<mark id="oztn4"></mark>
0
| 本文作者： 肖漫 | 2020-03-25 10:56 |
進入 2020 年，自動駕駛技術(shù)的跨越式路線與漸進式路線之間的陣營劃分已經(jīng)十分明顯。但最終自動駕駛要完全實現(xiàn)無人化，其技術(shù)還需要進行不斷的迭代和發(fā)展。
對于自動駕駛的技術(shù)進展，WEVOLVER 發(fā)布的《2020 自動駕駛技術(shù)報告》進行了全面的闡釋。
報告從感知、規(guī)劃、執(zhí)行三個層面表述了自動駕駛汽車技術(shù)的最新發(fā)展狀況，涉及了傳感器、數(shù)據(jù)處理、機器學習、SLAM 與傳感器融合、路徑規(guī)劃等多個領(lǐng)域，同時提供了多個自動駕駛公司的案例，包括特斯拉、Volvo、Waymo 等。
如果您想獲得本報告的全文 pdf，請在雷鋒網(wǎng)微信（leiphone-sz）回復關(guān)鍵詞“324報告”提取。
來源：《2020 自動駕駛技術(shù)報告》
自動駕駛汽車是在一個未知的動態(tài)環(huán)境中運行的，所以它需要事先構(gòu)建出環(huán)境地圖并在地圖中進行自我定位，而執(zhí)行同步定位和映射過程（SLAM，即時定位和地圖構(gòu)建）的輸入則需要傳感器和 AI 系統(tǒng)的幫助。
報告指出，傳感器可分為有源傳感器和無源傳感器，各種傳感器都有其優(yōu)缺點，沒有一種單一傳感器能夠適用于所有路況。通常情況下，想要可靠、安全地操控一輛自動駕駛汽車，需要同時使用多個傳感器。
一般情況下，自動駕駛汽車包含的傳感器主要有五種類型：
1、遠程雷達：信號能夠透過雨、霧、灰塵等視線障礙物進行目標檢測。
2、照相機：一般以組合形式進行短程目標探測，多應用于遠距離特征感知和交通檢測。
3、激光雷達：多用于三維環(huán)境映射和目標檢測。
4、短程/中程雷達：中短程目標檢測，適用于側(cè)面和后方避險。
5、超聲波：近距離目標檢測。
前面提到，各類傳感器均有其優(yōu)缺點，而自動駕駛汽車需要從技術(shù)上對傳感器進行判斷、選擇，篩選的條件主要有以下幾個方面：
掃描范圍，決定了傳感器對被感知的物體做出反應的時間；
分辨率，傳感器可以為自動駕駛車輛提供的環(huán)境細節(jié)；
視野/角度分辨率，決定自動駕駛汽車需要多少傳感器來覆蓋感知的區(qū)域；
3D 環(huán)境下區(qū)分靜態(tài)對象和動態(tài)對象的能力；
刷新率，決定傳感器信息更新的頻率；
在不同環(huán)境條件下的總體可靠性和準確性；
成本、尺寸和軟件兼容性；
生成的數(shù)據(jù)量。
以下是 Waymo、Volvo-Uber、Tesla 的傳感器方案示意圖：
另外，關(guān)于無源傳感器和有源傳感器，報告中也作了詳盡的介紹：
無源傳感器能夠探測環(huán)境中物體反射的現(xiàn)有能量，如光、輻射等。但在弱光環(huán)境下，由于沒有自己的傳播源，無源傳感器的性能將有所下降。并且在產(chǎn)生的數(shù)據(jù)方面，對比有源傳感器，無源傳感器產(chǎn)生的數(shù)據(jù)量更多，約 0.5-3.5 Gbps。
即便如此，無源傳感器仍具有多方面特點，主要包括：
1.涵蓋整個視野寬度的高分辨率的像素和顏色；
2.在視野中保持恒定的幀頻；
3.兩個攝像頭可以生成一個 3D 立體視圖；
4.缺乏發(fā)射源減少了來自其他車輛的干擾的可能性；
5.技術(shù)成熟，成本低；
6.系統(tǒng)生成的圖像便于用戶理解和交互。
如果在自動駕駛汽車上使用無源攝像頭傳感器套件，需要覆蓋汽車周邊的各個環(huán)境。這可以通過使用在特定時間間隔拍攝圖像的旋轉(zhuǎn)相機來實現(xiàn)，或者通過軟件將 4-6 個相機的圖像拼接在一起。
