商汤科技也进场：上线“每日新SenseNova”大模型系统
06-18
进入2020年，自动驾驶技术的跨越路线和增量路线的划分已经非常清晰。
但最终，自动驾驶要实现完全无人驾驶，其技术仍需要不断迭代和发展。
关于自动驾驶的技术进展，WEVOLVER发布了《自动驾驶技术报告》进行了全面的讲解。
报告从感知、规划、执行三个层面描述了自动驾驶汽车技术的最新发展，涵盖传感器、数据处理、机器学习、SLAM和传感器融合、路径规划等多个领域。
还提供了特斯拉、沃尔沃、Waymo等公司的多个自动驾驶示例。
如需获取本报告全文pdf，请在雷锋网微信（leiphone-sz）回复关键字“报告”来提取它。
来源：《自动驾驶技术报告》感知 自动驾驶汽车运行在未知的动态环境中，需要提前构建环境地图并在地图中定位自身，同时进行同步定位建图过程（SLAM、即时定位建图） ）建筑的输入）需要传感器和AI系统的帮助。
报告指出，传感器可分为主动传感器和被动传感器。
每种传感器都有其优点和缺点，没有一种传感器能够适合所有路况。
通常，可靠、安全地操作自动驾驶汽车需要同时使用多个传感器。
一般来说，自动驾驶汽车中包含的传感器主要有五种类型： 1. 远程雷达：信号可以透过雨、雾、灰尘等视线障碍物来检测目标。
2、摄像头：一般组合用于近距离目标检测，多用于远距离特征感知和交通检测。
3.激光雷达：多用于三维环境测绘和目标检测。
4、近程/中程雷达：中、近程目标探测，适用于侧面和后方避障。
5.超声波：近距离目标检测。
前面提到，每种类型的传感器都有其优点和缺点，自动驾驶汽车需要从技术上判断和选择传感器。
筛选条件主要包括以下几个方面： 扫描范围决定了传感器对被检测物体的作用。
反应时间;分辨率，传感器可以为自动驾驶车辆提供的环境细节；视野/角度分辨率，决定自动驾驶汽车需要多少个传感器才能覆盖感知区域；能够在 3D 环境中区分静态对象和动态对象；刷新率，决定传感器信息更新的频率；不同环境条件下的整体可靠性和准确性；成本、尺寸和软件兼容性；以及生成的数据量。
下图为Waymo、沃尔沃-Uber、特斯拉的传感器解决方案示意图： 另外，关于无源传感器和有源传感器，报告还提供了详细的介绍： 无源传感器 无源传感器可以检测物体反射的现有能量。
然而，在弱光环境下，无源传感器的性能会因为没有自己的传播源而降低。
而且在生成的数据方面，与主动传感器相比，无源传感器生成的数据更多，约为0.5-3.5 Gbps。
即便如此，无源传感器仍然具有很多特点，主要包括： 1. 高分辨率像素和颜色覆盖整个视场宽度； 2、视野内保持恒定的帧率； 3. 两个摄像头可以生成3D立体视图； 4、缺乏排放源，减少了受到其他车辆干扰的可能性； 5、技术成熟、成本低； 6.系统生成的图像易于用户理解和交互。
如果在自动驾驶车辆中使用无源摄像头传感器套件，则它需要覆盖车辆周围的环境。
这可以通过使用以特定间隔拍摄图像的旋转相机或通过将 4-6 个相机的图像拼接在一起的软件来实现。
此外，这些传感器需要超过分贝的高动态范围（对场景中的高光和阴影进行成像的能力），使它们能够在各种照明条件下运行并区分不同的物体。
主动传感器主动传感器拥有信号传输源，依靠TOF原理来感知环境。
ToF可以通过等待信号反射返回来测量信号从源到目标的传播时间。
信号的频率决定了系统使用的能量及其精度。
。
因此，确定正确的波长在系统选择中起着关键作用。
关于有源传感器的类型，报告主要介绍了以下三种类型： 超声波传感器：又称声纳；声音导航和测距。
在有源传感器中，声波的频率最低（波长最长），因此声波更容易受到干扰。
这也意味着超声波传感器很容易受到恶劣环境条件的影响，例如雨水和灰尘。
此外，其他声波的干扰也会影响传感器性能，需要通过使用多个传感器并依赖其他传感器类型来减轻。
雷达：主要通过无线电波进行距离测量。
无线电波以光速传播，在电磁频谱中具有最低频率（最长波长）。
根据无线电波的反射特性，雷达传感器可以检测到前方物体以外的物体。
然而，雷达信号很容易被高导电材料（例如金属物体）反射，而其他无线电波的干扰也会影响雷达性能，导致雷达传感器无法检测到物体。
雷达在确定检测到的目标的形状方面不如激光雷达。
