就像最初的登月一樣，在通往安全自動駕駛車輛的道路上還存在許多障礙。最近發(fā)生的涉及自動駕駛車輛的事故助長了唱反調(diào)者的聲勢，他們認為車輛及其行駛環(huán)境太復雜，變數(shù)太多，而算法和軟件仍然錯誤太多。對于參與了ISO26262功能安全合規(guī)性驗證的任何人來說，他們對此持懷疑態(tài)度是可以理解的。

  當務之急是要在自動駕駛即將到來之時，保障至關(guān)重要的安全性。FPC廠了解到，加州車輛管理局（DMV）2018年的非官方數(shù)據(jù)顯示，同等英里數(shù)下，自動駕駛模式的人為接管次數(shù)正在減少，這也表明自動駕駛系統(tǒng)正變得越來越強大。而這種趨勢需要進一步加快。

  通過將協(xié)作和新思維放在第一位，汽車制造商將直接與芯片供應商洽談；傳感器制造商將與AI算法開發(fā)人員討論傳感器融合；而軟件開發(fā)人員將與硬件提供商建立聯(lián)系，充分發(fā)揮兩者的優(yōu)勢。舊的關(guān)系正在改變，新的關(guān)系正在動態(tài)地形成，以優(yōu)化最終設計的性能、功能、可靠性、成本和安全性。

  生態(tài)系統(tǒng)正在尋求合適的模式，以便在此基礎(chǔ)上制造和測試全自動駕駛車輛，用于快速涌現(xiàn)的新應用，如自動駕駛出租車（robo－taxi）和長途貨車。在此過程中，高級駕駛輔助系統(tǒng)（ADAS）所使用的傳感器不斷改進，使得自動化程度快速提高。

  這些傳感器技術(shù)包括攝像頭、激光探測與測距（LiDAR）、無線電探測與測距（radar）、微機電傳感器（MEMS）、慣性測量單元（IMU）、超聲波和GPS，所有這些都為人工智能系統(tǒng)提供關(guān)鍵的數(shù)據(jù)輸入，從而驅(qū)動真正的自動駕駛車輛。車輛的智能化程度通常用自動駕駛級別來表示。L1和L2主要是預警系統(tǒng)，而L3或更高級別的車輛被授權(quán)控制以避免事故。隨著車輛發(fā)展到L5，方向盤將被取消，車輛完全自動駕駛。

  在最初的幾代系統(tǒng)中，隨著車輛開始具備L2功能，各個傳感器系統(tǒng)獨立工作。軟板廠獲悉，這些預警系統(tǒng)誤報率較高，帶來了不少麻煩，因此經(jīng)常被關(guān)閉。將更多傳感器安裝在車輛上后，還可以更好地監(jiān)控和分析當前機械狀況，如胎壓、重量變化（例如，負載和無負載、一名乘客或五名乘客），以及可能影響制動和操控的其他磨損因素。有了更多的外部傳感方式，車輛可以更充分地感知其行駛狀況和周圍環(huán)境。

  傳感方式的改進使汽車能夠識別環(huán)境的當前狀態(tài)，并了解歷史狀態(tài)。這來自于ENSCO航空航天科學和工程部首席技術(shù)官Joseph Motola開發(fā)的原理。這種傳感能力既可以完成一些簡單的任務，例如探查道路狀況，識別坑洼位置，也可以進行一些詳細分析，比如一段時間內(nèi)在特定區(qū)域發(fā)生的事故類型以及事故原因。

  在產(chǎn)生這些認知概念時，由于感測、處理、內(nèi)存容量和網(wǎng)絡連接的限制，使它們看起來似乎遙不可及。但現(xiàn)在情況已經(jīng)大有改觀?，F(xiàn)在，系統(tǒng)可以訪問這些歷史數(shù)據(jù)，并將其與車輛傳感器提供的實時數(shù)據(jù)相結(jié)合，以提供越來越準確的預防性措施，避免發(fā)生事故。

  要想真正有效地解決行業(yè)面臨的問題，仍有許多工作要做。電路板廠舉個例子，例如，要提高攝像頭計算橫向速度的能力（也就是物體在與車輛行駛方向垂直的路徑上移動的速度）。但是，要實現(xiàn)足夠低的誤報率，即使是最好的機器學習算法仍然需要大約300毫秒來進行橫向移動檢測。對于在以每小時60英里速度行駛的車 輛和在車輛前方行走的行人來說，毫秒之差就關(guān)系到人員受傷的輕重程度，因此響應時間至關(guān)重要

  300毫秒延遲是由系統(tǒng)從連續(xù)視頻幀執(zhí)行增量矢量計算所需的時間造成的。要進行可靠的檢測，需要十個或以上連續(xù)幀，但我們必須將其降到一個或兩個連續(xù)幀，以便給車輛足夠的響應時間。雷達可以做到這一點。

  同樣，雷達在速度和物體探測方面也有許多優(yōu)點，例如對方位和俯仰角的高分辨率，以及＆ldquo；看到＆rdquo；周圍物體的能力，但它也需要為車輛提供更多的時間來作出反應。以400公里／小時或更高的速度測定為目標，77GHz至79GHz的一些開發(fā)工作取得了新的進展。這種水平速度測定可能看起來很極端，但對于支持復 雜的雙向車道行駛是必要的，在這種路況中，相向行駛的車輛的相對速度超過200公里／小時。

