雨刮器很久沒有工作了，您感覺前面就像涂了泥一樣昏暗，路邊的陰影也好像擋在了路中央。在朦朧中，您意識到車的盲點范圍里有一輛沒開大燈的車，您打著轉(zhuǎn)向燈，摸索著向中間車道行駛。突然，您想起了自己的車里應(yīng)該有先進的主動安全系統(tǒng)。

近期可能出現(xiàn)的三種結(jié)果

這個故事可能有三種不同的結(jié)果，技術(shù)取勝，人戰(zhàn)勝機器，還有可能發(fā)生事故?？赡苁沁@樣的：在您認識到將要發(fā)生什么之前，轉(zhuǎn)向燈已經(jīng)開始閃爍，自己的車稍稍向中間車道加速，然后，輕輕的剎車，避開了附近看不到的行人，也提醒了后面的車輛。

也可能是這樣：當(dāng)車輪轉(zhuǎn)向時，您感覺到汽車的車道保持功能在起作用，把車拉回到原來的車道。但是，您仍然繼續(xù)，打著轉(zhuǎn)向燈，安全的并線，對其他車輛刺耳的喇叭聲不聞不問。而此時，行人從路邊冒出，前擋風(fēng)玻璃前視顯示系統(tǒng)沒有讓您及時看到這個人。好在您躲開了他。

或者，可能這樣：您轉(zhuǎn)向時，您聽到了不熟悉但是非常刺耳的報警聲。在您還沒有搞明白怎么回事時，一輛車從盲點里鳴著喇叭沖出來—現(xiàn)在，您沒有別的選擇，只能慌亂的剎車停下來。防抱死剎車功能在濕滑的路面上起作用了，讓您感到恐慌，車子終于緊挨著受驚嚇的行人停下來了。在極度驚恐中，您瞥了一眼儀表盤，知道了瘋狂報警的原因—高級輔助駕駛系統(tǒng) (ADAS) 關(guān)閉了。

這就是同一個場景三種完全不同的結(jié)果。這源于三種完全不同的 ADAS 。為說明這些不同，理解其影響，我們將詳細研究 ADAS 的實現(xiàn)。在今年的設(shè)計自動化大會上，舉行了一次主題研討和公開論壇，對此很好的進行了闡述。

從傳感器開始

ADAS 系統(tǒng)是邏輯流水線，要理解它最好從寬輸入范圍入手。福特汽車電子和電氣系統(tǒng)研究主任兼研究員 James Buczkowski 說：“隨著向自動化方向的發(fā)展，難點在于僅采用一種傳感器是遠遠不夠的?！?/P>

在公開論壇上，主持人是 Cadence 總編輯 Brian Fuller ，他也要求專家們研討一下 ADAS 傳感器。傳感器系統(tǒng)供應(yīng)商 Nuvation 首席設(shè)計工程師 Edward Ayrapetian 認為，“目前我們使用了多種類型的傳感器。一般而言，您會看到激光雷達、普通雷達和高分辨率視頻攝像機的組合使用。但是隨著圖像處理算法的改進，所有一切都在不斷變化。”

Ayrapetian 解釋說，每一類傳感器都有其優(yōu)缺點，其他專家對此也表示同意。例如，激光雷達是谷歌 “無人駕駛” 汽車研究平臺的主要傳感器。這一技術(shù)的標(biāo)志是激光器和旋轉(zhuǎn)的鏡子構(gòu)成的半個圓球。激光雷達比較擅長勾勒出物體的外形，并提供距離數(shù)據(jù)—這些都是目標(biāo)識別算法所必須的。而且，激光雷達對背景光線也不太敏感。

Ayrapetian 提醒說，“但是谷歌使用的激光雷達傳感器價格高達 10 萬美元?！?而且，在有霧或者下雪等低能見度的時候，從物體表面反射回來的光束所攜帶的信息量很少，激光雷達就不太好用了。Ayrapetian 提到了非常著名的加州沙漠聚會，“我們把自動駕駛卡車開向‘火人’。我們所知道的是，激光雷達無法識別一大片塵霧和磚墻。”

