智能驾驶与智能辅助驾驶仿真与验证框架-电子工程世界

自动驾驶车辆（AV）集成了复杂的感知和定位组件，以创建其周围世界的模型，然后用于安全导航车辆。基于机器学习（ML）的模型被普遍用于这些组件中，以从嘈杂的传感器数据中提取物体信息。对这些组件的要求主要是为了实现尽可能高的准确性。由于现代汽车部署了许多传感器（视觉、雷达和激光雷达），实时处理所有的数据导致工程师做出权衡，这可能导致在某些驾驶情况下产生次优的系统。

由于缺乏对单个组件的精确要求，模块化测试和验证也变得具有挑战性。

目前行业中，有人提出了从顶级驾驶场景仿真中推导出安全AV行为所需的抽象世界模型精度的问题。这在计算上是很昂贵的，因为世界模型可能包含许多具有多个属性的对象，而且在仿真过程中，AV在每个时间步都会提取一个世界模型。

随着传感器和计算技术的发展，自动驾驶领域正在迅速发展。由于自动驾驶汽车必须在各种条件下运行，而且其系统实现的复杂性，建立自动驾驶汽车的安全性是一项具有挑战性的工作。AV中的定位和感知组件吸收了传感器和地图信息，以创建一个世界模型来捕捉AV周围的环境。然后，这个世界模型被传递给规划模块，以根据其目标创建一个安全的轨迹。基于视觉和激光雷达的感知组件越来越多地使用ML模型来实现二维和三维物体检测，很难推理出基于ML的感知的安全要求，因为不清楚不准确的感知是否（以及如何）会违反最高级别的安全目标。

在实践中，不同的AV组件的要求是由自动驾驶行业的专家驱动的，主要是基于经验。此外，这些要求是保守设置的，在不同的驾驶条件和操作设计领域（ODD）中是通用的。比如说，与稀疏的乡村道路相比，在繁忙的十字路口，定位组件应该相对更准确。

同样，感知组件在高速公路上应该有较高的召回率和精确度，但在行人区只需要较高的召回率就可以了。在理想的情况下，人们希望使用许多高分辨率（如2400万像素）的摄像头，以高帧率（如120FPS）运行，并采用多个高精度、复杂的DNN模型，尽可能准确地感知车辆周围的一切。由于AV在资源有限的平台上运行，系统设计者要进行权衡，设计一个足够精确的系统（例如，使用200-800万像素的相机，30FPS，以及优化/量化的DNN模型，精度稍低）。这种基于通用要求的解决方案可能会导致系统在某些情况下不太安全，因为这些情况下需要在视听设备周围的某些区域进行高精度的感知（例如，在十字路口从侧面快速接近的物体可能需要加强跟踪）。

硬件在环（HIL）和软件在环（SIL）仿真为AV系统提供有效的端到端测试方法。HIL测试使用汽车硬件、传感器和可能的执行器进行系统验证和确认。软件在环（SIL）仿真在设计阶段以及单元和集成测试中使用，其中单元或组件的输入是自动生成的或手工制作的，以仿真不同输入参数的有效性。

为了使AV系统的设计能够更好地利用资源以实现更安全的驾驶，行业中提出了一种仿真驱动的方法来计算安全AV行为的世界模型精度要求。

关键字：自动驾驶机器学习引用地址：智能驾驶与智能辅助驾驶仿真与验证框架

上一篇：10月深圳AWC汽车电子展全景呈现汽车前装新技术
下一篇：迈来芯和emotion3D合作推出3D飞行时间演示装置

推荐阅读最新更新时间：2024-10-19 02:57

保护自动驾驶汽车（AV）控制电路

关键任务子系统必须高可靠性，以确保驾驶员和乘客安全。图1 AV摄像机子系统中的电路块（图2）。摄像机电源子系统需要保护以防止过电流，高能量瞬变和静电放电双通道二极管阵列保护CAN收发器线路（图3）图4 以太网收发器的推荐ESD保护雷达子系统电路同时具有低噪声和常规直流电源（图5） TVS和肖特基二极管为ADAS通信/控制电路提供浪涌和反极性保护（图6）除非车辆的电子电路具有高度的可靠性和抗电冲击能力，否则自动驾驶汽车（AV）所提供的安全性和便利性无法实现。通过提供过电流保护，瞬态浪涌保护，静电放电（ESD）保护和反极性保护，设计人员可以大大降低电路故障的风险。电路保护的策略应从三个关键任务的

[嵌入式]

保护<font color='red'>自动驾驶</font>汽车（<font color='red'>AV</font>）控制电路

自动驾驶汽车（AV）的SPAC热

自动驾驶汽车（AV）初创公司已经筹集了数十亿美元来开发和测试他们的自动驾驶技术。他们还需要更多资金来继续开发、测试和最终部署各种AV的应用。有更多的风险资本可用，但在某些时候，大多数AV初创公司需要成为上市公司。现在他们有两条路可以走，传统的IPO或SPAC。 SPAC（Special purpose accuisition company）最近在电动车行业和AV初创公司中都获得了很多关注。SPAC正成为AV初创公司在成为商业企业之前，度过漫长的开发和部署阶段的关键机制。我们将探讨以下问题。什么是SPAC？为什么SPAC对AV初创公司越来越重要？哪些AV初创公司搭上了SPAC列车？下表总结了什么是SPAC，

[嵌入式]