  激光雷達正在發(fā)展為經(jīng)濟高效的緊湊型固態(tài)設計，可以放置在車輛周邊的多個位置，以支持完整的360覆蓋范圍。它與一般雷達和攝像頭系統(tǒng)相輔相成，提升了角分辨率和深度感知，以提供更精確的三維環(huán)境影像。

  但是，近紅外波段（IR）（850nm至940nm）對視網(wǎng)膜有害，因此其能量輸出在905nm處被嚴格調(diào)節(jié)到200nJ／脈沖。而通過遷移到波長超過1500nm的短波紅外，這些光由眼睛的整個表面吸收。這樣就可以放寬一些限制，調(diào)節(jié)到每脈沖8 mJ。1500nm脈沖激光雷達系統(tǒng)的能量級別是905nm激光雷達的40，000倍，探測距離是后者的4倍。此外，柔性電路板廠發(fā)現(xiàn)，1500nm系統(tǒng)可以更好地抵御某些環(huán)境條件，如霧霾、灰塵和細小的氣溶膠。

  1500nm激光雷達面臨的挑戰(zhàn)是系統(tǒng)成本，這在很大程度上受到光伏探測器技術(shù)的推動（該技術(shù)如今基于InGaAs技術(shù)）。獲得高質(zhì)量解決方案，即具有高靈敏度、低暗電流和低電容，將是1500nm激光雷達取得進展的關(guān)鍵技術(shù)。此外，隨著激光雷達系統(tǒng)進入第二代和第三代，需要使用針對應用而優(yōu)化的電路集成，以減少尺寸、功率和整體系統(tǒng)成本。

  除了超聲波、攝像頭、雷達和激光雷達之外，其他傳感技術(shù)也在實現(xiàn)全自動駕駛方面發(fā)揮著關(guān)鍵作用。GPS讓車輛能夠始終了解自己所處的位置。盡管如此，仍有一些地方無法獲得GPS信號，例如隧道和高層建筑中。而這就是慣性測量單元發(fā)揮重要作用的地方。

  盡管經(jīng)常被忽視，但IMU非常穩(wěn)定可靠，因為它依賴于重力，而重力幾乎不受環(huán)境條件影響。它對航位推算非常有用。在暫時沒有GPS信號的情況下，航位推算可使用來自速度計和IMU等來源的數(shù)據(jù)，檢測行駛的距離和方向，并將這些數(shù)據(jù)疊加到高清地圖上。這使自動駕駛車輛能夠保持在正確的軌跡，直到GPS信號恢復。和這些傳感技術(shù)一樣重要的是它們的可靠性，如果傳感器本身不可靠，輸出的信號沒有被準確捕獲以作為高精度數(shù)據(jù)提供給上游，那么這些關(guān)鍵的傳感器將變得毫無意義，也正應驗了那句話，如果輸入的是垃圾，那么輸出的也一定是垃圾。

  為了確保傳感器的可靠性，即使是最先進的模擬信號鏈也必須不斷改進，以檢測、獲取和數(shù)字化轉(zhuǎn)換傳感器信號，使其準確度和精度不會隨時間和溫度的變化而發(fā)生偏差。采用合適的器件和設計方法，可以大幅緩解一些出了名的難題（如偏置溫漂、相位噪聲、干擾和其他不穩(wěn)定現(xiàn)象）。高精度／高質(zhì)量的數(shù)據(jù)是機器學習和人工智能處理器得到適當訓練并做出正確決策的基礎(chǔ)。一般不會有第二次機會讓你重頭來過。

  一旦數(shù)據(jù)質(zhì)量得到保證，各種傳感器融合方法和人工智能算法就可以做出最佳響應。事實上，不管人工智能算法訓練得有多好，一旦模型被編譯并部署到網(wǎng)絡邊緣的設備上，它們的有效性就完全依賴于高精度的傳感器可靠數(shù)據(jù)。傳感器模式、傳感器融合、信號處理和人工智能之間的這種相互作用，對具有智能和認知能力的自動駕駛車輛的發(fā)展，以及保障駕駛員、乘客和行人安全都有著深遠的影響。但是，如果沒有高度可靠、準確、高精度的傳感器信息（這些信息是安全自動駕駛車輛的基礎(chǔ)），一切都毫無意義。

  和任何先進技術(shù)一樣，我們在這方面做的工作越多，就會發(fā)現(xiàn)更多需要解決的復雜用例。這種復雜性將繼續(xù)對現(xiàn)有技術(shù)構(gòu)成難題，因此我們期待下一代傳感器和傳感器融合算法可以解決這些問題。

  就像最初的登月一樣，我們對于整個自動駕駛車輛推行計劃也抱有巨大的期待，希望這將為社會帶來深刻的變革和持久的影響。從輔助駕駛發(fā)展到自動駕駛，不僅會大幅提升交通安全性，還會顯著提高生產(chǎn)力。而這樣的未來完全依托于傳感器，其他一切都將建立在傳感器基礎(chǔ)之上。

  過去25年來，ADI一直致力于汽車安全和ADAS發(fā)展?，F(xiàn)在，ADI正在為自動駕駛的未來奠定基礎(chǔ)。ADI圍繞慣性導航、高性能雷達和激光雷達等領(lǐng)域的卓越積累，提供高性能傳感器和信號／功率鏈解決方案。這些解決方案不僅將大幅提高這些系統(tǒng)的性能，而且還將降低整個平臺的實施成本，從而加快我們邁向自動駕駛的步伐。

ps:部分圖片來源于網(wǎng)絡，如有侵權(quán)，請聯(lián)系我們刪除