而雷達在一定程度上是非常好的互補技術(shù)。如果您仔細選好了頻率、波形和接收信號處理功能，那么，雷達不會受到干擾的影響，實際上在低能見度和光照條件下都能正常工作。大陸汽車系統(tǒng)和技術(shù)公司 ADAS 業(yè)務(wù)部主任 Christian Schumacher 補充說：“雷達能夠很好的獲得距離數(shù)據(jù)。但是，雷達不擅長識別物體?！?不太理想的外形數(shù)據(jù)，而且沒有紋理或者顏色信息，這讓物體識別算法無法工作。

因此，我們使用了攝像機。隨著低成本高分辨率攝像機的出現(xiàn)，視頻成為 ADAS 的關(guān)鍵傳感器技術(shù)，為物體識別提供了豐富的數(shù)據(jù)。多攝像機系統(tǒng)能夠避開某些視覺障礙，提供雖然有限但是足夠用的基于視差的距離信息。但是攝像機也有其問題，能見度差的時候無法工作。Schumacher 提醒說：“攝像機對光照要求很高。我們需要找到平衡點—一種在所有駕駛條件下都非常高效的系統(tǒng)，但是不能有太多的傳感器?！?/P>

通過采用更好的算法來互相補充，以減少傳感器。Ayrapetian 說：“我們要考慮傳感器所面臨的問題及其關(guān)鍵程度來定制傳感器。如果把需求縮窄，就能夠改進算法。我們基本能夠采用更好的視頻流圖像處理算法來替代激光雷達?！?/P>

傳感器融合

即使在圖像處理技術(shù)上有所突破，大家一致認為仍然需要先進的傳感器融合技術(shù)才能從幾種不同類型的數(shù)據(jù)中，獲得車輛周圍環(huán)境正確的信息：物體，其速度和加速狀態(tài)，以及可能的行為等。一個重要而且復(fù)雜的問題是，在系統(tǒng)中要進行多少次處理。有可能是將所有的原始數(shù)據(jù)送入融合引擎—例如，卡爾曼濾波器或者深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，看一看能夠得出什么。這種想法有一定的可行性，例如實際上有一類特殊的網(wǎng)絡(luò)，卷積網(wǎng)絡(luò)，它用在物體識別時的性能非常好。

但是，設(shè)計人員更傾向于采用他們在操作層面上能夠理解的系統(tǒng)。在5月份舉行的嵌入式視覺大會的一次研討中，谷歌自動駕駛汽車團隊的技術(shù)主任 Nathaniel Fairfield 說：“我們的策略是開發(fā)簡單的系統(tǒng)來處理傳感器數(shù)據(jù)，然后，以更抽象的方式來融合經(jīng)過預(yù)處理的數(shù)據(jù)。我們更愿意通過一個大濾波器來運行所有一切?！?/P>

一種簡化的方法是對處理步驟進行邏輯排序 (圖1)。每一個傳感器都會進行本地信號調(diào)理，甚至可能根據(jù)下游的反饋來自動適應(yīng)。然后，每一個傳感器會在本地根據(jù)其掌握的信息進行物體估算，為推斷出的這些物體附加一些屬性。

圖1. 您可以把ADAS看成是處理器流水線，越來越抽象的看待汽車周圍的環(huán)境。

例如，激光雷達能夠確定地面 030 方向有一個物體，從右向左移動，距離大概 20.24 米。雷達也會報告，在同一位置，地面噪聲背景上可能有一個物體。一對高分辨率攝像機會看清楚這一物體—看起來非常像一頭金色獵犬，方向在 025 至 035 之間，大概 15 米之外。

這些信息會被傳送至融合引擎，接收有物體存在這一主視圖，附加上最可靠的屬性—例如，位置、速度、大小和顏色。這些信息隨后會被送至一個分類引擎，將其標(biāo)示為一條狗—例如，位置、速度、大小和顏色。這些信息隨后會被送至一個分類引擎，將其標(biāo)示為一條狗

這看起來很有邏輯性，但卻不能解決問題。甚至在每一階段采用哪類算法都沒有達成一致。Schumacher 觀察到：“目前，大部分步驟都是基于規(guī)則的。但是，基于規(guī)則的系統(tǒng)需要很多支持。我們會看到一些算法采用了人們不好解釋的方法?！?