LiDAR：使用脉冲激光形式的光。
激光雷达传感器可以以每秒 50 脉冲的速度覆盖一个区域，并将返回的信号编译成 3D 点云。
通过比较连续感测到的点云与物体之间的差异，检测其运动，从而创建该范围的米 3D 地图。
规划 基于自动驾驶车辆传感器套件捕获的原始数据和现有地图，自动驾驶系统需要通过同步定位和建图算法构建和更新特定环境地图，跟踪其具体位置，从而开始从一点到另一点的规划。
其他。
小路。
SLAM 和传感器融合 SLAM 是一个复杂的过程，因为定位需要地图，而建图需要良好的位置估计。
为了更准确地执行动态定位和地图构建，传感器融合发挥了作用。
传感器融合是将来自多个传感器和数据库的数据组合起来以获得改进信息的过程。
它是一个多层过程，处理数据之间的连接和相关性，组合数据以获得比使用单个数据源更便宜、更高质量和更相关的信息。
在自动驾驶汽车AI架构中，主要有两种方法： 1. 分步处理。
整个驱动过程被分解为一系列层层连接的管道。
每个步骤，例如感知、定位、地图、路径导航和运动控制，都由其自己的特定软件组件处理。
2. 端到端。
基于深度学习的解决方案可以同时处理所有这些功能。
通过传感器融合，自动驾驶汽车获取数据。
然而，如何从传感器信号中提取有用信息并根据现有信息执行任务，需要使用机器学习算法——CNN、RNN和DRL。
CNN（卷积神经网络）：主要用于处理图像和空间信息，提取感兴趣的特征以及识别环境中的物体。
这些神经网络是由卷积层构建的：过滤器的集合，试图区分图像的元素或输入数据来标记它们。
该卷积层的输出被输入到一个算法中，该算法将它们组合起来以预测图像的最佳描述。
最终的软件组件通常称为对象分类器，因为它可以对图像中的对象（例如路标或另一辆车）进行分类。
RNN（循环神经网络）：主要用于处理视频信息，在这些网络中，前面步骤的输出作为输入馈送到网络中，允许信息和知识在网络中持久化和上下文化。
DRL（深度强化学习）：DRL 方法允许软件定义的“代理”使用奖励函数学习最佳可能的操作，以在虚拟环境中实现目标。
这些面向目标的算法将学习如何实现目标，或者如何在多个步骤中沿着特定维度最大化。
目前，深度强化学习在无人驾驶汽车上的应用仍处于起步阶段。
这些方法不一定单独存在。
为了避免过拟合，深度学习中通常会进行网络的多任务训练。
当机器学习算法针对特定任务进行训练时，它会过于专注于模仿所训练的数据，以至于在尝试内插或外推时其输出变得不切实际。
通过在多个任务上训练机器学习算法，网络的核心将专注于发现对所有目的有用的通用属性，而不是专注于一项任务以输出更实际有用的应用程序。
利用传感器和这些算法提供的所有数据，自动驾驶汽车能够检测周围的物体。
接下来，它需要找到一条路径。
路径规划一旦车辆了解了其环境中的物体及其位置，它就可以使用泰森图（车辆与物体之间的最大距离）、占用网格算法或驾驶走廊算法来确定车辆的大范围路径。
然而，这些传统方法无法满足动态环境下的车辆运动。
报告指出，一些自动驾驶汽车不仅依靠机器学习算法来感知环境，还依靠这些数据来控制汽车。
可以通过模仿学习向 CNN 传授路径规划，其中 CNN 尝试模仿驾驶员的行为。
通常，这些机器学习方法与经典的运动规划和轨迹优化方法相结合，以确保路径的鲁棒性。
此外，汽车制造商在模型中提供最佳路径参考以用于其他目的，例如减少燃料使用。
车辆运行过程中的神经网络训练和推理需要巨大的计算能力。
由于汽车需要及时响应新数据，因此操作车辆所需的部分处理需要在车辆上进行，而模型改进可以在云端完成。
。
目前，机器学习的最新进展在于有效处理自动驾驶车辆传感器生成的数据并降低计算成本。
此外，芯片制造和小型化的进步正在提高自动驾驶汽车上安装的计算能力。
随着网络协议的进步，汽车可能能够依靠基于网络的低延迟数据处理来帮助它们自主运行。
执行 那??么，车辆的表现如何？在人类驾驶的汽车中，转向、制动或发信号等动作通常由驾驶员控制。
来自驾驶员的机械信号由电子控制单元 (ECU) 转换为驱动命令，然后由车辆上的电动或液压执行器执行。
在（半）自动驾驶汽车中，此功能被直接与 ECU 通信的驱动控制软件所取代。
