全面解析无人驾驶发展难点及现阶段技术手段

发布者:SparkleMagic最新更新时间:2016-06-06 来源: 21ic关键字:ASAS  自动驾驶  无人驾驶 手机看文章 扫描二维码
随时随地手机看文章
一、自动驾驶还需要较长的路要走

ADAS、自动驾驶、无人驾驶、智能汽车等词语风靡科技圈,如果哪个智能硬件团队或科技公司无法与这些关键词建立关联,颇有被世界遗弃之感。但是,如果客观的去分析,真正意义上的自动驾驶尚有较长的路要走。

 

1)不存在完美的传感器件

无论是何种程度的智能驾驶,第一步都是感知,也就是感知车辆周边的负责的路况环境。在这个基础上才能做出相应的路径规划和驾驶行为决策。感知所采用的各种传感器包含:各种形式的雷达、单目摄像头、双目摄像头等,或是由这些传感器进行不同组合形成的感知系统,而这些传感器件各有利弊。

比如:激光雷达对雨雾的穿透能力受到限制、对黑颜色的汽车反射率有限;毫米波雷达对动物体反射不敏感;超声波雷达的感知距离与频率受限;摄像头本身靠可见光成像,在雨雾天、黑夜的灵敏度有所下降。

2)从90分到100分要走的路才是最艰难的

如果人去开车,一年中发生些小的刮蹭、磕碰是再正常不过的事。但如果自动驾驶系统发生这些事故,就要成为关注的焦点甚至不被接受。其实,我们对机器智能的可靠性要求要远远超出人工智能的可靠性。每种机器智能设备的投入使用都是在其可靠性远超人工之后才被允许的。所以,自动驾驶的目标不是“像人一样的去开车”,而是“在安全性、舒适性、合理性完全超过常人的状态去开车”。

3)复杂的路况问题是自动驾驶的壁垒

相对于欧、美、日本,中国的各种路况要复杂的多。仅仅红绿灯的形态不下100种;各种交通标识的形态没有统一;车道线的宽窄、间隔参差不齐,甚至许多道路没有车道线。所以,高速公路的自动驾驶、某段路线的自动驾驶与真正意义上的自动驾驶是两个层面的问题,这些都是在实现完全自动驾驶之前需要我们解决的问题。

4)法律方面的壁垒

除了技术问题,还有我们社会的法律问题。这些技术要在法律层面得到认可,就要说清楚一系列的技术问题,还要有大量繁杂的数据支持。法律上认可的过程也一定会是漫长的一个过程。当然,这些工作都在同时开展着。

综上所述,自动驾驶需要一步一步的走,不会一下子跳跃过去。ADAS系统会是自动驾驶的第一个阶段,当我们实现了危险驾驶行为的准确预警,积累了大量的经验和使用数据后,下一步的工作才有可能实现。

二、ADAS与行车记录仪对成像系统的要求截然相反

可以确定的讲,凡是在行车记录仪成像系统的基础上添加ADAS功能的,都是在炒作概念。目前车上用的智能硬件多是行车记录仪、云镜等产品,在这个上面开发ADAS功能,只是厂家赚取噱头的方式。

其根本原因是ADAS与行车记录仪对成像系统的要求是截然相反的。

行车记录仪的目的是记录车辆周边的状况,看的越清晰越好、越全面越好。这就需要成像系统具有超高的分辨率、超好的色彩还原性、超大的广角镜头,视角增大意味着焦距的缩小。

而ADAS的要求如下:

一是看的越远越好,看的越远就能有更加充裕的时间做出判断和反应,从而避免或者降低事故发生造成的损失。而焦距越长看的会越远。

二是只关注车辆行驶区域内的障碍物,所以是窄视角,也就是长焦距。这样能降低车辆两侧障碍物(如路基、栏杆等)对系统误报的影响。

三是要求黑白图像。彩色图像在sensor表面进行了镀膜或分光的带通过滤光谱,虽然提升了人眼的感知体验,但实际上降低了信噪比或者说信息量。这对真正意义的图像计算不利。

综上所述,在短焦距只关注周边景物的行车记录仪成像系统的基础上,进行ADAS的研发是不切实际的。

 

三、自动驾驶的传感器主要有三大类

1)雷达

雷达又分为激光雷达、毫米波雷达、超声波雷达等类型。激光雷达又可以分为单线雷达、双线雷达、多线雷达等。

如果想要解决后装的问题,或者说准前装的问题,雷达首先是被排除的对象。原因如下:第一,成本下不来。不管单线的、双线的、还是64线的,最便宜的在 1000元左右,有的甚至高达数十万,比车还贵。第二,雷达的安装和标定是个非常繁琐的工作。不同的车型,安装的方式会各不相同,都需要进行各自的精确标定和调整,这个周期短则数天,长则数月。

