 2. 系统可以自适应学习。 汽车每天面临着各种各样的驾驶环境，很难在一开始收集庞大数据库去训练各个模块，所以需要在不停变化的环境中不断学习，既要学习人类的驾驶行为，还要进行仿真训练。不正确的驾驶行为导致一些后果之后，地平线会利用其收集到的大量数据在云端进行控制，让汽车更加 smart，避免再出现同类型事故。同时，他们不只要让车「 被训练」，还要车内系统能够自适应学习。 对自动驾驶来说，足够强大的前端做实时的强化学习以及强大的后台保证系统的学习，很重要。 3. 算法和硬件平台相互迭代优化，使计算平台更加高效、节能。 地平线认为芯片在自动驾驶中占据很重要的地位。之前他们的神经网络都是在 GPU 跑浮点模型，不过功耗非常大。所以，他们在神经网络结构稀疏化上做了很多努力，希望「 在未来若干年，不增加计算量或在小功耗环境下，可以有更强大的计算能力和更好的效果。」 在年初的 CES 上，地平线和 Intel 联合推出 ADAS 系统。这套系统做了神经网络并联化和稀疏化，能耗低、运行快，能同时对车辆、行人、车道线和可行驶区域进行实时检测和识别，还能进行高密度的环境检测。他们曾在宇宙中心五道口进行过路测，利用他们的算法能准确的识别行人、汽车、街道、建筑、树木和标志。 和计算机视觉不同，做自动驾驶的关键在于获得结构化场景，而且还要对汽车的应用学模型、动力学模型、定位有所了解。余博士表示，一直在做计算机视觉的他，转做自动驾驶有点「 水土不服」。不过经过努力，地平线结合了车辆运动系统、语义感知，实现环境结构化，还能重建场景，使汽车运行更加游刃有余。并且算法优化可以直接在场景语义结构化中实现。 最后，余博士也表示平常机器训练更多用 GPU，前端 inference 会使用嵌入式结构。他们自己打造了低功耗的深度处理器 IP－－ BPU（Brain Processor Unit），它将会有三代架构，分别是高斯架构、伯努利架构和贝叶斯架构。目前第一代架构已用于和 Intel 联合打造的 ADAS 系统，第二、三代架构正在研发中。 此前我们也报道过，地平线在上海安亭成立了研发中心，这将方便地平线进行自动驾驶技术的测试，加快研发进度，而且安亭的地理位置更有利于地平线和客户进行接洽，让技术更快落地，实现商品化。 在自动驾驶时代，汽车将成为一个移动数据中心，数据的计算、处理能力将尤为重要。深度学习网络隐层、系统自适应学习以及降低计算功耗是地平线的深度学习算法的目标，也是当前自动驾驶研发亟需解决的问题。 目前，自动驾驶巨头在中国的数据积累几乎为空白，针对中国驾驶场景的算法优化也没有明显的优势，地平线可能也正是看中了这一点，所以一直深耕深度学习算法。不过，他们能不能在巨头进入、瓜分中国市场前积累优势，还要看他们的产品落地和数据积累情况。 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车 （微信号：GeekCar）& 极市 （微信号：geeket）。
不只是无人驾驶，谷歌现在甚至想「再造」城市了
Imagine，高速 Wi-Fi、自动驾驶汽车、机器人快递员、嵌入式感应器、智能红绿灯交通系统等等，这些都是未来数字化城市的构想，是一个互联、极客、乌托邦式的城市。 而这样的城市，很快就将在加拿大多伦多落地啦！据外媒报道，Alphabet 公司旗下的子公司 Sidewalk 已经向加拿大多伦多提交了开发计划书，申请在多伦多商业区开发一片 12 亩的土地。不过，目前该计划还尚处于保密状态。 「 我相信，你们中很多人认为这是一个疯狂的想法。但是，我们并不认为这是疯狂之举。在谷歌决定连接全世界的信息时，人们也认为那是一个疯狂的想法。当谷歌提出无人驾驶汽车的概念时，人们同样认为那是一个疯狂的想法。」 在上周举行的 Smart Cities NYC 会议上，Sidewalk CEO Dan Doctoroff（丹·多克托奥夫）说道。哦对了，Dan 以前还是纽约前副市长。 Sidewalk 成立于 2016 年，目前大约有 100 名城市规划专家、研究人员和技术人员参与项目。