傳感器融合是自動駕駛汽車的先決條件

自動駕駛汽車需要攝像頭、雷達和LiDAR等傳感器來查看周圍環境。視聽設備還需要計算能力和人工智慧來分析多維（有時是多源）的數據流，以便為車輛提供實時的整體和統一的環境視圖。如果傳感器融合為完全自主化指明了道路，那麼仍然存在許多技術挑戰。

在2020年布魯塞爾國際傳感技術展上的一次演講中，英飛凌技術奧地利公司的概念工程師Norbert Druml分享了一項價值5100萬歐元的歐洲研究項目，該項目被稱為Prystine —汽車智能可編程系統。Druml展示了迄今為止在3級自治之外的故障操作感測、控制和AI控制的車輛演示器領域所取得的一些關鍵成果。我們一起來看一下吧！

來源：Prystine

故障操作行為

車輛將逐漸獲得更多的自主功能，駕駛員將不再專注於駕駛，而是將更多精力放在監視智能系統上，這些智能系統將授權駕駛行為。在第三級或自動駕駛功能達到其操作極限的情況下，駕駛員可以接管駕駛任務。但是，在第4級和第5級，不不能依靠驅動程序進行及時和適當的干預。自動化必須能夠自行處理安全危急的情況。在這方面，故障操作行為在自動化鏈的意義、預測和行動階段至關重要。

Prystine的主要目標之一是實現融合（故障操作的城市周圍環境感知），該技術基於強大的雷達和LiDAR傳感器融合技術以及控制功能，以確保「在鄉村和城市環境中以及在傳感器啟動時的安全自動駕駛」會因為惡劣的天氣而失敗。」 Druml說。

我們的目標是從故障安全系統轉變為故障操作行為系統，「以真正提高集成到未來汽車中的所有組件的安全性」。「這包括安全控製器、傳感器、雷達，LiDAR、攝像機和具有處理能力的計算平台之類的組件。」

當檢測到故障時，Prystine合作夥伴所設想的故障操作行為系統不會關閉全部功能。相反，Druml說：「它將激活備份系統，能夠支持一些功能，並駕駛汽車在減速到下一個進站。」

為了實現Prystine的融合，我們的研究重點是開發四類AI算法，如下所述。

檢測易受傷害的道路使用者

在歐盟，22％的道路死亡人數是行人，而8％是騎自行車的人。該集群通過融合來自雷達、LiDAR和攝像頭傳感器的數據，滿足了對弱勢道路使用者（行人，騎自行車的人，兒童以及殘疾人和老年人口）的感知。SuperSight解決方案的開發旨在消除盲點，使脆弱的道路使用者在進入駕駛員的自然視野之前就可以看到他們。合作夥伴聲稱，SuperSight還提供自動安全警報，可減少交通事故並提高駕駛員的主動性。SuperSight解決方案使用360°視頻處理，並在車輛上安裝了周圍的攝像機。

交通管理

在從2級和3級自動駕駛過渡到4級時，車輛需要應對更複雜的交通狀況和道路網絡，尤其是在城市環境中。在這里，我們正在研究一種交通管理解決方案，該解決方案融合了來自交通控製器、浮動汽車數據和自動車牌識別攝像頭的交通數據。「我們融合了這些數據，並為汽車和道路使用者提供了交通預測，」 Druml說。「這提供了超越實際汽車的視野，汽車可以優化其軌跡和路徑規劃。」例如，汽車可能會調整其軌跡和速度，以運行綠燈，並優化時間和能源消耗。

懸架控制

雷射三角測量、雷達和超聲成像——這些技術可以掃瞄路面狀況，從而使車輛可以通過更改阻尼係數或懸架系統的垂直位置來對預期狀況做出反應。Druml說：「算法會分析前方道路的幾何形狀，並以這種方式適應汽車的懸架，使用戶不會感到道路上有坑窪或顛簸，這樣，駕駛汽車的便利性便大大提高了。」

車輛控制和軌跡規劃

Druml表示，這類算法適用於碰撞檢測、避免碰撞、變道、緊急停車、超車、重型卡車和全尺寸拖車的倒車以及啟動/停止安全等情況。集群部署在一個演示器中，具有三個複雜級別。在第一級，稱為共享控制場景，駕駛員由一個基於人工智慧的副駕駛員支持，該副駕駛員「持續分析汽車的軌跡」。如果檢測到安全危急情況，基於人工智慧的輔助驅動程序將支持該驅動程序，並希望能夠以安全的方式解決危急情況。」

下一層的複雜性稱為分層控制，「在不同的自動化級別之間平穩切換」。例如，車輛可以從「受監管的城市控制切換到城市司機，這不僅通過持續監控駕駛場景和汽車周圍的情況，還通過分析司機的狀態和操作的複雜性來實現。」

第三級完全是由AI控制的車輛。在這里，我們融合了來自雷達、LiDAR和攝像機的傳感器數據，並考慮了基於雲的信息，特別是交通狀態和交通預測信息，以改善基於AI的自動駕駛解決方案。

在加速AVs出現的激烈競爭壓力下，傳感器融合算法的發展取得了重大進展。但是我們的AV傳感器融合技術發展到什麼程度了？市場參與者是如何應對的?

汽車製造商奧迪在2016年採取了第一步，採用zFAS域控製器。特斯拉的自動駕駛儀硬體採用了類似的方法，它「從所有嵌入的傳感器收集數據，但也控制音頻和射頻，以及導航系統。」

「使用這種類型的域控製器，可以更輕鬆地實現數據融合，」 Boulay說。特斯拉對其Autopilot硬體採取了類似的方法，該硬體「收集來自所有嵌入式傳感器的數據，還可以控制音頻和RF以及導航系統。」

如Prystine項目中所述，開啟自動駕駛的一個關鍵是融合和解釋來自各種傳感器的數據，以便系統可以像人類駕駛員一樣看到並理解車輛的周圍環境。人工智慧將被越來越多地應用，所有開發算法來分析如此大量的異構數據的公司預計將發現許多機會，而對於製造晶片來處理數據的公司來說也是如此。隨著自治級別的提高，對計算能力的需求也不斷增加。例如，機器人汽車已經超過了每秒250萬億次的操作，而特斯拉的完全自動駕駛能力接近每秒70萬億次。

計算能力可以無限增加嗎？在什麼級別上可以認為足夠用於完整的AV？Boulay說：「有些公司將擁有需要中等計算能力的優化系統來實現完全自治，而其他公司則可能需要兩倍的資源。只有時間才能證明極限在哪里。」

一些挑戰與傳感器和計算的功耗有關，尤其是在電動汽車中。「處理大量數據可能會影響電動汽車的行駛範圍，而由於範圍是客戶的主要關注點，因此這種自主系統必須具有高能效。」

與傳感器融合有關的另一個挑戰是在不同維度空間（即2D和3D）中融合數據的能力。Boulay說：「這是OEM和Tier Ones必須回答的關鍵問題。LiDAR將能夠以3D設置場景、攝像機和雷達將用於微調該場景，從而為圖像帶來色彩，為物體帶來速度。而要實現這將是相當複雜的，這將是領導者和落後者之間的區別。」

文中部分圖片來自網絡，如侵權，請聯繫刪除

想要瞭解汽車更多內容，就留言聯繫我們吧！

來源：Anne-Françoise Pelé：Sensor Fusion Is Prerequisite for Autonomous Vehicles