自动驾驶发展就好比是登月计划。
从传感器到人工智能，经典的电子供应链已经形成了一个协作矩阵，致力于实现自动驾驶车辆的安全性。
为此，还需进行大量硬件和软件开发工作，以确保驾驶员、乘客和行人受到保护。
尽管机器学习和AI可以发挥作用，但其有效性取决于输入数据的质量。
因此，除非自动驾驶车辆建立在高性能、高可靠度传感器信号链的基础上，始终提供最准确的数据作为生死决策的依据，否则便不能被认为是安全的。
就像最初的登月一样，在通往安全自动驾驶车辆的道路上还存在许多障碍。
最近发生的涉及自动驾驶车辆的事故助长了唱反调者的声势，他们认为车辆及其行驶环境太复杂，变数太多，而算法和软件仍然错误太多。
对于参与了ISO26262功能安全合规性验证的任何人来说，他们对此持怀疑态度是可以理解的。
这种怀疑态度有相关数据的支持。
下图比较了2017年在硅谷测试的五家自动驾驶车辆公司的实际行驶里程数和脱离自动驾驶模式的次数。但个别公司的报告可在网上查阅。
但是目标已经很明确，当务之急是要在自动驾驶即将到来之时，保障至关重要的安全性。
加州车辆管理局(DMV) 2018年的非官方数据显示，同等英里数下，自动驾驶模式的人为接管次数正在减少，这也表明自动驾驶系统正变得越来越强大。而这种趋势需要进一步加快。
通过将协作和新思维放在第一位，汽车制造商将直接与芯片供应商洽谈，传感器制造商将与AI算法开发人员讨论传感器融合。
而软件开发人员将与硬件提供商建立联系，充分发挥两者的优势。旧的关系正在改变，新的关系正在动态地形成，以优化最终设计的性能、功能、可靠性、成本和安全性。
2017年12月至2018年10月。在这段时间内，总共有28家公司主动在在加州的公众场合对车辆进行了测试。期间，在自动驾驶模式下共行驶2,036,296英里，发生143,720次人为接管。
这些传感器技术包括摄像头、激光探测与测距(LiDAR)、无线电探测与测距(radar)、微机电传感器(MEMS)、惯性测量单元(IMU)、超声波和GPS，所有这些都为人工智能系统提供关键的数据输入，从而驱动真正的自动驾驶车辆。
用于ADAS感知和车辆导航的各种传感技术往往独立工作，并向驾驶员发出预警，以便做出反应。
为了确保自动驾驶车辆的安全，必须充分探测当前和历史状态、环境特性以及车辆自身状态（位置、速度、轨迹和机械状况）。
车辆的认知能力是预测性安全的基石
车辆的智能化程度通常用自动驾驶级别来表示：L1和L2主要是预警系统，而L3或更高级别的车辆被授权控制以避免事故，随着车辆发展到L5，方向盘将被取消，车辆完全自动驾驶。
在最初的几代系统中，随着车辆开始具备L2功能，各个传感器系统独立工作。
这些预警系统误报率较高，带来了不少麻烦，因此经常被关闭。
传感方式的改进使汽车能够识别环境的当前状态，并了解历史状态。
这来自于ENSCO航空航天科学和工程部首席技术官Joseph Motola开发的原理。
这种传感能力既可以完成一些简单的任务，例如探查道路状况，识别坑洼位置，也可以进行一些详细分析，比如一段时间内在特定区域发生的事故类型以及事故原因。
在产生这些认知概念时，由于感测、处理、内存容量和网络连接的限制，使它们看起来似乎遥不可及。
但现在情况已经大有改观。现在，系统可以访问这些历史数据，并将其与车辆传感器提供的实时数据相结合，以提供越来越准确的预防性措施，避免发生事故。
例如，IMU可以检测到因坑洼或障碍物引起的突然跃起或偏离。过去，这些信息无处传输，但现在通过实时连接，可将这些数据发送到中央数据库，并用于警告其他车辆有关坑洼或障碍物的信息。
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，使车辆能够利用这些数据对其行驶环境作出预判。
这使车辆能够成为一台有学习能力的机器，有望做出比人类更好、更安全的决策。
自动驾驶等级和传感器要求。
多方面决策和分析
在提高车辆感知方面，现已取得了很大的进展。重点在于从各个传感器收集数据，并应用传感器融合策略，将互补优势发挥到极致，弥补不同传感器在各种条件下各自的弱点。
每一种传感技术都有其各自的优缺点，但只要有适当的传感器融合策略，它们就可以优势互补并弥补弱点。