除此之外，包括知名公司麦肯锡、美国四大房地产之一的莱纳房产（Lennar）研究主管安东尼·汤德森（Anthony Townsend）、斯坦福大学教授保加·保哈克（Balaji Prabhakar）、哈佛大学经济学家埃德·格莱泽（Ed Glaeser）等也都在为 Sidewalk 提供顾问。 除了向加拿大提交开发计划书外，Sidewalk 还在跟丹佛、底特律、伦敦等城市进行洽谈。而 Sidelwalk 目前唯一落地的项目，是在纽约的 LiknNYC（连接纽约），即将所有的公共电话亭拆除，重新假设拥有 Wi-Fi 热点、充电功能和画外广告功能的「 多功能电子立柱」。 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车（微信号：GeekCar）& 极市（微信号：geeket）。
你以为「智能出行」是个新概念？通用在 80 年前就琢磨这事了
最近我们都在关注上海车展，但是在美国，关于自动驾驶的新闻其实也不少，比如 Uber 和谷歌都宣布要推出更多的自动驾驶测试车，那个从谷歌加入 Uber、涉嫌偷窃商业机密的莱万多夫斯基也暂时被免了职，而苹果的自动驾驶测试车也被好事者拍了下来。 科技公司忙得热火朝天，美国的整车厂其实也没闲着，而且他们更进一步，考虑的是落地的事儿。前一阵有一个不少人都忽视了的新闻：通用宣布，自今年秋天起，他们将美国和加拿大地区销售的 2018 款凯迪拉克 CT6 上首次搭载 Super Cruise 超级巡航系统。 所谓 Super Cruise，你可以把它理解为一个专门针对高速公路场景的自动驾驶系统，两三年之前它就开始出现在汽车科技新闻里，如今，终于落地了。对于通用来说，这是他们将自动驾驶商品化的重要一步。 但是如果我说，Super Cruise 的落地，是通用实现了自己将近 80 年来的一个梦想，你肯定觉得这是瞎扯。 但事实上，还真没瞎扯……这里要挖出一段 80 年前整车厂关于「未来出行」思考的有趣历史。 故事要从 1939 年说起。这一年的世博会上，通用参加了展出，他们的展品非常「惊人」，居然是一个面积达到 1 英亩（约 4000 平米）的未来城市沙盘模型。这个名叫 Futurama 的展示，被认为是通用对汽车智能化发展的最初构想。 从图里就能看出来这个 Futurama 的规模之大。再用几组数据来证明一下：在这个「未来城市」里，有超过 50 万栋独立设计的建筑、近百万棵树、5 万辆汽车、其中有五分之一的汽车在 14 车道的城际高速公路上行驶。另外，这个「城市」里还有一个专职的交通管理中心，「城市」中运行着 322 辆配备了独立声音系统的车辆，所有的道路与交叉口都按照新的交通环境进行了设计。 这套模型里的车辆之间，可以进行无线电通讯来保持合适的速度和相对距离，使用无线电通讯，有点 V2X 的感觉，而保持合适的速度和距离，其实看起来跟现在的 ACC 自适应巡航异曲同工。 1960 年代的「未来交通」，是整个 Futurama 想要重点展示的东西，而在这套智能交通体系里，重中之重又是一套名为 AHS（Automated Highway System）的自动高速公路概念，而且，这个 AHS，还并不是限定在一个城市之内，而是按照美国当时的情况，构想了一个利用高速公路网络打通美国的模型。 在 Futurama 的高速公路体系中，提出了四条设计原则： 1. 道路的横截面积会增大以容纳更多的交通流量 2. 不同方向的交通流需要隔离开来 3. 将城市和小镇划分成不同的区域，从而对交通进行分流，在某些区域限制交通，允许人们能够更多地使用道路 4. 预设可以行驶的最大速度与最小速度，来进行交通控制 实际情况是，正是在 1939 年，在联邦公路管理局的一份文件中，才正式对「州际高速公路」做出了定义。这也是通用展示 Futurama 概念的原因之一。 高速公路体系、车联网、自动驾驶，通用 Futurama 展示里，这些概念的雏形开始显现，也在有意无意中给通用接下来的「汽车智能」进化定了基调。 总体来看，其实 Futurama 展示的内容和汽车关系并不大， 相反，它是从整个交通出行体系层面去思考的。 