推广 热搜: 柔性防水套管  小型榨油机  油菜籽榨油机  螺旋榨油机  大叔的田  全自动榨油机  液压榨油机  传力接头  低熔点投料袋  A型钢性防水套管 

AI智能驾驶员:传感器数据构建

   日期:2020-01-12     浏览:2    
核心提示:从传感器到人工智能(AI),经典的电子供应链已经形成了一个协作矩阵,致力于使自动驾驶汽车安全。为此,在硬件和软件开发方面有
 从传感器到人工智能(AI),经典的电子供应链已经形成了一个协作矩阵,致力于使自动驾驶汽车安全。为此,在硬件和软件开发方面有很多工作要做,以确保驾驶员,乘客和行人受到保护。虽然机器学习和AI可以发挥作用,但其有效性取决于传入数据的质量。因此,除非将自动驾驶汽车构建在高性能,高完整性传感器信号链的基础上,以始终如一地提供最准确的数据作为生命或死亡决策的依据,否则任何自动驾驶汽车都不能被认为是安全的。

就像最初的月球射击一样,通往安全自动驾驶汽车的道路上也存在许多障碍。最近有关自动驾驶汽车的备受关注的事件充斥着反对者的说法,即汽车及其运行环境太复杂,变量太多,算法和软件仍然过时。对于参与ISO 26262功能性车辆安全性合规性测试的任何人,我们将对其表示怀疑,这是可以原谅的。图表比较了2017年在硅谷进行测试的5家自动驾驶汽车公司的实际行驶里程数与从自动驾驶模式脱离的数量(图表1),该表支持了这种怀疑。2019年的数据尚未汇编,但各公司的报告可在线获得。

但是,已经设定了目标,明确了当务之急:自动驾驶汽车来了,安全至上。非官方的2018年加利福尼亚州自动驾驶汽车部门(DMV)的数字表明,每英里脱离接合的数量正在减少,这也表明该系统的功能越来越强大。但是,这一趋势需要加快。

汽车制造商将协作和新思维放在首位,直接与硅片供应商对话。传感器制造商正在与AI算法开发商讨论传感器融合;软件开发人员最终将与硬件供应商联系,以充分利用两者。旧的关系正在改变,新的关系正在动态形成,以优化最终设计中性能,功能,可靠性,成本和安全性的组合。

端到端,生态系统正在寻求正确的模型,以在这些模型上构建和测试用于快速出现的应用(例如,机器人出租车和长途卡车运输)的全自动驾驶汽车。一路走来,由于传感器的改进,使高级驾驶辅助系统(ADAS)达到了最先进的水平,从而迅速实现了更高的自动化程度。

 

这些传感器技术包括摄像头,光检测和测距(雷达),无线电检测和测距(雷达),微机电系统(MEMS),惯性测量单元(IMU),超声和GPS,它们都为AI系统提供了关键输入,将驾驶真正的认知自动驾驶汽车。

预测安全基础的认知工具

车辆智能通常表示为自治程度。级别1(L1)和L2在很大程度上是警报系统,而级别L3或更高级别的车辆有权采取措施避免发生事故。当车辆前进到L5时,方向盘将被取下,汽车将完全自主运行。

在最初的几代系统中,随着车辆开始采用L2功能,传感器系统独立运行。这些警告系统的误报率很高,并且由于令人讨厌而经常被关闭。

为了实现完全认知的自动驾驶汽车,传感器的数量显着增加。此外,它们的性能和响应时间必须大大提高(图3,图4)。

通过在车辆中内置更多传感器,他们还可以更好地监控和考虑当前的机械状况,例如轮胎气压,重量变化(例如,有载还是无载,一名或六名乘客)以及其他磨损因素可能会影响刹车和操纵。通过更多的外部感应方式,车辆可以更充分地了解其健康状况和周围环境。

传感方式的进步使汽车能够识别环境的当前状态,并了解其历史。这是由于该技术的首席技术专家Joseph Motola博士开发的原理所致。

ENSCO航空科学与工程系。这种感知能力可以像了解道路状况(例如坑洞的位置)一样简单,也可以像事故的类型以及它们在一段时间内在特定区域的发生方式一样详尽。

在开发这些认知概念时,感测,处理,内存容量和连接性的水平使它们看起来牵强,但已发生了很大变化。现在,可以从车辆的传感器访问此历史数据并将其分解为实时数据,以提供越来越准确的预防措施和避免事件。

例如,IMU可以检测到突然的颠簸或转向,表明存在坑洼或障碍。过去,这些信息已无处可寻,但是实时连接现在允许将该数据发送到中央数据库,并用于向其他车辆发出警告,告知其存在孔洞或障碍物。相机,雷达,激光雷达和其他传感器数据也是如此。

可以对这些数据进行编译,分析和融合,以便可以对车辆的运行环境进行前瞻性理解。这使车辆可以充当学习机,从而有可能

 

做出比人类更好,更安全的决策。

多方面的决策与分析

 

在推进最先进的车辆感知方面已经取得了很大进展。重点是从各种传感器收集数据并应用传感器融合策略,以在各种条件下最大化其互补优势

但是,要使它们成为解决行业面临的问题的切实可行的解决方案,还有许多工作要做。例如,照相机可以计算横向速度(即,与车辆的行进方向正交地行进的物体的速度)。尽管如此,即使是最佳的机器学习算法,也需要约300 ms的时间来进行横向运动检测,且误报率必须足够低。对于以60英里/小时的速度行驶的行人来说,毫秒可以使表浅伤害和生命危险区分开来,因此响应时间至关重要。

