本文转载自雷锋网。如需转载，请在雷锋网官网申请授权。进入2020年，自动驾驶技术的跨越式路线和进阶式路线的阵营划分已经非常明显。但是，要让自动驾驶实现完全无人化，其技术还需要不断迭代和发展。对于自动驾驶的技术进步，WEVOLVER发布的《2020 自动驾驶技术报告》给出了全面的解读。报告从感知、规划、执行三个层面描述了自动驾驶汽车技术的最新发展状况，涉及传感器、数据处理、机器学习、SLAM和传感器融合、路径规划等。公司示例包括特斯拉、沃尔沃、Waymo等，如需获取本报告pdf全文，请在雷风网微信（leiphone-sz）回复关键字“324报告”进行提取。来源：《2020 自动驾驶技术报告》感知到的自动驾驶汽车在未知的动态环境中运行，因此需要提前构建环境地图并在地图中定位自己，并进行同步定位和建图过程（SLAM，即时定位和地图）输入到建筑物）需要传感器和人工智能系统的帮助。报告指出，传感器可分为主动传感器和被动传感器，各类传感器各有优缺点，没有一种传感器可以适用于所有路况。通常，需要多个传感器才能可靠、安全地操作自动驾驶汽车。总的来说，自动驾驶汽车包含的传感器主要有五种：1.远程雷达：信号可以穿透雨、雾、灰尘和其他视觉障碍物来探测目标。2、摄像头：一般结合近距离目标检测，多用于远距离特征感知和交通检测。3.LiDAR：主要用于3D环境映射和目标检测。4、短程/中程雷达：中近程目标探测，适用于侧向和后方避让。5.超声波：近距离目标探测。如前所述，各种类型的传感器都有其优缺点，自动驾驶汽车需要从技术上判断和选择传感器。响应时间;分辨率，传感器可以提供给自动驾驶车辆的环境细节；视野/角度分辨率，它决定了自动驾驶汽车需要多少传感器来覆盖感知区域；在3D环境中区分静态对象和动态对象的能力；刷新率，决定了传感器信息的更新频率；不同环境条件下的整体可靠性和准确性；成本、尺寸和软件兼容性；生成的数据量。下面是Waymo、沃尔沃-Uber、特斯拉的传感器方案示意图：此外，关于被动传感器和主动传感器，报告也做了详细介绍：环境，如光、辐射等。但是，在弱光环境中，无源传感器的性能会下降，因为它们没有自己的传播源。就生成的数据而言，无源传感器比有源传感器生成更多数据，大约0.5-3.5Gbps。尽管如此，被动式传感器还是有很多特点，主要包括：1.高分辨率像素和颜色覆盖整个视场宽度；2.保持视野内帧率恒定；3.两个摄像头可以生成3D立体视图；4、没有排放源，减少了其他车辆干扰的可能性；5、技术成熟，成本低；6、系统生成的图像易于用户理解和交互。如果要在自动驾驶汽车中使用被动摄像头传感器套件，它需要覆盖车辆周围的各种环境。这可以通过使用以特定时间间隔拍摄图像的旋转相机，或通过软件将4-6个相机的图像拼接在一起来实现。此外，这些传感器需要超过100分贝的高动态范围（对场景中的高光和阴影进行成像的能力），使它们能够在各种光照条件下工作并区分不同的物体。有源传感器有源传感器有信号传输源，依靠TOF原理感知环境。ToF可以通过等待信号的反射返回来测量信号从源到目标的传播时间。信号的频率决定了系统使用的能量及其精度。因此，确定正确的波长在系统选择中起着关键作用。关于有源传感器的种类，报告主要介绍了以下三种：超声波传感器：又称声纳；声音导航测距。在有源传感器中，声波的频率最低（波长最长），因此声波更容易受到干扰，这也意味着超声波传感器容易受到雨水和灰尘等不利环境条件的影响。此外，来自其他声波的干扰会影响传感器性能，需要通过使用多个传感器并依赖其他传感器类型来缓解。雷达：主要通过无线电波测量距离。无线电波以光速传播，在电磁波谱中频率最低（波长最长）。基于无线电波的反射特性，雷达传感器可以检测前方物体以外的物体。但是，雷达信号容易被相对导电的材料（如金属物体）反射，其他无线电波的干扰也会影响雷达的性能，使雷达传感器无法探测到物体。雷达在确定检测到的物体的形状方面不如激光雷达。激光雷达：使用脉冲激光形式的光。