此外，這些傳感器需要一個超過 100 分貝的高動態(tài)范圍（場景中高光和陰影的成像能力），使它們能夠在各種光照條件下工作，并區(qū)分不同的對象。
有源傳感器具有信號傳輸源，依靠 TOF 原理感知環(huán)境，ToF 能夠通過等待信號的反射返回來測量信號從源到目標的傳播時間，信號的頻率決定了系統(tǒng)所使用的能量及其準確性。因此，確定正確的波長在選擇系統(tǒng)時起著關(guān)鍵的作用。
關(guān)于有源傳感器的類型，報告主要介紹了以下三種：
超聲波傳感器：也稱為聲納；聲音導航測距。在有源傳感器中，聲波的頻率最低（波長最長），因此聲波更容易被干擾，這也意味著超聲波傳感器很容易受到不利環(huán)境條件的影響，如下雨和灰塵。另外，其他聲波產(chǎn)生的干擾也會影響傳感器的性能，需要通過使用多個傳感器和依賴額外的傳感器類型來緩解干擾。
雷達：主要通過無線電波進行測距。無線電波以光速傳播，在電磁波譜中頻率最低(波長最長)，基于無線電波的反射特性，雷達傳感器可以探測到前方物體之外的東西。
不過，雷達信號容易被具有相當導電性的材料（如金屬物體）反射，并且其他無線電波的干擾也會影響雷達的性能，造成雷達傳感器無法對物體進行探測。在確定被探測目標的形狀方面，雷達的能力不如激光雷達。
激光雷達：以脈沖激光的形式使用光。激光雷達傳感器能夠以每秒 50,000- 200,000 個脈沖的速度覆蓋一個區(qū)域，并將返回的信號編譯成一個 3D 點云，通過比較連續(xù)感知的點云、物體的差異檢測其運動，由此創(chuàng)建一個 250 米范圍內(nèi)的 3D 地圖。
根據(jù)自動駕駛汽車傳感器套件捕獲的原始數(shù)據(jù)和已有地圖，自動駕駛系統(tǒng)需要通過同時定位和映射算法構(gòu)建和更新具體的環(huán)境地圖，跟蹤其具體定位，從而開始規(guī)劃從一個點到另一個點的路徑。
SLAM 是一個復雜的過程，因為定位需要地圖，而繪制地圖需要良好的位置估計。為了更準確地執(zhí)行即時定位和地圖構(gòu)建，傳感器融合開始發(fā)揮作用。
傳感器融合是將多個傳感器和數(shù)據(jù)庫的數(shù)據(jù)結(jié)合起來以實現(xiàn)信息改進的過程。它是一個多層次的過程，能夠處理數(shù)據(jù)間的聯(lián)系和相關(guān)性，對數(shù)據(jù)進行組合，與使用單個數(shù)據(jù)源相比，能夠獲得更便宜、更高質(zhì)量、相關(guān)性更高的信息。
在自動駕駛汽車 AI 架構(gòu)中，主要有兩種方法:
1. 逐步處理。把整個駕駛過程拆解為一系列逐層連接的流水線，其中的每一步，比如感知、定位、地圖、路徑導航、運動控制，都分別由各自的具體軟件組件處理。
2. 端到端。基于深度學習的解決方案，一次性處理所有這些功能。
通過傳感器的融合，自動駕駛汽車獲得了數(shù)據(jù)，不過，如何從傳感器信號中提取有用的信息，并基于現(xiàn)有信息執(zhí)行任務，則需要利用機器學習算法——CNN、RNN、DRL。
CNN（卷積神經(jīng)網(wǎng)絡）：主要用于處理圖像和空間信息，提取感興趣的特征和識別環(huán)境中的對象。這些神經(jīng)網(wǎng)絡是由一個卷積層構(gòu)成的:一個過濾器的集合，它試圖區(qū)分圖像的元素或輸入數(shù)據(jù)來標記它們。這個卷積層的輸出被輸入到一個算法中，該算法將它們結(jié)合起來預測圖像的最佳描述。最后的軟件組件通常稱為對象分類器，因為它可以對圖像中的對象進行分類，例如一個路標或另一輛汽車。
RNN（遞歸神經(jīng)網(wǎng)絡）：主要用于處理視頻信息，在這些網(wǎng)絡中，先前步驟的輸出將作為輸入進入到網(wǎng)絡中，從而允許信息和知識能夠在網(wǎng)絡中持久存在并被上下文化。
