2018年自动驾驶汽车传感器展望

让自动驾驶汽车注意路况、看懂交通标志、检测对象并为其分类、感知速度/轨迹以及其他车辆并不容易——更重要的是，它必须能自行在地图上定位，才能确切地知道驾驶的目的地。

   高度自动化的车辆在追踪周围环境时，必须依靠很多传感器，包括摄像头、雷达、超声波、GPS天线，以及利用光脉冲测距的光达(Lidar)组件。每一种传感器都有其优缺点。

图1：安装在车辆上的一系列传感器技术（来源：Yole Développement）

视觉摄像头　盲点检测、侧视(无后照镜车)、行车记录仪、倒车辅助　立体摄像头：识别LDWS与标志的方向/距离　3D摄像头　手势识别　现场检测、驾驶监测　夜视摄像头　检测行人/动物　LIDAR　3D周围地图　超声波　停车、行人＆障碍物检测　航位推算传感器　测距　短距离雷达　前&后煞车　长距离雷达　自动巡航控制我们首先应弄清楚如何*有效地填补传感器固有的缺陷。**步可能更为重要，即开发*佳策略，将不同的数据流结合起来，使关键信息不至于遗失。每一种传感器都以自身的画面更新速率传送数据已经是个问题，传感器融合就更复杂了——因为有些传感器提供原始数据，而其他传感器则提供自己的对象数据答案。  

2017年，我们看到了感知技术方面的一连串进展。VSI Labs创办人兼负责人Phil Magney表示：“感知是自动驾驶汽车(AV)软件堆栈的一个主要领域，而且在这方面还有很多**。”科技公司、**供货商和OEM一直急于取得自家公司缺乏或无法自主开发的传感器技术。同时，过去两年来已经出现了多家感知传感器新创公司，其中有许多都关注尚处于萌芽阶段的自动驾驶汽车市场。英特尔收购Mobileye2

017年汽车行业*大的收购交易是英特尔(Intel)以153亿美元买下Mobileye。

由于Mobileye已经在**驾驶辅助系统(ADAS)和自动驾驶汽车的汽车视觉领域占据明显的**地位，收购Mobileye之举使得英特尔在自动驾驶汽车竞赛中稳居有利地位。尤其是考虑到视觉是自动驾驶汽车中**不可或缺的传感器技术，这项收购案显得更重要。英特尔表示打算将Mobileye的“计算机视觉、传感、融合、地图建构和驾驶策略”与英特尔的“开放计算平台”相结合。Magney将摄像头形容为“必备的传感器”，他解释说，具有以高分辨率采集图像的能力，才能让摄像头更有效地分类对象。

现在的摄像头还支持彩色显示。那么弱点呢？Magney补充说：“摄像头的深度不如光达。”光达：*热门的领域在所有的传感器技术中，光达是2017年交易量*大的市场。IHS Markit的汽车电子和半导体**分析师Akhilesh Kona列举去年的收购案，如福特(Ford)收购了Princeton Lightwave、通用汽车(General Motors；GM)收购光达公司Strobe，以及Continental买下Advanced Scientific Concepts (ASC)的光达业务。Magney则称光达“仍然是*热门的领域”，部分原因是光达在自动驾驶中有相当多用途。他解释，“高度自动化的车辆需要一个具有定位资产的基本地图，对此没有任何东西能够取代光达。这是**产品得以竞争之处。”光达市场之所以如此热门也由于新的激光技术出现。据Kona表示，一种波长高于1,400nm的新雷射发射技术正兴起中。这种新的波长可望为光达带来更高分辨率和更远射程。他补充说，Princeton Lightwave、Continental 和Luminar Technologies三家公司都在开发这种新的激光技术。

图2：不同类型的光达技术比较(来源：IHS Markit）

同时，供货商也通过开发各种光束控制技术，不断改善光达的耐用性、尺寸和成本。这些技术既有机械式也有MEMS和固态光达。据Magney介绍，机械式光达(如Velodyne 128信道的产品)由于能产生360度点云，非常适合建构地图。但是，对于部署量产车辆，基于固态组件——MEMS或光相位矩阵(OPA)的光达非常适合，它们也可以在其视野内产生点云。成本更低的闪存(flash)组件也开始崛起。

Magney指出，有些被设计成距离探测器，且成本低于100美元，但缺点是分辨率有限，无法对对象进行分类。毫米波雷达当光达大步前进时，雷达也并未停下脚步。继恩智浦半导体(NXP Semiconductors)在2016年**推出采用CMOS工艺技术的77GHz微型雷达芯片后，德州仪器(Texas Instruments；TI)也在去年进军毫米波(mmWave)雷达市场。该公司宣称如今拥有*小尺寸的CMOS传感器产品组合。

TI汽车毫米波雷达传感器整合RF与模拟功能以及数字控制于单一芯片中（来源：TI）在雷达市场，竞争的重点在于尺寸和**度。TI如今宣称可支持“小于4cm测距分辨率的高精度独立传感技术”。Magney表示：“我们对雷达的进展感到满意。毫米波雷达正热。”他评论道：“雷达的分辨率越来越高，现在已能用于分类物体，这是以前做不到的。”然而，更好的分辨率需要更多信道，这意味着有更多数据需要处理。所以，Magney说：“毫米波雷达需要有专门的处理器来处理这些数据，以及产生对象或点云。”此外，毫米波雷达还需要开发工具以打造应用。否则，庞大的资料难以被理解。

