全球自动驾驶汽车硬件和软件最新技术总结(2020)

2020-03-24来源: EEWORLD关键字:自动驾驶汽车  传感器  SLAM  机器学习

进入到2020年,自动驾驶技术走到了需要规模商业化证明技术价值的时候。


不管是封闭或半封闭场景的矿区、港口和园区,还是公开道路的RoboTaxi、RoboTruck等,技术都是自动驾驶在不同场景商业化的基础。


本报告覆盖了自动驾驶汽车所需要的感知、定图与定位、传感器融合、机器学习方法、数据收集与处理、路径规划、自动驾驶架构、乘客体验、自动驾驶车辆与外界交互、自动驾驶对汽车部件的挑战(如功耗、尺寸、重量等)、通讯与连接(车路协同、云端管理平台)等技术领域的讨论,并且提供相应的各自动驾驶公司的实施案例。


本报告是由美国、中国、以色列、加拿大、英国等全球不同国家和地区的自动驾驶专家,针对自动驾驶技术的硬件和软件技术,进行的全面阐述,方便各位读者能够从技术角度,了解最新的技术动态,从而全面了解自动驾驶汽车。


本报告的案例大多数来自汽车领域,这也是目前自动驾驶行业最火热的应用场景,但是,服务个人出行的汽车并不是自动驾驶技术影响深远的行业,其他的行业,如公共交通、货运、农业、矿业等领域,也同样是自动驾驶技术应用的广泛天地。


01 各类传感器


各类传感器,用于自动驾驶汽车感知环境,如同人类的眼睛,自动驾驶汽车的基础部件;自动驾驶汽车的传感器主要有五种,包括了:1、Long range RADAR;2、Camera;3、LIDAR;4、Short/Medium range RADAR;5、Ultrasound;


这些不同的传感器,主要用于不同距离、不同类型的物体感知,为自动驾驶汽车判断周边环境,提供最重要的信息来源,另外,还有一个环境感知的信息来源是车路协同的来源,这点报告中也有阐述。


关于传感器的选择,主要是根据下面的技术因素进行判断:


1、扫描范围,确定必须对被感测的对象做出反应的时间;


2、分辨率,确定传感器可以为自动驾驶车辆提供的环境细节;


3、视场或角度分辨率,确定要覆盖、要感知的区域需要传感器的数量;


4、刷新率,确定来自传感器的信息更新的频率;


5、感知对象数量,能够区分3D中的静态对象数量和动态对象数量,并且确定需要跟踪的对象数量;


6、可靠性和准确性,传感器在不同环境下的总体可靠性和准确性;


7、成本、大小和软件兼容性,这是量产的技术条件之一;


8、生成的数据量,这决定了车载计算单元的计算量,现在传感器偏向智能传感器,也就是,不仅仅是感知,还会分辨信息,把对车辆行驶影响最重要的数据传输给车载计算单元,从而减少其计算负荷;


下面是Waymo、Volvo-Uber、Tesla的传感器方案示意图:


传感器因为一直暴露在环境中,容易受到环境的污染,从而影响传感器的工作效率,所以,都需要对传感器进行清洁。


1、Tesla的传感器,具有加热功能,可抵御霜冻和雾气;


2、Volvo的传感器配备有喷水清洁系统,用于清洁粉尘;


3、Waymo使用的Chrysler Pacifica的传感器有喷水系统和刮水器。


02 SLAM和传感器融合


SLAM是一个复杂的过程,因为本地化需要地图,并且映射需要良好的位置估计。尽管长期以来人们一直认为机器人要成为自主的基本“鸡或蛋”问题,但在1980年代和90年代中期的突破性研究从概念和理论上解决了SLAM。从那时起,已经开发了多种SLAM方法,其中大多数使用概率概念。


为了更准确地执行SLAM,传感器融合开始发挥作用。传感器融合是组合来自多个传感器和数据库的数据以获得改进信息的过程。它是一个多级过程,处理数据的关联,相关性和组合,与仅使用单个数据源相比,可以实现更便宜,更高质量或更多相关信息。


对于从传感器数据到运动所需的所有处理和决策,通常使用两种不同的AI方法:


1、顺序地,将驱动过程分解为分层管道的组件,每个步骤(传感,定位,路径规划,运动控制)都由特定的软件元素处理,管道的每个组件都将数据馈送到下一个;