DRL（深度強化學習）：DRL 方法允許軟件定義的“代理”學習在虛擬環(huán)境中使用獎勵函數(shù)實現(xiàn)目標的最佳可能操作。這些面向目標的算法將學習如何實現(xiàn)目標，或如何在多個步驟中沿著一個特定的維度最大化。目前，深度強化學習在無人駕駛汽車中的應用還處于起步階段。
這些方法不一定是孤立存在的。為了避免過度擬合，在深度學習中通常會進行多任務訓練網(wǎng)絡。當機器學習算法被訓練用于一個特定的任務時，它會變得如此專注于模仿它所訓練的數(shù)據(jù)，以至于試圖進行插值或外推時，它的輸出會變得不現(xiàn)實。
通過在多個任務上訓練機器學習算法，網(wǎng)絡的核心將專注于發(fā)現(xiàn)對所有目的都有用的通用特性，而不是專注于一個任務，以便輸出更加實際有用的應用程序。
利用傳感器提供的所有數(shù)據(jù)和這些算法，自動駕駛汽車能夠探測到周圍的物體。接下來，它需要找到一條路徑。
車輛了解其環(huán)境中的物體及其位置后，可以使用 voronoi 圖（車輛與物體之間的最大距離）、占用網(wǎng)格算法或駕駛廊道算法來確定車輛的大尺度路徑。然而，這些傳統(tǒng)方法并不能夠滿足車輛在動態(tài)環(huán)境下的移動。
報告指出，部分自動駕駛汽車不僅依靠機器學習算法來感知環(huán)境，還依靠這些數(shù)據(jù)來控制汽車。路徑規(guī)劃可以通過模仿學習的方式傳授給 CNN，在模仿學習中，CNN 試圖模仿駕駛員的行為。
通常情況下，這些機器學習方法會與經(jīng)典的運動規(guī)劃和軌跡優(yōu)化方法相結(jié)合，以確保路徑的魯棒性。此外，出于其他目的（例如減少燃料使用），汽車制造商還會在模型中提供最佳路徑參考。
車輛運行過程中的神經(jīng)網(wǎng)絡訓練和推理需要巨大的計算能力，由于汽車需要對新數(shù)據(jù)作出及時反應，因此，操作車輛所需的部分處理需要在車上進行，而模型的改進可以在云上完成。
目前，機器學習的最新進展在于有效處理自動駕駛汽車傳感器產(chǎn)生的數(shù)據(jù)，減少計算成本。此外，芯片制造和微型化的進步正在提高可安裝在自動駕駛汽車上的計算能力。隨著網(wǎng)絡協(xié)議的進步，汽車或許能夠依靠低延遲的基于網(wǎng)絡的數(shù)據(jù)處理來幫助它們進行自主操作。
那么，車輛是如何行動的呢？
在人類駕駛的汽車中，汽車的轉(zhuǎn)向、剎車或信號等動作通常由駕駛員控制。來自駕駛員的機械信號由電子控制單元（ECU）轉(zhuǎn)換成驅(qū)動命令，再由車上的電動或液壓執(zhí)行器執(zhí)行。
在（半）自動駕駛汽車中，這種功能被直接與 ECU 通信的驅(qū)動控制軟件取代。這些軟件能夠改變車輛的結(jié)構(gòu)，減少部件的數(shù)量；尤其是那些專門用于為 ECU 將機械信號從駕駛員轉(zhuǎn)換為電信號的部件。
自動駕駛汽車通常包含多個 ECU，一般車輛大約有 15-20 個，高端車型可能達到 100 個。
ECU 是一個簡單的計算單元，有獨立的微控制器和內(nèi)存，以此處理接收到的輸入數(shù)據(jù)，并將其轉(zhuǎn)換為其子系統(tǒng)的輸出命令，例如，轉(zhuǎn)換自動變速箱。
一般來說，ECU 既可以負責控制車輛的操作，也可以負責安全功能，運行信息娛樂和內(nèi)部應用程序。并且，大多數(shù) ECU 支持單個應用程序，如電子動力轉(zhuǎn)向，能夠在本地運行算法和處理傳感器數(shù)據(jù)。
挑戰(zhàn)一：系統(tǒng)復雜性
工程師需要為系統(tǒng)設計正確的電子體系結(jié)構(gòu)，以便進行傳感器融合，將決策同步分發(fā)到按指令行事的較低層子系統(tǒng)，這對需求的增加和復雜性提出了挑戰(zhàn)。
理論上，在一種極端情況下，人們可以選擇一種完全分布式的架構(gòu)，其中每個傳感單元處理其原始數(shù)據(jù)并與網(wǎng)絡中的其他節(jié)點通信。在光譜的另一端存在一個集中的架構(gòu)，其中所有的遠程控制單元（RCUs）都直接連接到一個中央控制點，該控制點收集所有信息并執(zhí)行傳感器融合過程。