对于在以每小时60英里速度行驶的车辆和在车辆前方行走的行人来说，毫秒之差就关系到人员受伤的轻重程度，因此响应时间至关重要。
300毫秒延迟是由系统从连续视频帧执行增量矢量计算所需的时间造成的。
要进行可靠的检测，需要十个或以上连续帧，但我们必须将其降到一个或两个连续帧，以便给车辆足够的响应时间。雷达可以做到这一点。
同样，雷达在速度和物体探测方面也有许多优点，例如对方位和俯仰角的高分辨率，以及“看到”周围物体的能力，但它也需要为车辆提供更多的时间来作出反应。
以400公里/小时或更高的速度测定为目标，77GHz至79GHz的一些开发工作取得了新的进展。
这种水平速度测定可能看起来很极端，但对于支持复杂的双向车道行驶是必要的，在这种路况中，相向行驶的车辆的相对速度超过200公里/小时。
激光雷达可以弥补摄像头和一般雷达的不足，是具有认知能力的全自动驾驶车辆上一个必不可少的组件
GPS让车辆能够始终了解自己所处的位置。尽管如此，仍有一些地方无法获得GPS信号，例如隧道和高层建筑中。
而这就是惯性测量单元发挥重要作用的地方。
全自动驾驶车辆主要依赖360˚检测，需要使用先进的雷达、激光雷达、摄像头、惯性测量单元和超声波传感器
尽管经常被忽视，但IMU非常稳定可靠，因为它依赖于重力，而重力几乎不受环境条件影响。
它对航位推算非常有用。
在暂时没有GPS信号的情况下，航位推算可使用来自速度计和IMU等来源的数据，检测行驶的距离和方向，并将这些数据叠加到高清地图上。
这使自动驾驶车辆能够保持在正确的轨迹，直到GPS信号恢复。
驾驶员、乘客和行人安全，自动驾驶&如何赢得消费者信任
要想无人驾驶汽车上路行驶，自动驾驶生态系统需要攻克的首要课题就是安全问题——既包括确保实际行车安全，也包括消除人们心中对于安全的担忧。
全自动驾驶预计要到2030年乃至更久之后才有望实现，因为还有无数工程方面的课题有待解决。可以说安全问题始终是包括汽车制造商、技术公司、AI供应商、政策制定者以及学术界在内的自动驾驶生态系统亟需解决的重要议题之一。
要想实现全自动驾驶，首先需要采用多功能系统级的方法，为汽车提供一种实时360度安全屏障，通过融合来自摄像头、雷达、激光雷达和高性能运动传感器的数据，使汽车能够准确感知车身周围路况，且始终能够基于安全考量做出正确决策。如今摄像头已成为汽车标配，但为打造这种360度安全屏障，雷达和激光雷达等技术势必将成为新一代汽车的标配。”
传感器技术、IMU、人工智能和机器学习能力技术突破
核心传感器技术对于人工智能导航系统至关重要，包括摄像头、激光雷达、雷达、微机电系统（惯性MEMS）、超声波和全球定位系统(GPS)，有助于实现更高级别的车辆自主化。
具备这些功能的汽车能够更好地感知周围环境，这对于解决安全问题至关重要，而安全可谓自动驾驶生态系统最重要的课题。除了支持更强大的车辆感知系统外，这些传感器还能对影响制动和操控的机械状况和相关维护因素进行监控。”
要使自动驾驶汽车具备全面认知能力，不仅要将传感器作为标配，还需要大量增加其数量，进而大幅提高性能并缩短响应时间。ADI正在研究一些用于未来汽车的技术，包括短程和远程激光雷达以及成像雷达解决方案，其可提供差异化的感知检测，明显降低误报率，缩短响应时间，使我们离安全的高度自动驾驶这一愿景更近一步。
价格负担能力、测试计划、城市先行——现实中我们离实现自动驾驶尚有距离已成为共识。
为实现经济安全的全自动驾驶汽车，我们还需应对许多方面的挑战，诸如技术、基础设施和消费者接受度等。传感和计算技术尚未成为汽车标配，其功能也还需进一步完善，才能实现自动驾驶汽车始终安全行驶的目标。
尽管全自动驾驶车辆目前尚未普及，但其基础技术在其他应用领域正日趋成熟，例如在自动化工业设备领域。技术在这些应用领域不断打磨和发展，日后在成本、尺寸、重量和功耗等方面都将能够满足汽车应用的需求并得以更广泛的应用。爱云咨询
亚美车行 爱车一族
Fuqiang Jia 联系电话443 873 8623
icarauto2016@gmail.com 6408 Harford Rd Baltimore MD 21214
相关文章
精彩导读
热门资讯
关注我们
