认知车辆建立在基础的高完整性传感器数据之上

这是我们这个时代的大胆创新计划。从传感器到人工智能（AI），经典的电子产品供应链已经形成了一个致力于使自动驾驶汽车安全的协作矩阵。为此，在硬件和软件开发方面还有很多工作要做，以确保驾驶员、乘客和行人受到保护。虽然机器学习和人工智能可以发挥作用，但它们的有效性取决于传入数据的质量。因此，除非自动驾驶汽车建立在高性能、高完整性传感器信号链的基础上，以始终如一地提供最准确的数据，作为生死抉择的基础，否则任何自动驾驶汽车都不能被认为是安全的。

与最初的大胆创新计划一样，在通往安全自动驾驶汽车的道路上也存在许多障碍。最近涉及自动驾驶汽车的高调事件助长了反对者的说法，即车辆及其运行环境太复杂，变量太多，算法和软件仍然太有缺陷。对于任何参与ISO 26262功能车辆安全合规性测试的人来说，他们的怀疑是可以原谅的。2017年在硅谷测试的五家自动驾驶汽车公司的物理行驶里程数与脱离自动驾驶模式的次数的图表支持了这种怀疑（图1）。2019年的数据尚未编制，但个别公司的报告可在线获取。

然而，目标已经设定，当务之急很明确：车辆自动驾驶即将到来，安全至上。非官方的2018年加州自动驾驶汽车管理局（DMV）数据显示，每英里的脱离次数正在减少，这也表明系统的能力越来越强。然而，这一趋势需要加快。

将协作和新思维放在首位，汽车制造商正在直接与芯片供应商交谈;传感器制造商正在与AI算法开发人员讨论传感器融合;软件开发人员终于与硬件提供商建立了联系，以充分利用两者。旧的关系正在发生变化，新的关系正在动态形成，以优化最终设计中性能、功能、可靠性、成本和安全性的组合。

端到端的生态系统正在寻求正确的模型，以构建和测试全自动驾驶汽车，以应对机器人出租车和长途卡车运输等快速出现的应用。在此过程中，由于传感器的改进推动了高级驾驶辅助系统（ADAS）的最新技术，自动化程度正在迅速实现。

这些传感器技术包括摄像头、光探测和测距（激光雷达）、无线电探测和测距（雷达）、微机电系统（MEMS）、惯性测量单元（IMU）、超声波和GPS，它们都为人工智能系统提供了关键输入，这些系统将驱动真正的认知自动驾驶汽车。

认知车辆是预测安全的基础

车辆智能通常表示为自主级别。1 级 （L1） 和 L2 主要是警告系统，而 L3 或更高的车辆有权采取行动避免事故。当车辆行驶到L5时，方向盘被移除，汽车完全自主运行。

在最初的几代系统中，随着车辆开始采用L2功能，传感器系统独立运行。这些警告系统的误报率很高，并且经常被关闭，因为它们令人讨厌。

为了实现完全认知的自动驾驶汽车，传感器的数量显着增加。此外，它们的性能和响应时间必须大大提高。

随着车辆内置的更多传感器，它们还可以更好地监控和考虑当前的机械条件，例如轮胎压力、重量变化（例如，装载与卸载、一名乘客或六名乘客）以及其他可能影响制动和操控的磨损因素。通过更多的外部传感模式，车辆可以更充分地感知其健康状况和周围环境。

传感模式的进步使汽车能够识别环境的当前状态并了解其历史。这是由于ENSCO航空航天科学与工程部首席技术专家Joseph Motola博士开发的原理。这种感知能力可以像对道路状况的感知一样简单，例如坑洼的位置，也可以像事故类型以及它们如何随着时间的推移在某个区域发生一样详细。

在开发这些认知概念时，感知、处理、记忆容量和连接性的水平使它们看起来很牵强，但已经发生了很大变化。现在，可以访问这些历史数据并将其分解为来自车辆传感器的实时数据，以提供越来越准确的预防措施和事故避免程度。

例如，IMU 可以检测到指示坑洼或障碍物的突然颠簸或转向。过去，这些信息无处可去，但现在实时连接允许将这些数据发送到中央数据库，并用于警告其他车辆的洞或障碍物。摄像头、雷达、激光雷达和其他传感器数据也是如此。

这些数据经过编译、分析和融合，以便为车辆对其运行环境的前瞻性理解提供信息。这使得车辆可以充当学习机器，有可能做出比人类更好、更安全的决策。

多方面的决策和分析

在推进最先进的车辆感知方面已经取得了很大进展。重点是从各种传感器收集数据，并应用传感器融合策略，以最大限度地发挥其互补优势，并在各种条件下支持其各自的弱点。

尽管如此，如果要成为解决该行业面临的问题的真正可行的解决方案，还有很多工作要做。例如，相机可以计算横向速度（即与车辆行驶方向正交的物体的速度）。尽管如此，即使是最好的机器学习算法也需要~300毫秒才能以足够低的误报率进行横向移动检测。对于以 60 英里/小时的速度行驶在车辆前方行驶的行人来说，毫秒可以决定浅表伤害和危及生命的伤害，因此响应时间至关重要。