Futurama 其实还有「续作」，也就是 Futurama II。在 1964 年，通用把这个概念进行了升级，再次进行了展示。 这次他们设想的是 2024 年的社会，而且不仅仅局限于美国了。里面涉及到的「交通工具」包括了使用原子动力的潜艇、氢燃料电池驱动的挖掘机、供两人乘坐的水下交通工具 Aquacopter，甚至用在月球上的六轮月球车…… 1939 年之后呢？ 1939 年展出 Futurama 之后，通用首先开始的是自动驾驶与车辆通讯技术的开发。 1949 年，通用与美国无线电公司（RCA）开始进行自动驾驶以及车辆通讯的共同研发，可以看做是早期 V2X 的雏形。 到 1953 年的时候，通用与 RCA 的合作初现成效。他们同样建了一座城市沙盘来模拟高速公路上的自动驾驶，用来测试车辆的自动转向并与前车保持安全距离的技术，类似于今天的车道保持和自适应巡航系统。 1958 年，通用使用一辆被命名为「Firebird II」的概念车，进行了实际公路的自动驾驶测试。他们在公路下面预埋了可以发射脉冲信号的电缆线圈，以此和车辆通讯，实现了对车子的自动驾驶控制。因为电线与车道对应，因而车辆可以保持在车道内行驶。电线与车辆之间的通讯也可以让车辆避开故障。同时，车辆的通信系统还可以使驾驶员与后台的一名接线员联系，让接线员来帮助控制车辆直到目的地。 Firebird II 的测试，其实还是关于自动驾驶和 V2X 的。 将近 40 年之后，在著名的 DARPA 自动驾驶挑战赛里，通用和卡内基梅隆大学联合组队，用一辆基于雪佛兰 Tahoe 改装的自动驾驶车获得了冠军。 为什么单独把这件事拎出来说呢？熟悉自动驾驶的同学都知道，DARPA 挑战赛在美国自动驾驶研发领域的地位相当重要，通过这个比赛磨炼出的人和团队，都成为了日后自动驾驶领域的重要力量。当然，他们的技术实力也是美国甚至全球领先的。 把以上种种和 Super Cruise 要解决的问题联系在一起，你就会发现，以前有什么样的因，现在就会得到什么样的果。 也有必要多说几句 Super Cruise。开头说了，按照通用的产品定义，它是针对高速公路路况的自动驾驶辅助系统，和 Autopilot 这样的产品相比，它有两个显著区别：一是它居然打出了「hands-free」的概念，二是它所使用到的「激光雷达测绘地图」。 第一点很有意思，众所周知的是，整车厂做事，第一准则是「安全」。所以，在一个自动驾驶辅助系统里提出「解放双手」，是特别不寻常的。特斯拉在 … 继续阅读
「活动总结」作为 Tier1，博世如何玩转 AI 和自动驾驶？
说到未来汽车，我们第一个能联想到的就是具备高度自动驾驶功能的交通工具。但自动驾驶的实现已经不仅仅局限在硬件层面了，其最核心的部分往往是背后复杂的软件算法，这套算法我们可以称之为 AI（人工智能）。AI 的应用让我们的汽车在感知、驾驶决策以及人机交互上发生了很大的变化。 然而对于以硬件技术为主的传统整车厂们来说，虽然自动驾驶是未来行业的发展趋势，但它的研发对软件层面的开发要求更高，并且需要耗费大量精力，同时相应的法律法规和配套设施都还不够成熟。所以在现阶段，自动驾驶并不是他们的主要目标，找到适合的供应商支持才是目前应对未来最好的解决办法。 因此，对于汽车供应商们来说，在自动驾驶的实现过程中，必须要以积极的姿态更早的打通各个环节。他们往往需要具备很强的整合能力，把自动驾驶中互相独立的模块，例如高精度地图、传感器、SoC 以及最终的算法进行更好的融合，打包成一套完整的自动驾驶解决方案提供给整车制造商们。那么问题来了，博世作为全球最大的一级供应商，在扮演这个整合角色的过程中，究竟提出了怎样的解决办法呢？来自于博世底盘控制系统中国区驾驶员辅助系统业务部的蔡旌博士在演讲中给了我们答案。 首先，他们认为，自动驾驶的落地可以分为两种市场环境，一种是由传统整车厂和部分新造车企业组成的既有市场，他们在原有的造车技术和成型产品上进行改进和进化，博世将其称之为蓝色市场；而另外一种则是由新兴互联网企业以及共享出行供应商参与的新兴市场，他们推翻原有技术和传统模式生产出新产品创造出新形态，博世称之为绿色市场。 