自動駕駛汽車需要攝像頭、雷達和激光雷達等傳感器來查看周圍環境。自動駕駛汽車還需要計算能力和人工智能來分析多維數據流，有時甚至是多源數據流，從而為車輛實時提供整體和統一的環境視圖。如果傳感器融合為實現完全自主開辟道路，那么仍然存在許多技術挑戰。

在 AutoSens Brussels 2020 的演講中，英飛凌奧地利技術公司的概念工程師 Norbert Druml 分享了價值 5100 萬歐元的歐洲研究項目 Prystine——汽車智能可編程系統的雄心壯志。Druml 展示了迄今為止在超越 3 級自主性的故障操作傳感、控制和 AI 控制的車輛演示器領域取得的一些關鍵成果。

Prystine 的財團由來自 14 個歐洲和非歐洲國家的 60 個合作伙伴組成，其中包括寶馬、福特和瑪莎拉蒂等汽車制造商；英飛凌科技和恩智浦半導體等半導體公司；技術合作伙伴；和研究機構。

（來源：普利斯汀）

故障操作行為
車輛將逐漸獲得更多自主功能，駕駛員將減少對駕駛的關注，而更多地關注智能系統的監控，駕駛行為將委托給這些系統。在第 3 級，駕駛員可以在系統故障或自動駕駛功能達到其操作極限的情況下接管駕駛任務。然而，在 4 級和 5 級，不能依靠駕駛員及時和適當的方式進行干預。自動化必須能夠自行處理安全關鍵情況。在這方面，故障操作行為在自動化鏈的感知、預測和行動階段至關重要。

Prystine 的主要目標之一是實施 FUSION（故障運行城市環繞感知），它基于強大的雷達和 LiDAR 傳感器融合，以及在農村和城市環境以及傳感器啟動的場景中實現安全自動駕駛的控制功能由于惡劣的天氣條件而失敗，”Druml 說。

目標是從故障安全轉向故障操作行為系統，“以真正提高集成到未來汽車中的所有組件的安全性，”Druml 說。“這包括安全控制器、傳感器、雷達、激光雷達、攝像頭和具有處理能力的計算平臺等組件。”

Prystine 合作伙伴設想的故障操作行為系統在檢測到故障時不會關閉整個功能；相反，Druml 說，“它將激活能夠支持某些功能的備用系統，并以較低的速度駕駛汽車到下一個進站。”

為了實現 Prystine 的 FUSION，研究重點是開發了四個 AI 算法集群，描述如下。

檢測易受傷害的道路使用者
在歐盟，22% 的道路死亡事故是行人，8% 是騎自行車的人。該集群通過融合來自雷達、激光雷達和攝像頭傳感器的數據來解決弱勢道路使用者（行人、騎自行車者、兒童、殘疾人和老年人）的感知問題。SuperSight 解決方案的開發旨在消除盲點，以便在易受傷害的道路使用者進入駕駛員的自然視野之前就可以看到他們。合作伙伴聲稱 SuperSight 還提供自動安全警報，從而減少道路事故并提高駕駛員的積極性。SuperSight 解決方案使用 360° 視頻處理，并在車輛上安裝了周圍的攝像頭。

（來源：普利斯汀）

交通管理
在從 2 級和 3 級自動駕駛到 4 級的過渡過程中，車輛需要應對更復雜的交通條件和道路網絡，尤其是在城市環境中。Prystine 合作伙伴正在開發一種交通管理解決方案，該解決方案融合了來自交通控制器、浮動汽車數據和自動車牌識別攝像頭的交通數據。“我們融合這些數據并為汽車和道路使用者提供交通預測，”Druml 說。“這提供了超越實際汽車視野的視野方式，汽車可以優化其軌跡和路徑規劃。” 例如，他說，汽車可能會調整其軌跡和速度以進行綠燈運行并優化時間和能源消耗。