当然,雷达的优势在于测算的精度非常高,探测距离远。

2)单目摄像头

单目摄像头的大致原理如下。先通过图像匹配进行识别(车型、行人等),再通过大小去估算距离。也就是在估算距离之前要知道这是个什么目标,是汽车还是行人,是货车、SUV还是小轿车等。而做到这一点,需要建立并不断更新一个庞大的样本特征数据库,然后对实时拍到的图像视频进行识别。这会导致系统无法对非标准的车型、物体、障碍物进行识别,从而无法进行预警。只有在识别成功完成后,才能根据大小、面积、尺寸、或其它特征进行距离的估算。

单目的优势在于成本较低,对计算资源的要求较低,系统结构相对简单。其缺点在于要保证较好的识别率,必须不断更新和维护好样本数据库;无法对非标准障碍物进行判断;距离并非真正意义上的测量,准确度较低。

3)双目摄像头

双目和单目有一个共同的特点,就是拍摄的图象是二维的,而雷达是单线或多线的。

双目的原理与人眼相似。人眼能够感知物体的远近,是由于两只眼睛对同一个物体呈现的图像存在差异,或称“视差”。目标距离越远,视差越小;反之,视差越大。视差的大小对应着目标物体的远近。这也是3D电影能够使人有立体层次感知的原因。所以说双目系统对目标物体距离感知是一种绝对的测量,而非估算。

双目系统的优势如下:一是成本比较低,但是比单目系统要高;二是没有识别率的限制,因为从原理上无需先进行识别再进行测算,而是对所有障碍物直接进行测量;三是精度比单目高,直接利用视差计算距离;四是无需维护样本数据库,因为对于双目没有样本的概念。
 

双目系统的缺点在于:计算量非常大,对计算单元的性能要求非常高,这使得产品化、小型化的难度较大。所以在芯片或FPGA上解决双目的计算问题难度比较大。

国际上使用双目的研究机构或厂商,绝大多数是使用服务器来进行图像处理与计算的;也有部分将算法进行简化后,使用FPGA进行处理,但双目配准的效果又收到较大程度影响,存在很多噪点与空洞,这对后续的计算不利,存在安全风险。

目前,中科慧眼技术团队实现了在芯片中对双目的高速计算,算法一方面要保证无噪点、空洞的干扰,另一方面要反映出细小障碍物的存在,在这个前提下将芯片计算效率提升至15fps。

 

上图为实际场景与计算得到的距离的对应关系(不同饱和度颜色代表不同距离,从暖色调至冷色调为距离由近及远)。从右图可以看出,距离计算的二维图像中,噪点与空洞被很好的抑制。色调(距离)的过渡是平滑过渡,没有跳变。

中科慧眼的双目方案和国际上其他方案对相同高速公路实测对比结果如下图所示:

 

 

 

双目摄像头的计算原理:

 

上图中的人和椰子树,人在前,椰子树在后,最下方是双目相机中的成像。可以看出右侧相机成像中人在树的左侧,左侧相机成像中人在树的右侧,这是因为双目的角度不一样。再通过对比两幅图像就可以知道树的视差小而人的视差大,因为树的距离远,人的距离近。这就是双目三角测距的原理。

离摄像头远的物体在双目图像中的disparity小,离摄像头远近的物体disparity大。如果距离无限远,双目几乎是没有差别的。所以国际上大多数双目系统的基线距离是十几厘米,和人眼的距离是相近的。双目系统可以实时把拍摄到的内容转化成距离。ADAS一个很重要的作用是碰撞预警。碰撞预警需要关注距离的变化,需要估计即将碰撞的时间。有了距离测量,才会有距离变化,有距离变化才会有碰撞时间的估计,最后才会有预警。

算法这里只讲概念,国际上有两种主流算法。一个叫ELAS,一个叫SGBM。这两个算法是公开的。

我们的双目方案相比传统的算法具有如下优势:

一是效率,在芯片上的效率达到15fps,在FPGA+ARM架构上的效率可以达到40fps。

二是效果,就是对于小障碍物的识别。既要做到没有杂点和空洞,又要表现细节。否则小的障碍物,比如一条横着的栏杆就无法识别,增加驾驶的风险。下面的图表现的是小物体和行人的探测上中科慧眼双目方案与国际上其他算法的对比。