2、基于深度学习的端到端解决方案,负责所有这些功能。


哪种方法最适合AV的问题是不断争论的领域。传统且最常见的方法包括将自动驾驶问题分解为多个子问题,并使用专用的机器学习算法技术依次解决每个子问题,这些算法包括计算机视觉,传感器融合,定位,控制理论和路径规划。


端到端(e2e)学习作为一种解决方案,可以解决自动驾驶汽车复杂AI系统所面临的挑战,因此越来越受到人们的关注。端到端(e2e)学习将迭代学习应用于整个复杂系统,并已在深度学习的背景下得到普及。


03 三种机器深度学习方法


当前,不同类型的机器学习算法被用于自动驾驶汽车中的不同应用。本质上,机器学习根据提供的一组训练数据将一组输入映射到一组输出。1、卷积神经网络(CNN);2、递归神经网络(RNN);3、深度强化学习(DRL);是应用于自动驾驶的最常见的深度学习方法。


CNN——主要用于处理图像和空间信息,以提取感兴趣的特征并识别环境中的对象。这些神经网络由卷积层组成:卷积过滤器的集合,它们试图区分图像元素或输入数据以对其进行标记。该卷积层的输出被馈送到一种算法中,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进行分类,例如路牌或其他汽车。


RNN——当处理诸如视频之类的时间信息时,RNN是强大的工具。在这些网络中,先前步骤的输出作为输入被馈送到网络中,从而使信息和知识能够持久存在于网络中并被上下文化。


DRL——将深度学习(DL)和强化学习相结合。DRL方法使软件定义的“代理”可以使用奖励功能,在虚拟环境中学习最佳行动,以实现其目标。这些面向目标的算法学习如何实现目标,或如何在多个步骤中沿特定维度最大化。尽管前景广阔,但DRL面临的挑战是设计用于驾驶车辆的正确奖励功能。在自动驾驶汽车中,深度强化学习被认为仍处于早期阶段。


这些方法不一定孤立地存在。例如,特斯拉(Tesla)等公司依靠混合形式,它们试图一起使用多种方法来提高准确性并减少计算需求。


一次在多个任务上训练网络是深度学习中的常见做法,通常称为多任务训练 或辅助任务训练。这是为了避免过度拟合,这是神经网络的常见问题。当机器学习算法针对特定任务进行训练时,它会变得非常专注于模仿它所训练的数据,从而在尝试进行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都有用的常规功能,而不是仅仅专注于一项任务。这可以使输出对应用程序更加现实和有用。


关键字:自动驾驶汽车  传感器  SLAM  机器学习 编辑:鲁迪 引用地址:http://news.eeworld.com.cn/qcdz/ic492459.html 本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。

上一篇:危机模式下的电动汽车
下一篇:特斯拉申请车队数据获取专利 以训练自动驾驶神经网络

关注eeworld公众号 快捷获取更多信息
关注eeworld公众号
快捷获取更多信息
关注eeworld服务号 享受更多官方福利
关注eeworld服务号
享受更多官方福利