懸掛控制
該聯盟評估了各種傳感器技術——激光三角測量、雷達和超聲波成像——它們可以掃描路面狀況，以便車輛可以通過改變懸掛系統的阻尼系數量或垂直位置來對預測的狀況做出反應。“算法分析前方道路的幾何形狀，并調整汽車的懸架，使用戶不會感覺到道路上有洞和顛簸，”Druml 說。“駕駛汽車的便利性大大提高。”

車輛控制和軌跡規劃
這組算法適用于碰撞檢測、避碰、變道、緊急停車、超車、重型卡車和全尺寸拖車的后部操縱以及啟動/停止安全等用例，Druml 說. 該集群部署在具有三個復雜級別的演示器中。在第一級，稱為共享控制場景，駕駛員由基于 AI 的副駕駛員支持，“持續分析汽車的軌跡。如果檢測到安全危急情況，基于人工智能的副駕駛會為駕駛員提供支持，并希望能夠以安全的方式解決危急情況。”

Druml 說，下一個復雜級別稱為分層控制，“在不同的自動化級別之間平滑切換”。例如，車輛可以從“受監督的城市控制切換到城市司機，這不僅通過持續監控汽車周圍的駕駛場景和情況，還通過分析駕駛員狀態和操作的復雜性來實現。”

第三級復雜性是完全由人工智能控制的車輛。“在這里，我們融合了來自雷達、激光雷達和攝像頭的傳感器數據，并考慮了基于云的信息——特別是交通狀態和交通預測信息——以改進基于人工智能的自動駕駛解決方案，”說鼓。

他說，為期三年的 Prystine 項目將于 2021 年 4 月結束，但“這個項目的想法”將繼續下去。“我們 [合作伙伴] 聚集在一起以獲得一些資金，以加快我們的開發和研究活動。”

進步、機遇、挑戰
加速自動駕駛汽車出現的激烈競爭壓力已經在傳感器融合算法開發方面取得了重大進展。但我們在 AV 傳感器融合方面走了多遠？市場參與者如何接近它？

EE Times Europe 向 Yole Développement（法國里昂）的技術和市場分析師 Pierrick Boulay 提出了這些問題。“汽車中的 E/E [電氣/電子] 架構正在從分布式架構演變為域集中式架構，”Boulay 說。“中間會有步驟。”

他指出，汽車制造商奧迪在 2016 年使用 zFAS 域控制器邁出了第一步。所有傳感器數據，包括來自 3D 相機、遠程雷達、激光雷達和超聲波傳感器的信號，都不斷地輸入模塊并由模塊進行處理。

“使用這種類型的域控制器，更容易實現數據融合，”Boulay 說。特斯拉的 Autopilot 硬件采用了類似的方法，“從所有嵌入式傳感器收集數據，同時控制音頻和射頻，以及導航系統。”

正如 Prystine 項目中所述，解鎖自主性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和理解車輛的周圍環境。人工智能將越來越多地得到應用，所有開發算法來分析如此大量的異構數據的公司都有望找到很多機會，Boulay 說。對于制造芯片來處理數據的公司來說也是如此。對計算能力的需求隨著自治水平的提高而不斷增加。例如，機器人汽車每秒的運算量已經超過 250 兆兆字節，而特斯拉的全自動駕駛能力接近 70 TOPS。

算力能否無限提升？對于完整的 AV，它在什么水平上才算足夠？“一些公司將通過需要中等計算能力的優化系統實現完全自主，而其他公司可能需要兩倍的計算能力，”Boulay 說。“只有時間會告訴我們極限在哪里。”

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對電動汽車的續航里程產生影響，”Boulay 說。“由于范圍是客戶的主要關注點，因此這種自主系統必須是節能的。”

與傳感器融合相關的另一個挑戰是融合不同維度空間（即 2D 和 3D）中的數據的能力。“這是 OEM 和一級供應商必須回答的關鍵問題，”Boulay 說。“激光雷達將能夠設置 3D 場景，攝像頭和雷達將用于微調該場景，為圖像帶來色彩，為物體帶來速度。

“這將是相當復雜的實現，這將是領先者和落后者之間的區別。”

審核編輯 黃昊宇