在未来20到30年，自动驾驶汽车(AV)将更广泛地改变我们的驾驶习惯、交通行业和社会。我们不仅能够将汽车召唤到家门口并在使用后将它们送走，自动驾驶汽车还将挑战个人拥有汽车的理念，并对环境和交通拥堵产生积极影响。市场研究公司ABIResearch预测，到2030年，道路上四分之一的汽车将是自动驾驶汽车。业内专家为自动驾驶的发展定义了五个层次。每个级别描述了汽车从驾驶员那里接管各种任务和责任的程度，以及汽车和驾驶员如何互动。自适应巡航控制等功能是高级驾驶员辅助系统(ADAS)的示例，可被视为1级功能。目前，市场上的一些新车正在实现Level2能力；但作为一个行业，我们只是触及了ADAS系统的皮毛，更不用说全自动驾驶了。Schematic:FiveLevelsofAutomatedDrivingEyesandheartsfly.”在这个层次上，车里的人只是乘客；因为没有司机，所以不需要方向盘。然而，在我们实现这个目标之前，我们首先应该了解非自动驾驶和完全自动驾驶之间的各个层次。ADAS/AV有三个主要元素：传感、计算和执行。使用感知来捕捉车辆周围环境的当前状态。这是使用一组传感器：雷达（长程和中程）、激光雷达（长程）、摄像头（短程/中程）以及红外线和超声波。这些“感觉”中的每一种都会捕捉到它“看到”的周围环境的变化。它在此视图中定位有趣且重要的对象，例如汽车、行人、路标、动物和道路弯道。示意图：从激光雷达、雷达和摄像头看汽车的视图。计算阶段是决策阶段。在这个阶段，来自这些的信息不同观点被拼接t一起更好地了解汽车“看到”的内容。例如，场景中到底发生了什么？移动的物体在哪里？预期的行动是什么？汽车应该采取哪些纠正措施？您是否需要刹车和/或是否需要转入另一条车道以确保安全？执行是最后阶段，是汽车应用此决定并采取行动的地方，可能会更换驾驶员。它可能是刹车、加速或转向更安全的路径；可能是因为驾驶员没有注意警告，没有及时采取行动，碰撞即将发生，也可能是完全自主系统的标准操作。Level2实际上是ADAS路径的起点，其中可以在安全解决方案包中开发多个单独的功能，例如自动紧急制动、车道偏离警告或车道保持辅助。3级处于当前量产车（如2018款奥迪A8）的最前沿，这意味着驾驶员可以暂时“看开”，但如果出现问题，必须能够立即接管。4级和5级都提供了基本上完全的自主权。区别在于：4级驾驶将仅限于地理缓冲区域，如主要高速公路和智能城市，因为它们将严重依赖路边基础设施来保持精确到毫米的位置图像。5级车辆将能够在任何地方自动驾驶。这个级别的车，可能连方向盘都没有，座椅可能也不全是朝前的。自动驾驶所需的处理能力在自动驾驶的每个级别，处理所有数据所需的处理能力随着每个级别的增加而迅速增加。根据经验，可以预期从一个级别到下一个级别的数据处理量会增加10倍。对于4级和5级全自动驾驶，我们将看到数十万亿次浮点运算。从传感器的角度来看，下表为您提供了所需数量的指南。4级和5级将需要多达8个摄像头，尽管有人建议使用更多的摄像头。图像捕获设备的分辨率为2兆像素，帧速率为每秒30-60帧，因此实时处理所有这些信息是一项巨大的处理任务。对于汽车上的雷达，数量可能需要多达10个甚至更多，因为需要使用22GHz到77GHz之间的近程、中程和远程（100m以上）雷达。即使在2级，仍然需要对从摄像机和雷达捕获的数据进行大量处理。示意图：不同级别的自动驾驶和应用对于处理能力，我们将重点关注摄像头需要做什么，因为它是支撑自动驾驶仪（例如特斯拉使用的自动驾驶仪）以及前置雷达的主要传感器。摄像头系统通常为广角单摄或立体双摄，配置在车上前视或环绕视场（360°）。与雷达和激光雷达不同，摄像头传感设备取决于处理输入的软件的功能；相机分辨率很重要，但没有您想象的那么严重。为了简化这个过程，我们使用了一种称为卷积神经网络(CNN)的重要算法。CNN是一种高度专业化且高效的方法，用于从相机提要中提取和区分信息。在我们的汽车案例中，它从摄像头获取输入并识别车道标记、障碍物和动物等事物。CNN不仅能做雷达和激光雷达能做的一切，它们还能做更多，比如读取交通标志、检测红绿灯信号和道路的构成等。事实上，一些Tier1供应商（Tier1）和汽车原始设备制造商(OEM)正在考虑将摄像头和雷达结合起来以降低成本。CNN将机器学习的元素引入汽车。神经网络的结构一般是基于我们自己大脑的布线结构。首先必须选择要实现的网络类型，以及它的层数。每一层实际上是上一层和下一层之间的一组相互连接的节点。为了实现神经网络，大量的智能训练数据被应用于它；这是一个高度计算密集型操作，主要是离线完成的。对于每一次传递，例如道路情况的图像和视频，网络通过调整每一层内的相关因素来学习。当训练数据通过它运行时，可以从数百万数据分析中增强这些相关性。训练完成后，网络和相关因素可以加载到CPU或GPU计算或特定CNN加速器等结构中。这类算法和网络的优点之一是可以用更新或更好的相关因子进行升级，因此它一直在改进。经过广泛比较，我们发现以GPU计算模式运行的CNN比目前的高端嵌入式多核CPU快20倍，功耗也低得多。同样，随着CNN转向硬件加速，我们看到性能进一步提高了20倍，功耗也进一步改善。展望未来随着我们走向无人驾驶汽车的未来，所需的计算能力将随着传感器数量、帧速率和分辨率的增加而增加。卷积神经网络正在成为从性能和功率角度解释图像数据的最有效方式。这将导致在网络边缘放置更多处理资源的趋势，例如在汽车外壳中，在汽车内部，而不是将处理能力卸载到云端并依赖始终在线的蜂窝连接。对于那些提供处理能力、算法和训练数据的人来说，自动驾驶有巨大的机会成为现实。作者：ImaginationTechnologies汽车应用总监BryceJohnstone