300 毫秒延迟是由于从连续视频帧执行增量矢量计算所需的时间。可靠检测需要十个或更多连续帧：我们必须将其减少到一个或两个连续帧，以便车辆有时间做出响应。雷达有能力实现这一目标。

同样，雷达在速度和物体检测方面具有许多优势，例如方位角和仰角的高分辨率，以及“看到”周围物体的能力，但它也需要为车辆提供更多的反应时间。以 400 公里/小时或更高的明确速度确定为目标，77 GHz 至 79 GHz 运行的新发展正在取得进展。这种速度确定水平可能看起来很极端，但对于支持复杂的分割高速公路用例是必要的，在这些用例中，车辆以超过 200 公里/小时的速度沿相反方向行驶。

桥接摄像头和雷达的是激光雷达，其特性使其成为完全认知车辆的可行且必不可少的元素。但它也有需要克服的挑战。

激光雷达正在演变为紧凑、经济高效的固态设计，可以放置在车辆周围的多个点，以支持全 360° 覆盖。它补充了雷达和摄像系统，增加了更高的角分辨率和深度感知，以提供更精确的环境3D地图。

然而，它在近红外（IR）（850 nm至940 nm）下的操作可能对视网膜有害，因此其能量输出在905 nm处被严格调节为每脉冲200 nJ。然而，通过迁移到超过1500nm的短波红外，光被整个眼睛表面吸收。这允许更宽松的每脉冲8 mJ的监管要求。1500 nm 脉冲激光雷达系统的能量水平是 905 nm 激光雷达的 40，000 倍，可提供 4× 更长的距离。此外，1500 nm 系统在某些环境条件下（如雾霾、灰尘和细小气溶胶）可以更加稳健。

1500 nm激光雷达的挑战是系统成本，这在很大程度上是由光电探测器技术（目前基于InGaAs技术）驱动的。获得具有高灵敏度、低暗电流和低电容的高质量解决方案是 1500 nm 激光雷达的关键推动因素。此外，随着激光雷达系统进入第 2 代和第 3 代，将需要应用优化的电路集成来降低尺寸、功耗和整体系统成本。

除了超声波、摄像头、雷达和激光雷达之外，还有其他传感方式在实现完全认知的自主交通方面发挥着关键作用。GPS让车辆随时知道它的位置。也就是说，有些地方没有GPS信号，例如在隧道和高层建筑中。这就是惯性测量单元可以发挥关键作用的地方。

虽然经常被忽视，但IMU依赖于重力，无论环境条件如何，重力都是恒定的。因此，它们对于航位推算非常有用。在暂时没有GPS信号的情况下，航位推算使用来自车速表和IMU等来源的数据来检测行驶的距离和方向，并将这些数据叠加到高清地图上。这使认知车辆保持在正确的轨道上，直到可以恢复GPS信号。

高质量数据节省时间和生命

尽管这些传感方式可能很重要，但如果传感器本身不可靠，并且它们的输出信号没有被准确捕获以作为高精度传感器数据馈送到上游，那么这些关键的传感器输入都无关紧要：“垃圾输入，垃圾输出”这个短语很少有如此重要的意义。

为了实现这一目标，即使是最先进的模拟信号链也必须不断改进，以检测、采集和数字化传感器信号输出，使其精度和精度不会随时间和温度而漂移。借助正确的组件和设计最佳实践，可以大大减轻众所周知的难题的影响，例如偏置随温度漂移、相位噪声、干扰和其他导致不稳定的现象。高精度/高质量数据是机器学习和人工智能处理器在投入使用时进行适当训练并做出正确决策的能力的基础。而且几乎没有第二次机会。

一旦数据质量得到保证，各种传感器融合方法和人工智能算法就可以以最佳方式响应积极的结果。事实上，无论人工智能算法训练得多么好，一旦模型被编译并部署在网络边缘的设备上，它们的效率就完全依赖于可靠、高精度的传感器数据。

传感器模式、传感器融合、信号处理和人工智能之间的这种相互作用对智能、认知、自动驾驶汽车的发展以及我们确保驾驶员、乘客和行人安全的信心产生了深远的影响。然而，如果没有高度可靠、准确、高精度的传感器信息，一切都没有意义，而这些信息是安全自动驾驶汽车的基础。

与任何先进技术一样，我们在这方面的工作越多，需要解决的用例就越复杂。这种复杂性将继续困扰现有技术，因此我们需要期待下一代传感器和传感器融合算法来解决这些问题。

与最初的大胆创新计划一样，人们希望自动驾驶汽车的整个举措将对社会产生变革性和持久的影响。从驾驶员辅助转向驾驶员更换不仅将显着提高运输安全性，而且还将带来巨大的生产力提高。这个未来都取决于构建其他一切的传感器基础。

审核编辑：郭婷