济南建网站价格消费品展,php网站开发实例报告,计算机动漫制作专业,wordpress 免费企业网站 模板下载本文来源#xff1a;AutoR智驾自动驾驶发展就好比是登月计划。从传感器到人工智能#xff0c;经典的电子供应链已经形成了一个协作矩阵#xff0c;致力于实现自动驾驶车辆的安全性。为此#xff0c;还需进行大量硬件和软件开发工作#xff0c;以确保驾驶员、乘客和行人受到… 本文来源AutoR智驾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图12019年的数据尚未汇总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。*图1五大自动驾驶制造商在加州的测试数据每次脱离人为接管后自动驾驶系统的平均行驶英里数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。生态系统正在寻求合适的模式以便在此基础上制造和测试全自动驾驶车辆用于快速涌现的新应用如自动驾驶出租车(robo-taxi)和长途货车。在此过程中高级驾驶辅助系统(ADAS)所使用的传感器不断改进使得自动化程度快速提高。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。*图2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。*图3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。为了实现具有认知能力的全自动驾驶车辆传感器的数量将显著增加。此外性能和响应速度也必须大幅提升图3、图4。将更多传感器安装在车辆上后还可以更好地监控和分析当前机械状况如胎压、重量变化例如负载和无负载、一名乘客或五名乘客以及可能影响制动和操控的其他磨损因素。有了更多的外部传感方式车辆可以更充分地感知其行驶状况和周围环境。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。*图4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图5。*图5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。不过要想真正有效地解决行业面临的问题仍有许多工作要做。例如要提高摄像头计算横向速度的能力也就是物体在与车辆行驶方向垂直的路径上移动的速度。但是要实现足够低的误报率即使是最好的机器学习算法仍然需要大约300毫秒来进行横向移动检测。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图6。但它也面临着挑战。激光雷达正在发展为经济高效的紧凑型固态设计可以放置在车辆周边的多个位置以支持完整的360˚覆盖范围。它与一般雷达和摄像头系统相辅相成提升了角分辨率和深度感知以提供更精确的三维环境影像。但是近红外波段(IR)850 nm至940 nm对视网膜有害因此其能量输出在905 nm处被严格调节到200 nJ/脉冲。而通过迁移到波长超过1500 nm的短波红外这些光由眼睛的整个表面吸收。这样就可以放宽一些限制调节到每脉冲8 mJ。1500 nm脉冲激光雷达系统的能量级别是905 nm激光雷达的40,000倍探测距离是后者的4倍。此外1500 nm系统可以更好地抵御某些环境条件如雾霾、灰尘和细小的气溶胶。1500 nm激光雷达面临的挑战是系统成本这在很大程度上受到光伏探测器技术的推动该技术如今基于InGaAs技术。获得高质量解决方案即具有高灵敏度、低暗电流和低电容将是1500 nm激光雷达取得进展的关键技术。此外随着激光雷达系统进入第二代和第三代需要使用针对应用而优化的电路集成以减少尺寸、功率和整体系统成本。除了超声波、摄像头、雷达和激光雷达之外其他传感技术也在实现全自动驾驶方面发挥着关键作用。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。*图6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。高质量数据可节约时间挽救生命和这些传感技术一样重要的是它们的可靠性如果传感器本身不可靠输出的信号没有被准确捕获以作为高精度数据提供给上游那么这些关键的传感器将变得毫无意义也正应验了那句话“如果输入的是垃圾那么输出的也一定是垃圾”。为了确保传感器的可靠性即使是最先进的模拟信号链也必须不断改进以检测、获取和数字化转换传感器信号使其准确度和精度不会随时间和温度的变化而发生偏差。采用合适的器件和设计方法可以大幅缓解一些出了名的难题如偏置温漂、相位噪声、干扰和其他不稳定现象。高精度/高质量的数据是机器学习和人工智能处理器得到适当训练并做出正确决策的基础。一般不会有第二次机会让你重头来过。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做出最佳响应。事实上不管人工智能算法训练得有多好一旦模型被编译并部署到网络边缘的设备上它们的有效性就完全依赖于高精度的传感器可靠数据。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具有智能和认知能力的自动驾驶车辆的发展以及保障驾驶员、乘客和行人安全都有着深远的影响。但是如果没有高度可靠、准确、高精度的传感器信息这些信息是安全自动驾驶车辆的基础一切都毫无意义。和任何先进技术一样我们在这方面做的工作越多就会发现更多需要解决的复杂用例。这种复杂性将继续对现有技术构成难题因此我们期待下一代传感器和传感器融合算法可以解决这些问题。就像最初的登月一样我们对于整个自动驾驶车辆推行计划也抱有巨大的期待希望这将为社会带来深刻的变革和持久的影响。从辅助驾驶发展到自动驾驶不仅会大幅提升交通安全性还会显著提高生产力。而这样的未来完全依托于传感器其他一切都将建立在传感器基础之上。亚德诺半导体公司Analog Devices对自动驾驶汽车提出的一些看法1.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。”2.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。目前业界已将目标着眼于L3级自动驾驶这也有助于推进日后L5级自动驾驶所需的感知技术的发展。L3级处于ADAS1-3级和全自动驾驶4-5级这两大类之间兼顾实用性和高性能。包括全速公路自动驾驶和AEB技术在内的L3级应用需要更高性能的传感器来提供支持让车辆在行驶途中不仅能够制动还能够进行转向以避免发生交通事故。这种关键的传感器架构将成为构建未来全自动驾驶汽车的基础。3. 企业如何运用自动驾驶AV, Autonomous Vehicle技术赋力商业模式创新自动驾驶市场的新技术催生了许多令人为之兴奋的潜在商业模式创新。自动驾驶汽车能够简化交通与服务以安全且低成本的方式造福人类这是企业和社区和谐运作之根本也有助于提升易用性和生产力。基于自动驾驶汽车的功能一些公司正致力于重新定义人们享用相关服务的方式。从物流用车到公共交通、再到共享出行服务自动驾驶能够改变人们的出行方式为人们的出行增添更多选择并让我们能够更好地利用时间。如今老年人也希望能够随时自由出行而在自动驾驶汽车时代他们不用求助于人就能独立出行。4. 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。除汽车自身之外新的基础设施技术例如车辆间以及车对基础设施通信统称为“V2X”也须得到更广泛的部署。尽管我们尚未实现全自动驾驶但L3级自动驾驶兼具卓越的性能与实用性功能使我们又向前迈进了一步能够向公众提供更强大的技术。L3级应用所需的高度自动驾驶技术会成为自动驾驶汽车生态系统的重点因为这一关键的传感器架构将为更广泛地部署全自动驾驶汽车奠定基础。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。张亚勤、刘慈欣、周鸿祎、王飞跃、约翰.翰兹联合推荐这是一部力图破解21世纪前沿科技大爆发背后的规律与秘密深度解读数十亿群体智能与数百亿机器智能如何经过50年形成互联网大脑模型详细阐述互联网大脑为代表的超级智能如何深刻影响人类社会、产业与科技未来的最新著作。《崛起的超级智能;互联网大脑如何影响科技未来》2019年7月中信出版社出版。刘锋著。了解详情请点击【新书】崛起的超级智能互联网大脑如何影响科技未来未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