 

(Our为中科慧眼算法效果、其它为国际流行传统方法的处理效果)

四、大规模产品化自动驾驶路还很长

国际上有Google,丰田等公司研制的无人驾驶汽车进行了大量的路测,在国际上具有较大的影响力。他们使用的是“全副武装”的雷达阵列+摄像头的模式,是一种侧重于技术积累、品牌传播、前瞻性研究的方式。计算核心使用的是位于车辆后备箱中的计算机阵列或服务器。仅仅车顶上方的velodyne多线激光雷达就高达数十万元。而这种方式去实现无人驾驶无论从成本、体积、便捷性等方面考量,都尚不具备大规模普及与推广的条件。国内也有很多十余家团队目前在做本地化的自动驾驶系统研发,像中科慧眼的双目产品样机已经完成,正在进行大规模路测。从产品理论技术原型走到真正被用户接受的产品,恐怕要有很长的路要走。

关键字:ASAS  自动驾驶  无人驾驶 引用地址:全面解析无人驾驶发展难点及现阶段技术手段

上一篇:方程式赛车进入电动时代
下一篇:汽车48V电池系统关键技术及优势盘点

推荐阅读最新更新时间:2024-05-03 00:26

自动驾驶的ACC自适应巡航
全自动驾驶汽车在未来几年中一定会普及到我们身边来,谷歌已经计划在2020年时全球在路上跑的自动驾驶汽车达到1千万辆。其实,自动驾驶汽车的一些基本科技配置在我们现在的许多车型上已经有配备了。比如自适应巡航系统,几乎成了豪华车的标配。但什么是自适应?雷达有什么用?巡航控制控制啥? 其实巡航控制很早就有了,18世纪时诞生了最早版本的巡航控制,它的作用是为了阻止蒸汽机的运转过快。后来,巡航控制系统被连接到速度表以及驱动轴上,用来计算行车速度,然后利用电脑控制油门来维持司机预先设定的速度。如今,这一切动作都被整合到一个小黑盒中——ECU。在减少驾驶员体力消耗的同时,巡航控制还能够稍稍提高燃油经济性。 定速巡航最初流行起来是在
[汽车电子]
<font color='red'>自动驾驶</font>的ACC自适应巡航
波音研发自动驾驶汽车和自动飞行飞机 将在MIT开设研发中心
据外媒报道,波音公司(Boeing)终于开始实践研发无人驾驶飞机的承诺。本月早些时候,其宣布将在马萨诸塞州坎布里奇(Cambridge, Massachusetts)的麻省理工学院(MIT)开设一个研发中心,名为航空航天和自动驾驶中心(Aerospace and Autonomy Center)。该公司计划利用该中心支持大量涉及自动飞行和自动驾驶车辆的尖端研究项目。此外,波音公司的合作伙伴和子公司也将利用此中心开展新的项目和合作。 该研发中心设在肯德尔广场(Kendall Square),由六个研究点组成一个技术生态系统。波音打算在目前正在大力修建的建筑物内租赁10万平方英尺的空间。该建筑物位于314 Main Street,地理
[机器人]
戴姆勒研发自动驾驶电动车 “送货”和“载人”模式自由切换
据外媒报道,戴姆勒正在研发一款可以在载人和送货两种模式之间自由切换的自动驾驶电动车。该公司正试图在未来移动出行方面超过Alphabet旗下的Waymo公司以及德国邮政集团(Deutsche Post)等竞争对手。 戴姆勒此款概念车的底盘可变换成两种“模式”:一种是可容纳12人的鸡蛋形迷你巴士,一种是货运巴士,这两种模式可以在不到两分钟的时间内快速完成切换。戴姆勒9月10日在一份新闻稿中表示,此种设计是为了同时满足物流公司以及公共交通运营商的需求,他们缺少司机,希望能更有效地使用电动车。 戴姆勒还表示,此种“Vision Urbanetic”车辆将与一个集成的IT系统相连接,能够分析移动需求、调整路线,并避免交通拥堵。此外,该款车还
[机器人]
华为提前量产“L4”
秘密研发6年、团队规模超过2000人!华为在自动驾驶领域,终于亮出了王牌。 名为ADS的“高阶”自动驾驶方案即将在2022年Q1登上量产车,可让消费者在“自家车库”到“公司车库”之间,全部实现自动驾驶。 你没看错,就是日常通勤的驾驶任务全部交给汽车来做——这就是L4级自动驾驶系统的功能。 如果能够实现量产,ADS将直接碾压现存所有L2和期货L3级系统,是典型的“高维打低维”做法。不得不说,华为出手确实很有分量。 刚刚过去的北京车展上,ADS方案以PPT的形式进行了简单展示,但具体包括哪些功能、驾驶责任如何划分、背后拥有怎样的技术细节等关键问题都没有披露。 ▲华为智能汽车BU智能驾驶产品线总裁苏箐 国庆假期之