而在這個范圍的中間是混合解決方案，它將在更高抽象級別工作的中央單元與執(zhí)行專用傳感器處理，或與執(zhí)行決策算法的域相結(jié)合。這些域可以基于車輛內(nèi)部的位置，例如汽車前部和后部的域，它們控制的功能類型，或者它們處理的傳感器類型（例如照相機）。
在集中式體系架構(gòu)中，來自不同傳感器的測量值是獨立的量，不受其他節(jié)點的影響。數(shù)據(jù)在系統(tǒng)的邊緣節(jié)點上沒有被修改或過濾，為傳感器融合提供了最大可能的信息，并且具有較低的延遲。這一架構(gòu)挑戰(zhàn)在于，大量的數(shù)據(jù)需要傳送到中央單元并在那里進行處理。這不僅需要一個強大的中央計算機，而且還需要一個高帶寬的重型線束。
分布式架構(gòu)可以用更輕的電氣系統(tǒng)實現(xiàn)，但更復雜。盡管在這樣的架構(gòu)中，與帶寬和集中處理相關(guān)的需求大大減少，但它在驅(qū)動和傳感階段之間引入了延遲，增加了對數(shù)據(jù)驗證的挑戰(zhàn)。
挑戰(zhàn)二：動力、熱量、重量和尺寸的增加
除了增加系統(tǒng)的復雜性之外，自動化還會增加車輛部件的功耗、熱足跡、重量和尺寸。無論架構(gòu)是分布式的還是集中式的，auton - omous 系統(tǒng)的功耗需求都是巨大的，而在這之中，主要的驅(qū)動因素是競爭需求。
全自動汽車的競爭需求比目前生產(chǎn)的最先進的汽車高出近 100 倍。對純電動汽車來說，行駛里程容易受到這種動力需求的負面影響。因此，Waymo 和福特等公司選擇專注于混合動力汽車，而 Uber 則使用全汽油 suv。然而，專家指出，全電動最終會成為動力系統(tǒng)的選擇，因為內(nèi)燃機在為車載電腦發(fā)電方面效率低下。
增加的處理需求和更高的功率吞吐量會使系統(tǒng)升溫，但為了使電子元件正?？煽康毓ぷ鳎还苘囃獠織l件如何，電子元件必須保持在一定的溫度范圍內(nèi)，這就需要冷卻系統(tǒng)的存在。但是，冷卻系統(tǒng)進一步增加車輛的重量和尺寸，特別是液體冷卻。另外，額外的組件、額外的布線和熱管理系統(tǒng)也會對車輛任何部分的重量、尺寸和熱性能造成壓力。
針對于此，自動驅(qū)動元件的供應商正改變著產(chǎn)品，從減輕像 LIDARs 的大型元件重量，到構(gòu)建像 semicon - ductor 這樣的微型元件。同時，半導體公司正在制造占地面積更小、熱性能更好、干擾更小的元件，發(fā)展各種硅元件，如 MOSFET、bipo - lar 晶體管、二極管和集成電路。
不僅如此，該行業(yè)還考慮使用新材料——氮化鎵（GaN）。與硅相比，氮化鎵可以更有效地傳導電子，從而能夠在給定的導通電阻和擊穿電壓下，制造出更小的器件。
一輛全自動駕駛汽車所包含的代碼可能比迄今為止所開發(fā)的任何軟件平臺或操作系統(tǒng)都要多，要自行處理所有的算法和過程需要顯著的計算能力和強大的處理。目前，GPU 的加速處理正成為行業(yè)的標準。
在 GPU 領(lǐng)域， Nvidia 是這個市場領(lǐng)導者。Nvidia 的競爭主要集中在張量處理單元（TPU）的芯片設計上，加速了作為深度學習算法核心的張量運算。另外，GPU 用于圖形處理也阻止了深度學習算法充分利用芯片的能力。
可見，隨著車輛自動化水平的提高，車輛的軟件形態(tài)將發(fā)生顯著的變化。除此之外，車輛更大的自主權(quán)也會影響用戶與車輛的互動方式。
雷鋒網(wǎng)注：文章配圖均截取自《2020 自動駕駛技術(shù)報告》雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