但博世也清楚的知道无论是哪个市场，其最终目的都是将自动驾驶带到普通大众的生活中来。所以，他们坚信自动驾驶是未来的移动出行方式，并且近年来国内政策也一直在推动它的实现。政府除了制定在 2025 年建立本土自动驾驶的目标之外，还批准建设了更多的自动驾驶试验区，同时，路测相关的法律法规也在积极讨论制定当中。这些措施，都让自动驾驶的研发测试和落地快速的在中国发展演变。而对于博世来说，想要抢占先机，在中国自动驾驶领域站稳脚跟，就必须先解决好本土化的问题。但本土化牵扯的核心又是什么呢？我们还是得从技术的角度上来看。 自动驾驶的核心技术主要集中在感知、驾驶决策以及执行几个方面。但是以往经常提到的车身上的传感器、执行层面上的车辆动态控制，其实都是放之四海皆准的硬件标准或是软件算法，特定条件下需要针对驾驶习惯提供优化的适应国内情况的功能。而在高精度地图这一块儿，由于其需要具备情景分析、路径规划、决策以及车辆高精定位的功能，这使之对于自动驾驶过程影响很大，他们的实现必须深度结合国内的实际道路情况，因此对于本地化的需求非常高。 但生成高精度地图不仅需要底层地图数据，同时也需要地图采集车为底层地图添加更多精准的路面标识等。但我国在地图测绘上有很严格的要求，这使其本土化难度很大，同时高精度采集车通常价格昂贵数量有限采集效率很低，因此这项技术的推进需要漫长的时间。 实际上，博世一直以来缺乏的是底层地图数据，但拥有非常多搭载其摄像头及毫米波雷达等硬件设备的车辆，可以变相作为地图数据采集车使用，而国内地图厂商则恰好相反。于是，博世在这项技术的本土化上选择了和国内的地图厂商高德、百度以及四维图新进行合作，「 众包」 高精度地图，弥补双方的短板。他们将其称之为 BRS（Bosch Road Signature）。它的工作过程可以概括为博世通过搭载自己硬件的车辆收集道路数据，之后将这些道路特征信息与地图合作商的底层地图相结合，最终生成具备博世道路特征的高精度地图数据可被其他车辆所用。但目前 BRS 只支持在新出厂的车辆上植入。 在最后必须要说明的是，自动驾驶是否能在一个国家真正的推行来开，除了需要各个技术之间完美配合之外，最重要的是需要本土化验证。而蔡旌博士也指出博世现在正在将现有技术尽可能与中国的驾驶习惯和道路情况相结合，打造适应中国的自动驾驶整套解决方案。 其实在最后作为吃瓜群众表示：我不说话，我就静静地看着你们把自动驾驶落地。（神秘的围笑）原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车（微信号：GeekCar）& 极市（微信号：geeket）。
进击的车载网络：以太网与汽车的「融合」大戏
（本文转载自新智驾，作者：老涂）汽车智能化、网联化，甚至自动驾驶大浪已经来临；浪潮带来的是 ADAS 技术的不断革新、高品质车载娱乐影音的影音推进、以及 OTA 远程升级、V2X、大数据、云计算等一系列技术的发展；这推进了车载网络容量需求的爆发式发展，显然这已经超出了 CAN 或 FlexRay 等传统车载网络的历史使命。这也正是以太网与汽车深度拥抱集成的契机。 车载以太网不仅具备了适应 ADAS、影音娱乐、汽车网联化等所需要的带宽，而且还具备了支持未来更高性能的潜力（如自动驾驶时代所需要的更大数据传输）。它将成为实现多层面高速通信的基石，相对于 20 世纪 90 年代的控制器局域网（CAN）革命，它的规模将更大，意义将更深远。专家预测，到 2020 年，汽车中部署的以太网端口将达 5 亿个。 一、 传统汽车总线技术 1、传统车载网络 当前主流的车载网络主要由 CAN、LIN、FlexRay、MOST 、LVDS 等构成。除了 LVDS 这些网络标准基本上都是面向汽车行业制定，有着浓重的汽车行业特色。表 1 中对各种不同网络形式对了简要的对比。 CAN 主要用于车上控制数据传输，是现役车载网络应用最为广泛的标准，最大传输速度为 1 Mb/s，可以说兴起于 20 世纪 90 年代的控制器局域网（CAN）革命，对于整个汽车电子行业发展的推动是巨大的。 LIN 是一种低成本通用串行总线，在汽车领域主要用于车门、天窗、座椅控制等，最大传输速度为 20 kb/s。 FlexRay 是继 CAN 和 LIN 之后的新一代汽车控制总线技术，同样属于共享式总线技术，带宽可达 10Mbps。FlexRay 的主要优势在于相比 CAN 总线具有较高的带宽，可以满足汽车关键应用的要求，但是同样作为共享式总线技术，其成本却很高，主要适用于中高端车中的线控系统（如悬架控制、变速箱控制、制动器控制、转向控制等）。 MOST 主要支持的多媒体流数据传输，MOST150 标准的最大带宽为 150 Mb/s 的，在车载多媒体数据传输应用较多，MOST150 支持基于 IP 的应用程序，由于单一供应商的问题，基础开发成本较高。 LVDS 是一种电气数字信号系统，通过铜缆双绞线传输高速数据（最高可达 850 Mb/s，最长传输距离 10 m），是计算机总线的一部分。在汽车领域 LVDS 主要用于屏幕和摄像头之间的数据传输。 2、深度拥抱的契机 如果说 2013 年宝马在 X5 仅仅是拉开了以太网进军车载系统的帷幕（图例），那么可以毫不夸张的说时至今日以太网与汽车将迎来了一次深度拥抱的契机，它们也将共同演绎一场「 融合」 大戏。 大家耳熟能详的摩尔定律告诉我们微处理器上的晶体管数目每两年就会增加一倍；这一定律似乎同样适合汽车行业，随着处理器运算能力和硬件的高速发展，使得许多创新在汽车环境下得到迅速推进，汽车电子产品在整车中所占比重也与日俱增，连接 ECU 的网络带宽需求也相应的增大，这一需求将远远超出 CAN 或 FlexRay 等传统车载网络的容量极限。此外，伴随着车辆网联化、智能的推进，智能手机与车载设备的联动、云和大数据的运用，以及高级驾驶辅助系统（ADAS）的普及，构筑新电子网络总线平台已经成为新一代汽车的必然任务，一直被汽车行业拒之门外的以太网不会放过这次绝佳的契机。 二、 车载以太网技术 1、车载以太网相关优势 低成本下的高带宽 新的汽车功能，如自动泊车系统、车道偏离检测系统、盲点检测和高级信息娱乐系统等引发了对新的数据总线需求。显然未来我们需要的是更加开放、高速，且易于与其他电子系统或者设备集成的车载网络，同时有助于减少功耗，线束重量和部署成本。对于上述需求以太网似乎能提供一揽子的解决方案，以博通公司采用的突破性 BroadR-Reach 技术为例，其可用单对的非屏蔽双绞线进行信号传输，并能够提供 100Mbit/s 及更高的宽带性能，并使电缆重量减轻 30%、降低连接成本可达 80%。 支持不同应用的多种协议和功能 传统车载网络支持的通信协议较为单一，而车载以太网可以同时支持 AVB、TCP/IP、DOIP、SONIP 等多种协议或应用形式。其中，Ethernet AVB 是对传统以太网功能的扩展，通过增加精确时钟同步、带宽预留等协议增强传统以太网音视频传输的实时性，是极具发展潜力的网络音视频实时传输技术。SOME/IP(Scalable Service-Oriented MiddlewarE on IP) 则规定了车载摄像头应用的视频通信接口要求，可应用于车载摄像头领域，并通过 API 实现驾驶辅助摄像头的模式控制。 作为 AVB 协议的扩展，车载时间敏感网络 (TSN, Time-Sensitive Networking) 则引入时间触发式以太网的相关技术，能高效的实现汽车控制类信息的传输。此外，1Gbit 速率通信标准的车载以太网同时还支持 POE(Power Over Ethernet) 功能和高效节能以太网 (EEE, Energy-Efficient Ethernet) 功能，POE 功能可在双绞线传输数据的同时为连接的终端设备供电，省去了终端外接电源线，降低了供电的复杂度。 适应未来的能力 历史经验告诉我们，以太网之所以长期以来如此成功，主要原因之一便是以太网是一种可持续更新、发展的技术。在经历了标准以太网 (10Mbps)、快速以太网 (100Mbps) 和千兆以太网 (Gigabit … 继续阅读