[汽车电子]
华为提前量产“L4”
Imagination车用GPU搭载NNA 积极部署EV/自驾市场
人工智能(AI)的应用开枝散叶,相应的运算需求也成为热门议题。AI运算主要样用可分为两种,一是以效能为首要考量的服务器/云端运算,另一项则是算力要求较低的终端应用,讲求低功耗及高效率。IP厂商Imagination的产品包含GPU、神经网路加速器(NNA)及乙太网(EPP)三个面向,GPU架构著重省电,并长期投入行动装置、消费性电子、汽车及资料中心四大领域。 车用GPU重要性攀升 Imagination的GPU架构具有多工处理及独立切割两大特色。多工处理时,最多可以一次执行8个工作,也可以切割成最多8个独立的GPU,在作业系统独立的情况下完成工作。例如,记忆体的容量可以切割给不同的工作使用,彼此之间不会相互占用,确保安全性
[汽车电子]
Imagination车用GPU搭载NNA 积极部署EV/自驾市场
自动驾驶/夜视技术 先锋发布多项新技术
在5月11日开幕的2016亚洲电子消费展上,先锋电子(Pioneer)带来了诸多汽车科技方面的产品。作为汽车电子产品制造 商 中较为知名的企业,先锋在此次CES展上自然带来了不少领先的技术和科技产品。除了当下广受热议的自动驾驶技术、车联网之外,在安全领域也发布了疲劳检测系统等较为实用的产品。接下来我将为大家简单对先锋的展品进行介绍。 ● 自动驾驶相关技术:   与自动驾驶有关的技术可以说是此次先锋CES展的重点之一。先锋的自动驾驶系统中包含了名为3D-LiDAR的车用系统,其中的LiDAR全称为light detection and ranging,译为激光探测与测量技术。通过高精度地图、行驶环境识别、地标捕捉等方法
[汽车电子]
<font color='red'>自动驾驶</font>/夜视技术 先锋发布多项新技术
自动驾驶破局之路:从单车智能到车路协同
自动驾驶技术是影响未来汽车产业发展的重要因素。随着自动驾驶技术的成熟和商业化的加速,汽车将不再是从属于人的驾驶工具,车的核心价值部件由体现动力和操作系统的传动系统转向体现自动驾驶水平的智能软件系统和处理芯片,驾驶员的双手、双脚、双眼将被解放,出行过程中的娱乐、社交、消费场景或许可被彻底打开,开辟万亿级市场。 自动驾驶目前有单车智能自动驾驶( Autonomous Driving,AD) 和车路协同自动驾驶(Vehicle-Infrastructure Cooperated Autonomous Driving,VICAD) 两种技术路线。 AD 主要依靠车辆自身的视觉、毫米波雷达、激光雷达等传感器、计算单元、线控系统进行环
[汽车电子]
<font color='red'>自动驾驶</font>破局之路:从单车智能到车路协同
自动驾驶实现的过程
自动驾驶实现的过程,简单的来说是从感知、决策到执行,感知即通过各种传感器,采集车辆本身及外部的信息,决策即汽车的计算单元,根据特定的算法,对上述获取的信息进行分析,做出适合当下情景的决策,之后就是执行。 而整个过程中算法极为重要,自动驾驶作为人工智能技术重要的应用场景之一,其技术的实现离不开算法的大规模部署,包括从感知环节的特征提取到神经网络的决策,这些都需要依赖算法改进来提高障碍物检测准确性和复杂场景下的决策能力。 AI算法是支撑自动驾驶技术最关键的部分,目前主流自动驾驶公司都采用了机器学习与人工智能算法来实现。海量的数据是机器学习以及人工智能算法的基础,通过此前提到的传感器、V2X设施和高精度地图信息所获得的数据,以及
[嵌入式]
小广播
最新嵌入式文章
何立民专栏 单片机及嵌入式宝典

北京航空航天大学教授,20余年来致力于单片机与嵌入式系统推广工作。

换一换 更多 相关热搜器件
电子工程世界版权所有 京B2-20211791 京ICP备10001474号-1 电信业务审批[2006]字第258号函 京公网安备 11010802033920号 Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved