用于电动汽车的LiDAR传感器

作为用户，自动驾驶让我着迷。我经常思考不坐在驾驶座上、猛踩刹车踏板或让乘客在感觉到最轻微的危险时抓住车顶把手的情况下乘车会有什么感觉。但是当涉及到我妈妈时，这个想法被证明是一个很大的否定。她怀疑我的驾驶技术；她怎么能相信一台机器？不过，这不仅仅是我妈妈的恐惧；大多数人都急于迎接巨大的变化。证实这种深深不信任的最新民意调查来自自动驾驶汽车教育合作伙伴 (PAVE)，这是一个由行业参与者和非营利组织组成的联盟，旨在提高公众对自动驾驶汽车 (AV) 的理解。民意调查显示的结果简明扼要：约 48% 的人表示他们永远不会乘坐自动驾驶的出租车或拼车。另有 20% 的人认为 AV 永远不会安全。只有 34% 的人认为 AV 的优势将超过劣势。只有 18% 的人渴望进入第一个 AV 的候补名单。

那么为什么会抗拒呢？为什么要长篇大论地强调“不可能！”？

增强用户体验的一些关键考虑因素

创建优秀软件的理念是构建人们想要使用的应用程序，而不是人们必须使用的应用程序。为了提高自动驾驶汽车的体验，也可以应用这一理念。我们只需要在设计它们时考虑到乘客的体验。

公司正在推进自动驾驶汽车技术，以生产可能包括智能可视化和先进电池技术的乘用车。被称为光探测和测距 (LiDAR) 的自动驾驶汽车传感器是乘用车发展的重要里程碑。那么 LiDAR 如何帮助在 AV 中可视化周围环境呢？

自动驾驶系统在行动

LiDAR 被认为是关键设备，通常安装在 AV 的车顶上；传统的激光雷达传感器旋转并向周围物体发射激光。通过测量光脉冲的返回时间，传感器构建周围环境的 3D 图像。然而，机械旋转的 LiDAR 传感器很容易发热并消耗大量电力。此外，它们体积庞大——有两个成人拳头那么大——而且要花费数万美元。

一辆车可能配备多个激光雷达传感器，用于扫描不同的距离。研究人员开发了一种纳米技术，与旋转型相比，可以使 LiDAR 传感器的体积小 1000 倍。这项新发明比更先进的芯片状传感器小约 10 倍。

芯片形 LiDAR 传感器发射一系列具有列和行的不可见红外激光源，以实现深度 3D 图像。这些反射光束作为一组点被接收，然后从这些点计算周围的图像。

研究人员证实，如果这被证明是成功的，这项研究将使我们能够以更低的成本制造出一种比拇指大小还小的高速高精度激光雷达传感器。

另一个关键考虑因素是电池设计，它可以完全降低电池成本并增加车辆的续航里程。至于汽车的电池，市场上的一些公司正计划使用一种独特的“单电池”设计，通过消除容纳电池材料的袋子和模块来增加电池中的单个电池并释放电池组内部的空间。

这种电池设计意味着可以在电池内部装入更多的活性材料，从而使汽车的续航里程可能更长。他们还在研究一种名为磷酸铁锂 (LFP) 的电池化学成分，这种电池不太可能过热，并且比其他类型的锂离子电池更安全。

其目的是创造一种自动驾驶汽车，让用户输入他们的目的地并在几乎没有其他参与的情况下驾驶到那里。用于电动汽车的 LiDAR 传感器一直是成本问题，这可以追溯到特斯拉的早期设计。上述进展表明 LiDAR 传感器的尺寸显着减小且成本低得多。

架构探索如何帮助您实现设计目标？

汽车是一个很大的电子产品。

架构探索可以在使用电子产品的每个应用空间中使用。根据未经以某种方式筛选或测试的信息和假设做出关键业务决策是不明智的。这就是探索性数据分析的全部内容。

VisualSim 等系统建模工具可以分析获取远程对象坐标所需的时间以及将其解释为 LiDAR 对象（如果在范围内）所需的计算资源。在系统建模环境中，可以生成汽车和行人等异物来测试移动物体的视觉，验证坐标是否正确检测，并确保这些物体可以被 LiDAR 处理为可见。2D 或 3D 模型中的每个对象都需要一个坐标起点，以便可以处理所有对象。数据库块可能包含对象起始坐标和当前方向（如果有）。最大的问题之一是在北达科他州暴风雪等灾难中会发生什么。

潜在对象的顺序和处理会对处理硬件和软件产生巨大影响，最终影响功率和响应性能。系统级功耗探索可以评估各种降低功耗和低功耗技术的优点和节省的能量。对于任何新系统，电源状态的数量、并发线程操作、转换时间和切换都需要在最终确定规范之前进行详细的电源评估。此外，规范必须在性能、功率、功能和可靠性之间进行权衡。

VisualSim 功率表

一个显着的权力领域是权力定义。VisualSim 使用有功功率表，它是架构探索的重要参与者，负责收集、向电池提供输入并处理电池的充电需求。生成的统计数据包括组件的能耗、系统的累积功率、瞬时负载、平均负载和每个组件的状态消耗时间线。

结论

预测新技术的发展方式绝非易事。然而，鉴于自动驾驶汽车带来的巨大好处，它们似乎将在未来几十年主宰我们的道路。采用这种技术是不可避免的。当然，路上也有潜在的颠簸。实施需要的不仅仅是技术。使用这项技术会涉及法律和监管问题，例如在发生事故时谁有过错。早期系统探索、功率探索和性能建模有助于了解操作并消除风险，从而提高可扩展性。