300毫秒的延迟归因于从连续视频帧执行增量矢量计算所需的时间。为了可靠地检测,需要十个或更多的连续帧:我们必须将其降低到一两个连续帧,以使车辆有时间做出响应。雷达有能力实现这一目标。

同样,雷达在速度和物体检测方面具有许多优势,例如方位角和仰角的高分辨率以及“看见”物体的能力,但它也需要为车辆做出反应提供更多时间。为了达到每小时400公里或更高的明确速度目标,77 GHz至79 GHz操作的新发展正在取得进展。这种速度确定水平可能看起来是极端的,但对于支持复杂的高速公路分割用例是必要的,在这种情况下,车辆以超过200公里/小时的速度沿相反方向行驶。

相机和雷达之间的桥梁是激光雷达,其特性使其成为完全认知车辆的可行且必不可少的元素(图6)。但是,它也面临着必须克服的挑战。

激光雷达正在发展成为一种紧凑,经济高效的固态设计,可以将其放置在车辆周围的多个位置,以支持360度全覆盖。它是雷达和摄像头系统的补充,增加了更高的角度分辨率和深度感知能力,可提供更准确的环境3D地图。

但是,其在近红外(IR)(850 nm至940 nm)下的操作可能对视网膜有害,因此将其能量输出严格控制在905 nm下每个脉冲200 nJ。但是,通过迁移到超过1500 nm的短波IR,光被整个眼睛的表面吸收。这样可使每个脉冲8 mJ的调节要求更加宽松。1500 nm脉冲激光雷达系统的能量是905 nm激光雷达的40,000倍,可提供4倍的更长射程。同样,1500 nm系统在某些环境条件下(例如雾霾,灰尘和细小气溶胶)可能更坚固。

1500 nm激光雷达的挑战是系统成本,这在很大程度上由光电检测器技术(今天基于InGaAs技术)驱动。获得高灵敏度,低暗电流和低电容的高质量解决方案是1500 nm激光雷达的关键推动力。此外,随着激光雷达系统进入第2代和第3代,将需要应用优化的电路集成来降低尺寸,功耗和整个系统成本。

 

除了超声波,照相机,雷达和激光雷达外,还有其他传感方式在实现完全认知自主运输中也起着关键作用。GPS使车辆始终知道其位置。就是说,有些地方没有GPS信号,例如在隧道中和高层建筑中。这是惯性测量单元可以发挥关键作用的地方。

尽管IMU经常被忽视,但它依赖于重力,而重力不受环境条件的影响而保持恒定。因此,它们对于航位推算非常有用。在暂时没有GPS信号的情况下,航位推算会使用来自速度计和IMU等来源的数据来检测行进的距离和方向,并将此数据叠加到高清地图上。这将使认知工具保持正确的轨迹,直到可以恢复GPS信号为止。

高质量数据可节省时间和生命

尽管这些传感方式可能非常重要,但如果传感器本身不可靠并且其输出信号没有被精确捕获以作为高精度传感器数据作为上游传感器馈入,则这些关键传感器输入都不重要。 ”很少有这么重要的意义。

为此,即使是最先进的模拟信号链也必须不断改进,以检测,采集和数字化传感器信号输出,以使它们的精度和精度不会随时间和温度而漂移。利用正确的组件和最佳设计实践,可以大大减轻众所周知的难题的影响,例如温度引起的偏置漂移,相位噪声,干扰以及其他引起不稳定性的现象。高精度/高质量数据对于机器学习和AI处理器进行正确培训并在投入运营时做出正确决策的能力至关重要。而且几乎没有第二次机会。

一旦确保了数据的质量,各种传感器融合方法和AI算法就可以对阳性结果做出最佳响应。这是一个事实,即无论如何训练AI算法,一旦将模型编译并部署到网络边缘的设备上,它们的功效就完全依赖于可靠,高精度的传感器数据。

传感器模式,传感器融合,信号处理和AI之间的这种相互作用对智能,认知,自动驾驶汽车的发展以及我们可以确保驾驶员,乘客和行人安全的信心产生深远影响。但是,如果没有高度可靠,准确,高精度的传感器信息,这一切都是徒劳的,这对于安全的自动驾驶汽车来说是至关重要的。

与任何先进技术一样,我们在这一方面投入的精力越多,就确定了需要解决的复杂用例。这种复杂性将继续混淆现有技术,因此我们需要期待下一代传感器和传感器融合算法来解决这些问题。

就像最初的登月计划一样,人们渴望自动驾驶汽车的全部倡议将对社会产生变革性和持久的影响。从驾驶员协助转向驾驶员替换,不仅会大大提高运输安全性,而且还将大大提高生产率。未来的一切都建立在传感器的基础上,其他一切都将建立在此基础上。

 

在过去的25年中,ADI公司一直致力于汽车安全和ADAS。现在,ADI正在为自主的明天奠定基础。ADI公司在惯性导航和监视以及高性能雷达和激光雷达的卓越中心周围组织,提供高性能传感器和信号/电源链解决方案,不仅可以显着提高这些系统的性能,还可以降低总体拥有成本整个平台—加快我们步入明天的步伐。

 
打赏
 
更多>同类新闻

推荐图文
推荐新闻
点击排行
网站首页  |  关于我们  |  联系方式  |  使用协议  |  版权隐私  |  网站地图  |  排名推广  |  广告服务  |  积分换礼  |  网站留言  |  RSS订阅  |  违规举报