这些软件可以改变车辆的结构并减少零件数量；尤其是那些专门设计用于将驾驶员发出的机械信号转换为 ECU 的电信号的信号。
自动驾驶汽车通常包含多个 ECU。
一般约有15-20个ECU，高端车型可能多达20个ECU。
ECU 是一个简单的计算单元，具有独立的微控制器和存储器，用于处理接收到的输入数据，并将其转换为子系统的输出命令，例如切换自动变速箱。
一般来说，ECU 可以负责控制车辆的运行、安全功能以及运行信息娱乐和内部应用程序。
而且，大多数 ECU 支持单独的应用，例如电子助力转向，能够在本地运行算法和处理传感器数据。
挑战一：系统复杂性工程师需要为系统设计正确的电子架构，以执行传感器融合以及将决策同步分发到按指令行事的较低级别子系统，这对需求和复杂性的增加提出了挑战。
理论上，在一种极端情况下，人们可以选择完全分布式架构，其中每个传感单元处理其原始数据并与网络中的其他节点进行通信。
另一方面，存在一种集中式架构，其中所有远程控制单元 (RCU) 都直接连接到中央控制点，该中央控制点收集所有信息并执行传感器融合过程。
在这个范围的中间是混合解决方案，它将在更高抽象级别上工作的中央单元与执行专门传感器处理的域或执行决策算法的域相结合。
这些域可以基于它们在车辆内的位置，例如汽车前部和后部的域、它们控制的功能类型或它们处理的传感器类型（例如摄像头）。
在集中式架构中，不同传感器的测量结果是独立的量，不受其他节点的影响。
数据不会在系统的边缘节点被修改或过滤，从而以较低的延迟为传感器融合提供尽可能多的信息。
架构挑战在于需要将大量数据传输到中央单元并在那里进行处理。
这不仅需要强大的中央计算机，还需要高带宽的重型线束。
分布式架构可以用更轻的电气系统来实现，但也更复杂。
尽管在这种架构中与带宽和集中处理相关的要求大大降低，但它在驱动和传感阶段之间引入了延迟，增加了数据验证的挑战。
挑战 2：功率、热量、重量和尺寸增加 除了增加系统复杂性之外，自动化还增加了功耗、热足迹、车辆部件的重量和尺寸。
无论架构是分布式还是集中式，自治系统的功率需求都是巨大的，主要驱动力是竞争需求。
对全自动驾驶汽车的竞争需求比目前生产的最先进汽车高出近三倍。
对于纯电动汽车来说，续驶里程很容易受到这种电力需求的负面影响。
因此，Waymo 和福特等公司选择专注于混合动力汽车，而 Uber 则使用全汽油 SUV。
然而，专家指出，全电力最终将成为动力系统的选择，因为内燃机为车载计算机发电的效率低下。
处理需求的增加和更高的功率吞吐量将使系统升温，但为了使电子元件正常可靠地工作，无论车外条件如何，它们都必须保持在一定的温度范围内，这就需要冷却系统。
。
然而，冷却系统，尤其是液体冷却系统，进一步增加了车辆的重量和尺寸。
此外，额外的组件、额外的布线和热管理系统也会对车辆任何部分的重量、尺寸和热性能造成压力。
为此，自动驾驶组件供应商正在改变他们的产品，从减轻激光雷达等大型组件的重量到构建半导体等微型组件。
与此同时，半导体公司正在制造占用空间更小、热性能更好、干扰更少的元件，开发各种硅元件，如MOSFET、双极晶体管、二极管和集成电路。
不仅如此，业界还在考虑使用一种新材料——氮化镓（GaN）。
氮化镓比硅更有效地传导电子，从而可以在给定的导通电阻和击穿电压下制造更小的器件。
一辆完全自动驾驶的汽车可能包含比迄今为止开发的任何软件平台或操作系统更多的代码，并且自行处理所有算法和流程将需要强大的计算能力和处理能力。
目前，GPU加速处理正在成为行业标准。
在 GPU 领域，Nvidia 是市场领导者。
Nvidia 的竞赛重点是张量处理单元 (TPU) 的芯片设计，该单元可加速深度学习算法核心的张量运算。
此外，使用 GPU 进行图形处理会阻碍深度学习算法充分利用芯片的功能。
可见，随着车辆自动化水平的提高，车辆的软件形式将会发生显着的变化。
除此之外，更大的车辆自主权还将影响用户与车辆的交互方式。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-18
06-17
06-17
06-18
06-17
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态