LiDAR传感器可以每秒50,000-200,000个脉冲的速度覆盖一个区域，并将返回的信号编译成3D点云。通过比较连续感测的点云，物体的差异检测其运动，从而创建250米以内的3D地图。规划基于自动驾驶汽车传感器套件捕获的原始数据和现有地图，自动驾驶系统需要通过同步定位和地图算法构建和更新环境的特定地图，跟踪其特定位置，从而开始从一个点到另一个点的计划。小路。SLAM和传感器融合SLAM是一个复杂的过程，因为定位需要地图，而建图需要良好的位置估计。为了更准确地执行即时定位和映射，传感器融合开始发挥作用。传感器融合是将来自多个传感器和数据库的数据进行组合以实现信息改进的过程。它是一个多层次的过程，处理数据之间的联系和相关性，结合数据以获得比使用单个数据源可以获得的更便宜、更高质量和更相关的信息。在自动驾驶汽车AI架构中，主要有两种方法：1.逐步处理。整个驾驶过程被拆解成一系列层层相连的流水线，感知、定位、地图、路径导航、运动控制等每一步都由自己特定的软件组件处理。2.端到端。一种基于深度学习的解决方案，可同时处理所有这些功能。通过传感器的融合，自动驾驶汽车获得数据。然而，如何从传感器信号中提取有用信息，并根据已有信息执行任务，需要借助机器学习算法——CNN、RNN和DRL。CNN（卷积神经网络）：主要用于处理图像和空间信息，提取感兴趣的特征和识别环境中的物体。这些神经网络是从卷积层构建的：一组过滤器，它们试图区分图像元素或输入数据以标记它们。这个卷积层的输出被输入到一个算法中，该算法将它们结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，例如道路标志或另一辆汽车。RNN（循环神经网络）：主要用于处理视频信息，在这些网络中，前面步骤的输出将作为输入进入网络，让信息和知识在网络中持久化和上下文化。DRL（深度强化学习）：DRL方法允许软件定义的“代理”学习虚拟环境中的最佳动作，以使用奖励函数实现目标。这些面向目标的算法学习如何实现目标，或者如何在多个步骤中沿特定维度最大化。目前，深度强化学习在自动驾驶汽车上的应用还处于起步阶段。这些方法不必孤立存在。为了避免过度拟合，多任务训练网络通常在深度学习中进行。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，以至于当它试图进行内插或外推时，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一般特征，而不是专注于一个任务以输出更多实际有用的应用程序。使用传感器和这些算法提供的所有数据，自动驾驶汽车能够检测周围的物体。接下来，它需要找到一条路径。路径规划一旦车辆了解其环境中的物体及其位置，它可以使用voronoi图（车辆与物体之间的最大距离）、占用网格算法或驾驶走廊算法来确定车辆的大尺度小路。然而，这些传统方法无法满足车辆在动态环境中移动的需求。报告指出，部分自动驾驶汽车不仅依靠机器学习算法来感知环境，还依靠这些数据来控制汽车。可以通过模仿学习向CNN教授路径规划，其中CNN试图模仿驾驶员的行为。通常，这些机器学习方法与经典运动规划和轨迹优化方法相结合，以确保路径鲁棒性。此外，汽车制造商在其模型中提供最佳路径参考以用于其他目的，例如减少燃料使用。车辆运行时的神经网络训练和推理需要巨大的计算能力。由于汽车需要及时响应新的数据，因此需要在车载上完成操作车辆所需的部分处理，而模型改进则可以在云端完成。目前，机器学习的最新进展在于对自动驾驶汽车传感器生成的数据进行高效处理，从而降低计算成本。此外，芯片制造和微型化的进步正在增加可以安装在自动驾驶汽车上的计算能力。随着网络协议的进步，汽车可能能够依靠基于网络的低延迟数据处理来帮助它们自主运行。执行那么，车辆的行为如何？在人类驾驶的汽车中，转向、制动或发出信号等动作通常由驾驶员控制。