推荐阅读

中国自动驾驶汽车分级标准出炉 加速推动其商业化进程
近年来,随着人工智能热潮兴起,自动驾驶汽车的发展也非常迅猛。不仅谷歌、百度等科技互联网企业相继入局,传统汽车巨头如丰田、福特、宝马等也不甘落后,自动驾驶领域的竞争愈发激烈。在这样的情况下,人们对于自动驾驶汽车越发期待,企业也加速推动其商业化进程。然而,在自动驾驶汽车发展的过程中,出现了一系列安全事故。苹果自动驾驶测试车发生交通意外,特斯拉自动驾驶测试车更是摊上了撞车致死事件。一时间,公众对于自动驾驶汽车的安全性产生了巨大质疑。如何确保自动驾驶汽车商用普及与安全性能的平衡推进,成为监管机构的重要工作。早前,为了更好地确定自动驾驶汽车技术水平,从而便于管理、分类,美国汽车工程师协会(SEA)将自动驾驶汽车划分为6个等级,分别是从L0
发表于 2020-03-10
Hailo融资4.17亿元 研发可用于全自动驾驶汽车的AI芯片
预计,未来该芯片将用于全自动驾驶汽车、智能摄像头、智能手机、无人机、AR/VR平台,甚至可穿戴设备。值得注意的是,Hailo还面临着很多竞争对手。初创公司AIStorm、Esperanto Technologies、Quadric、Graphcore、Xnor和Flex Logix 都在针对AI工作负载研发定制芯片。据市场咨询公司Allied Market Research所说,2018年,机器学习芯片市场市值为66亿美元,预计到2025年将达911亿美元。英特尔于2017年5月以153亿美元收购的特拉维夫公司Mobileye也为自动驾驶汽车提供了一款计算机视觉处理解决方案,隶属于其EyeQ产品线。去年7月份,百度推出
发表于 2020-03-09
Hailo融资4.17亿元 研发可用于全自动驾驶汽车的AI芯片
日本科学家利用慢光研发低成本3D传感器 可用于自动驾驶汽车等
据外媒报道,速度越快并不一定就越好,这一理论对于先进的3D传感器而言更是如此。随着自动驾驶汽车、机器人和无人机以及安全系统等领域对3D传感器的应用越来越多,研究人员都在努力研制一种紧凑且易于使用的3D传感器。(图片来源:横滨国立大学)日本横滨国立大学(Yokohama National University)的一个研究小组认为,他们利用慢光现象(是一种反常的物理现象,光脉冲或光的其他调变模式在介质中以相当低的群速度传播)已经研发出此种传感器。激光雷达(光探测和测距)是一种传感器,可以利用激光绘制出物体之间的距离。在现代激光雷达传感器中,许多系统都由激光源、光电探测器(将光转换成电流)以及光束控制装置(将光导向适当的位置)组成。横滨
发表于 2020-03-06
日本科学家利用慢光研发低成本3D传感器 可用于自动驾驶汽车等
研究人员研发机器学习法 用微波准确识别物体可用于自动驾驶汽车
 据外媒报道,美国杜克大学(Duke University)和法国尼斯大学物理系(Institut de Physique de Nice)的工程师们研发了一种新方法,利用微波识别物体,可以提高准确性,同时减少了相关的计算时间和功耗。该系统可以用于自动驾驶汽车、安全扫描和运动传感等关键领域,以改善物体识别,并提高物体识别速度。新方法基于机器学习,省去了中间环节,跳过了创建图像供人工分析的步骤,可以直接分析纯数据。此外,该方法还可以确定最优硬件配置,揭示最重要数据的同时发现实际上最重要的数据是什么。在一项概念认证研究中,该设置进行了数十次测量,而无需通常所需的数百或数千次,就正确识别了一组3D数字。在该项研究中,研究人员
发表于 2020-03-05
研究人员研发机器学习法 用微波准确识别物体可用于自动驾驶汽车
业界最小的LiDAR IC,带宽提高2倍以上,加速自动驾驶汽车平台设计
近日,Maxim Integrated Products, Inc 宣布推出业界速度最快、尺寸最小的光探测及测距 (LiDAR) IC,帮助实现更高速的汽车自动驾驶。与最接近的竞争方案相比,MAX40026高速比较器和MAX40660/MAX40661宽带互阻放大器可提供2倍以上带宽,在相同尺寸的单个LiDAR模块内增加32路附加通道,单模块达到128个通道 (竞争产品为96路),从而使高速公路上的自动驾驶行驶速度提高10mph (15km/h)。随着汽车自动驾驶行驶速度从35mph 提升到65mph甚至更高,LiDAR因其能够提供精准的物体测距而在汽车传感器的融合中发挥着越来越重要的作用。与最接近的竞争
发表于 2020-02-28
RTI公司加入自动驾驶汽车计算联盟(AVCC),支持高端自动驾驶汽车架构
RTI公司加盟不断扩大的先进汽车技术领导者集群,其中包括ARM、NVIDIA和通用汽车,旨在加速自动驾驶汽车开发与生产。工业物联网(IIoT)互联解决方案提供商RTI公司今天宣布加入自动驾驶汽车计算联盟(AVCC)。RTI与汽车业领先的OEM、一级供应商和半导体公司共同努力,以加速大规模交付安全且价格适中的自动驾驶汽车。通过与包括Aptiv、百度和小鹏汽车等在内的50多家商业级自动化系统开发商展开合作, RTI公司将丰富的专业知识带入自动驾驶领域。RTI将与AVCC携手,对用于开发和运行高度自动化车辆的架构做出定义,并覆盖从研究到生产的各个阶段提供全面支持。开发高水平自动驾驶汽车需要大量技术创新,要求在全行业的层次上展开协作,这就
发表于 2020-02-28
小广播
电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2020 EEWORLD.com.cn, Inc. All rights reserved