雷达除了能全天候工作外，其他的评价一向不优。传统的车用雷达无法看到摄像头或光达所能看到的物体。更具体地说，雷达看不到远方的物体，也无法区别所看到的东西。它们的处理速度不足以达到行驶于高速公路的要求。模拟波束成形2017年1月成立的新创公司Metawave期望通过其开发的模拟波束成形技术来改变现况。Metawave采用PARC将超材料、雷达和天线商业化的**授权，在今年的CES展上推出该公司“完整雷达套件”的原型。该公司的超材料是布署在PCB上的小型软件控制工程结构。这些结构据称能以特殊的方式控制电磁波束，这在以前通常只有在更大尺寸、更强大和成本更高的**系统中才能实现。

Metawave的模拟雷达技术基于电子可控天线，使用一根双端口的天线：其中一个埠连接到Tx或Rx链路，另一个埠连接到MCU。MCU透过查找表(LUT)定义和控制天线的波束宽度和方向，从而使Metawave的模拟雷达实现微秒级速度的扫描（来源：Metawave）Metawave的雷达套件型兼容于各种雷达芯片。该公司宣称其基于超材料的模拟波束成形技术能**地控制雷达波束，在不牺牲分辨率的情况下提升工作速度和SNR。机器用成像数据尽管Mobileye目前仍是汽车视觉领域的领导厂商，Magney认为其他公司也正迎头赶上。

他说：“任何人都可以获得相同的成像器，打造适合于图像识别的摄像头。但问题是你需要合适的处理器，以及紧密整合的算法。”然而，“如今你可以从几家芯片公司中选择一款高性能视觉处理器，并套用自家的算法。或者，你可以用卷积神经网络(CNN)来完成这项任务。”Magney总结道：“目前，自动驾驶汽车制造商已经在摄像头方面作了选择。

多公司会将人工智能(AI)应用于图像中以取得结果。”然后是总部位于巴黎的新创公司Chronocam。该公司的传感器技术并非针对人类应用，而是为机器感知和检测而打造的。

Chronocam这款以事件为导向的传感器技术还很新，尚未用于任何商用车，但已经受到业界关注了；该公司期望该技术能彻底改变当今CMOS图像传感器市场。例如，雷诺集团(Groupe Renault)于2016年底与Chronocam达成了战略发展协议。正如Chronocam**执行官所指，英特尔、英伟达(Nvidia)等GPU/CPU巨擘仍在试着找出更准确、更快速处理大量数据的*佳方式。

然而，Chronocam专注的是为机器应用简化和量身打造的成像数据采集。事件导向的传感器目标在于显著减少数据负载，使车辆几乎可以做出实时决策。定位让汽车具有“自我意识”的**步是建构地图，并实时匹配至车辆在预先制作的地图上看到的内容。然后，车辆可以对其位置进行三角测量和定位。Magney强调：“车子必须确切知道要去哪里，才能发展出‘情境感知’。”换句话说，如果希望高度自动化的车辆能准确定位，就需要使用光达。Magney指出，它们需要一个具有定位功能的基本地图。不过，还有其他方法可以做到这一点。例如Nvidia DriveWorks SDK可实现基于图像的定位。

DriveWorks工具库包括地图定位、HD地图接口以及自我运动(egomotion)等。实时动态定位(RTK)是另一种选择，Magney补充说。RTK可增强来自全球导航卫星系统(如GPS、GLONASS、Galileo和北斗)的位置数据**度。Magney说：“在一般情况下可能运气不错，但在城市地区，由于RTK需要高度依赖卫星，可能无法有效发挥作用。”同时，英特尔/Mobileye正推广其用于定位的道路体验管理(REM)技术。

Mobileye希望利用基于摄像头的ADAS系统普遍性，发挥群体力量实时建立并维护一个**的环境地图。演示视频：https://www.youtube。。ｃｏｍ/watch?v=RK8dbq-LfM0新创公司在定位方面也有发挥的空间。据悉，DeepMap正致力于L4/L5级自动驾驶汽车解决HD地图建构和定位，以及大数据管理方面的挑战。

Magney指出，DeepMap使用摄像头图像和光达数据，有效地改善了目前的数字地图。他补充说，该公司计划推出的是一项服务，而不只是一款产品。传感器融合随着自动驾驶汽车收集到所有的传感数据，*重要的就是传感器融合的质量。传感器融合的结果决定了自动驾驶汽车的决策和行为，也即**问题。自动驾驶汽车无法仅靠一个传感器实现**驾驶，因此必须进行传感器融合。但Magney补充说：“因为你必须同步所有的传感器信号，所以融合是很困难的。”至于是融合“对象”数据还是“原始”数据，业界对此的争论才刚刚开始，目前还没有明确的答案。相较于对象数据，由于原始数据不会在转换过程中发生遗失，大数的AI拥护者较支持这种数据融合途径，Magney表示。但他补充说，与原始数据融合有关的问题包括：“你将需要大量的处理；你还需要有GB级的网络，才能将这些信号传送到整个车辆中。”新创公司DeepScale开发了一种感知技术，能采集原始数据，而非对象数据，而且可以在嵌入式处理器上加速传感器融合。DeepScale现正利用其深度神经网络(DNN)从头开始做起——所使用的原始数据不仅来自图像传感器，还包括雷达和光达。 

高低温交变湿热试验箱 技术规格：