来自驾驶员的机械信号由电子控制单元(ECU)转换为驱动命令，然后由车辆上的电动或液压执行器执行。在（半）自动驾驶汽车中，此功能被直接与ECU通信的驾驶员控制软件所取代。这些软件可以改变车辆的架构，减少零件数量；特别是那些专用于将驱动器的机械信号转换为ECU的电信号的。自动驾驶汽车通常包含多个ECU，从典型车辆的大约15-20个到高端车型的多达100个不等。ECU是一个简单的计算单元，具有自己的微控制器和内存，可处理传入的输入数据并将其转换为其子系统的输出命令，例如，换档自动变速器。一般来说，ECU可以负责控制车辆的运行以及安全功能以及运行信息娱乐和内部应用程序。而且，大多数ECU支持可以在本地运行算法和处理传感器数据的单独应用，例如电子助力转向。挑战1：系统复杂性工程师需要为传感器融合系统设计正确的电子架构，将决策同步分配给根据指令执行操作的低级子系统，这带来了要求和复杂性增加的挑战。理论上，在一个极端情况下，可以选择完全分布式架构，其中每个传感单元处理其原始数据并与网络中的其他节点通信。在频谱的另一端，存在一个集中式架构，其中所有远程控制单元(RCU)都直接连接到一个中央控制点，该中央控制点收集所有信息并执行传感器融合过程。而在频谱的中间是混合解决方案，它将在更高抽象级别工作的中央单元与执行专用传感器处理的域或执行决策算法的域相结合。这些域可以基于车辆内部的位置，例如汽车前部和后部的域、它们控制的功能类型或它们处理的传感器类型（例如摄像头）。在集中式架构中，来自不同传感器的测量值是独立的量，不会受到其他节点的影响。数据在系统的边缘节点不被修改或过滤，为低延迟的传感器融合提供尽可能多的信息。架构上的挑战是需要将大量数据传输到中央单元并在那里进行处理。这不仅需要强大的中央计算机，还需要高带宽的重型线束。分布式架构可以通过更轻的电气系统来实现，但更复杂。尽管在这种架构中与带宽和集中处理相关的要求大大降低，但它在驱动和传感阶段之间引入了延迟，增加了数据验证的挑战。挑战二：功率、热量、重量和尺寸的增加除了增加系统复杂性之外，自动化还增加了车辆组件的功耗、热足迹、重量和尺寸。无论架构是分布式还是集中式，自动驾驶系统对电力的需求都是巨大的，其中最主要的驱动因素是竞争需求。全自动驾驶汽车的竞争需求比目前生产的最先进汽车高出近100倍。对于纯电动汽车，续驶里程很容易受到这种功率要求的负面影响。因此，Waymo和福特等公司选择专注于混合动力汽车，而优步则使用全燃气SUV。然而，专家指出，全电动动力总成最终将成为动力总成的选择，因为内燃机在为车载计算机发电方面效率低下。增加的处理需求和更高的功率吞吐量使系统变热，但为了使电子元件正常可靠地运行，无论车外条件如何，它们都必须保持在一定的温度范围内，这需要冷却系统。然而，冷却系统，尤其是液体冷却，进一步增加了车辆的重量和尺寸。此外，额外的组件、额外的布线和热管理系统会对车辆任何部分的重量、尺寸和热性能造成压力。作为回应，自驱动组件的供应商正在改变产品，从减轻激光雷达等大型组件的重量到构建半导体电感器等微型组件。与此同时，半导体公司正在制造占地面积更小、热性能更好、干扰更小的元件，开发了各种硅元件，如MOSFET、双极晶体管、二极管和集成电路。不仅如此，业界还在考虑使用一种新材料——氮化镓（GaN）。GaN比硅更有效地传导电子，从而在给定的导通电阻和击穿电压下实现更小的器件。一辆完全自动驾驶的汽车可能包含比迄今为止开发的任何软件平台或操作系统更多的代码，并且自行处理所有算法和流程需要强大的计算能力和强大的处理能力。目前，GPU加速处理正在成为行业标准。在GPU领域，Nvidia是市场领导者。Nvidia的竞争集中在张量处理单元(TPU)的芯片设计上，它可以加速作为深度学习算法核心的张量运算。此外，使用GPU进行图形处理也阻碍了深度学习算法充分利用芯片的能力。可见，随着车辆自动化水平的提高，车辆的软件形态将发生明显变化。除此之外，车辆更大的自主性也会影响用户与车辆的交互方式。