<font color='red'>自动驾驶</font>汽车（<font color='red'>AV</font>）的SPAC热

高级辅助驾驶（ADAS）和自动驾驶汽车（AV）何时成熟

高级辅助驾驶（ADAS）和自动驾驶汽车（AV）的出现将彻底改变未来的交通和运输方式，为人们提供更大的行动自由。同时，该技术将通过消除人为错误和分心驾驶来提高安全性，降低交通事故发生率。由于交通事故，每年有超过一百万的人员伤亡，而主要是人为错造成的，因此很容易理解业界为什么竞相推出这些革命性的技术。自动驾驶技术（AV）意味着人类将被替代为车轮后面的决策者，但是想要在所有环境和驾驶场景下确保安全，仍然存在很多技术挑战。同时，汽车工程师正在努力开发一套支持ADAS的传感器，可以实现自动紧急制动（AEB）等随时随地有效的任务。为了实现这个目标，工程师和设计人员认识到，没有一种通用型传感器可以提供安全驾驶。相反，一套互补和正交传感器可

[嵌入式]

高级辅助驾驶（ADAS）和<font color='red'>自动驾驶</font>汽车（<font color='red'>AV</font>）何时成熟

MIT新方法利用光学加速机器学习计算可助自动驾驶汽车实时决策

向居家设备询问天气预报信息时，设备通常都需要几秒时间来做出反应，出现时间延迟的原因在于，该网联设备没有足够的内存或能量来存储和运行其所需的大量机器学习模型，以理解用户的要求。此类模型被存储在数百英里外的数据中心，答案在数据中心被计算出来，再被发送给该设备。据外媒报道，美国麻省理工学院（MIT）的研究人员研发了一种可以在此类设备上直接进行计算的方法，可大大减少延迟。该方法将运行机器学习模型的内存密集型步骤转移到一个中央服务器，该模型的组成部分在该服务器中被编码到光波上。智能收发器（图片来源：MIT）然后，光波通过光纤被传输到一个网联设备上，从而让大量的数据可以通过网络以闪电般的速度被传输。之后，接收器会采用一

[汽车电子]

MIT新方法利用光学加速<font color='red'>机器学习</font>计算可助<font color='red'>自动驾驶</font>汽车实时决策

安全专家开发出首个标准化程序确保自动驾驶汽车等机器学习产品的安全

据外媒报道，约克大学（University of York）的英国计算机科学家团队开发出一个突破性的流程，可帮助确保机器学习（ML）和用于自动驾驶技术的AI安全。该方法可帮助工程师建立一个安全案例，在最终交付用户时明确且系统地建立对ML的置信度。图片来源：assuringautonomy.com 随着机器人、送货无人机、智能工厂和无人驾驶汽车越来越普及，目前自动驾驶技术的安全法规出现灰色地带。与其他高风险技术相比，自动驾驶系统的全球指导方针并不严格。当前标准在细节方面不够明确，因此在AI和ML等新技术进入市场时，使用这些技术改善生活可能不够安全。这一新指南由约克大学的保证自主国际计划（Assuring Auton

[汽车电子]

安全专家开发出首个标准化程序确保<font color='red'>自动驾驶</font>汽车等<font color='red'>机器学习</font>产品的安全

苹果获新专利与未来自动驾驶汽车的复杂机器学习系统相关

据外媒报道，美国专利商标局（U.S. Patent and Trademark Office）授予了苹果公司一项泰坦项目专利，即用于推理、决策和运动规划的机器学习系统和算法，以控制自动驾驶或部分自动驾驶的车辆。苹果泰坦项目概念图（图片来源：patentlyapple.com）机动车辆可以感知环境，并在没有或仅有少数持续输入的情况下进行导航，因此被称为自动驾驶或无人驾驶车辆，是当前研究和开发的重点。近日，由于收到可用硬件和软件的限制，执行用于分析车辆外部环境相关计算的最大速度还不足以在无人工指导下做出重要的导航决策。然而，即使使用快速处理器、大内存和先进算法，在不可预测的行为背景下，自动驾驶车辆在客观上也很难做出及时和

[汽车电子]

苹果获新专利与未来<font color='red'>自动驾驶</font>汽车的复杂<font color='red'>机器学习</font>系统相关

KAUST将机器学习训练速度提高7倍有助于改进自动驾驶汽车等应用

据外媒报道，沙特阿拉伯阿卜杜拉国王科技大学（KAUST）的研究人员发现了一种能够显著提升训练速度的方法。通过观察采用大型训练数据库的分布式机器学习中产生结果零的频率，可以显著加快大型机器学习模型的训练速度。计算机的1和0（图片来源：techxplore.com） AI模型通过在数据库上进行训练来开发“智能”，而此类数据库都被事先标记好，以告知模型如何区分不同输入信息，然后再做出相应的反应。输入的已标记数据越多，该模型就越擅长完成分配给它的任务。对于自动驾驶汽车等复杂深度学习应用而言，它们需要大量输入的数据库以及很长的训练时间，即使采用了强大且昂贵的高度并行超级计算平台也是如此。在训练期间，小型的学习任务被分配给数

[汽车电子]

KAUST将<font color='red'>机器学习</font>训练速度提高7倍有助于改进<font color='red'>自动驾驶</font>汽车等应用

Cruise研发机器学习预测系统助自动驾驶汽车预测道路事件

据外媒报道，无人驾驶初创公司Cruise自主开发了一款可处理道路预测任务的工具，即Continuous Learning Machine（持续学习机器）。Cruise称，Continuous Learning Machine能够自动标记和挖掘训练数据，可以使其自动驾驶汽车的AI模型能够预测道路事件，如自行车是否会转向并入车流，孩子是否会跑到街道上等。（图片来源：Cruise）自动驾驶汽车面临的挑战之一是预测其他道路使用者的意图，因为人们并不总是会遵守交通规则。根据美国国家公路交通安全管理局（U.S. National Highway Traffic Safety Administration）的数据，94%的严重车祸

[汽车电子]

Cruise研发<font color='red'>机器学习</font>预测系统助<font color='red'>自动驾驶</font>汽车预测道路事件

热门资源推荐
热门放大器推荐

小广播