這是我們這個時代的大膽創新計劃。從傳感器到人工智能（AI），經典的電子產品供應鏈已經形成了一個致力于使自動駕駛汽車安全的協作矩陣。為此，在硬件和軟件開發方面還有很多工作要做，以確保駕駛員、乘客和行人受到保護。雖然機器學習和人工智能可以發揮作用，但它們的有效性取決于傳入數據的質量。因此，除非自動駕駛汽車建立在高性能、高完整性傳感器信號鏈的基礎上，以始終如一地提供最準確的數據，作為生死抉擇的基礎，否則任何自動駕駛汽車都不能被認為是安全的。

與最初的大膽創新計劃一樣，在通往安全自動駕駛汽車的道路上也存在許多障礙。最近涉及自動駕駛汽車的高調事件助長了反對者的說法，即車輛及其運行環境太復雜，變量太多，算法和軟件仍然太有缺陷。對于任何參與ISO 26262功能車輛安全合規性測試的人來說，他們的懷疑是可以原諒的。2017年在硅谷測試的五家自動駕駛汽車公司的物理行駛里程數與脫離自動駕駛模式的次數的圖表支持了這種懷疑（圖1）。2019年的數據尚未編制，但個別公司的報告可在線獲取。

然而，目標已經設定，當務之急很明確：車輛自動駕駛即將到來，安全至上。非官方的2018年加州自動駕駛汽車管理局（DMV）數據顯示，每英里的脫離次數正在減少，這也表明系統的能力越來越強。然而，這一趨勢需要加快。

將協作和新思維放在首位，汽車制造商正在直接與芯片供應商交談;傳感器制造商正在與AI算法開發人員討論傳感器融合;軟件開發人員終于與硬件提供商建立了聯系，以充分利用兩者。舊的關系正在發生變化，新的關系正在動態形成，以優化最終設計中性能、功能、可靠性、成本和安全性的組合。

端到端的生態系統正在尋求正確的模型，以構建和測試全自動駕駛汽車，以應對機器人出租車和長途卡車運輸等快速出現的應用。在此過程中，由于傳感器的改進推動了高級駕駛輔助系統（ADAS）的最新技術，自動化程度正在迅速實現。

這些傳感器技術包括攝像頭、光探測和測距（激光雷達）、無線電探測和測距（雷達）、微機電系統（MEMS）、慣性測量單元（IMU）、超聲波和GPS，它們都為人工智能系統提供了關鍵輸入，這些系統將驅動真正的認知自動駕駛汽車。

認知車輛是預測安全的基礎

車輛智能通常表示為自主級別。1 級 （L1） 和 L2 主要是警告系統，而 L3 或更高的車輛有權采取行動避免事故。當車輛行駛到L5時，方向盤被移除，汽車完全自主運行。

在最初的幾代系統中，隨著車輛開始采用L2功能，傳感器系統獨立運行。這些警告系統的誤報率很高，并且經常被關閉，因為它們令人討厭。

為了實現完全認知的自動駕駛汽車，傳感器的數量顯著增加。此外，它們的性能和響應時間必須大大提高。

隨著車輛內置的更多傳感器，它們還可以更好地監控和考慮當前的機械條件，例如輪胎壓力、重量變化（例如，裝載與卸載、一名乘客或六名乘客）以及其他可能影響制動和操控的磨損因素。通過更多的外部傳感模式，車輛可以更充分地感知其健康狀況和周圍環境。

傳感模式的進步使汽車能夠識別環境的當前狀態并了解其歷史。這是由于ENSCO航空航天科學與工程部首席技術專家Joseph Motola博士開發的原理。這種感知能力可以像對道路狀況的感知一樣簡單，例如坑洼的位置，也可以像事故類型以及它們如何隨著時間的推移在某個區域發生一樣詳細。

在開發這些認知概念時，感知、處理、記憶容量和連接性的水平使它們看起來很牽強，但已經發生了很大變化。現在，可以訪問這些歷史數據并將其分解為來自車輛傳感器的實時數據，以提供越來越準確的預防措施和事故避免程度。

例如，IMU 可以檢測到指示坑洼或障礙物的突然顛簸或轉向。過去，這些信息無處可去，但現在實時連接允許將這些數據發送到中央數據庫，并用于警告其他車輛的洞或障礙物。攝像頭、雷達、激光雷達和其他傳感器數據也是如此。

這些數據經過編譯、分析和融合，以便為車輛對其運行環境的前瞻性理解提供信息。這使得車輛可以充當學習機器，有可能做出比人類更好、更安全的決策。

多方面的決策和分析

在推進最先進的車輛感知方面已經取得了很大進展。重點是從各種傳感器收集數據，并應用傳感器融合策略，以最大限度地發揮其互補優勢，并在各種條件下支持其各自的弱點。

盡管如此，如果要成為解決該行業面臨的問題的真正可行的解決方案，還有很多工作要做。例如，相機可以計算橫向速度（即與車輛行駛方向正交的物體的速度）。盡管如此，即使是最好的機器學習算法也需要~300毫秒才能以足夠低的誤報率進行橫向移動檢測。對于以 60 英里/小時的速度行駛在車輛前方行駛的行人來說，毫秒可以決定淺表傷害和危及生命的傷害，因此響應時間至關重要。

300 毫秒延遲是由于從連續視頻幀執行增量矢量計算所需的時間。可靠檢測需要十個或更多連續幀：我們必須將其減少到一個或兩個連續幀，以便車輛有時間做出響應。雷達有能力實現這一目標。

同樣，雷達在速度和物體檢測方面具有許多優勢，例如方位角和仰角的高分辨率，以及“看到”周圍物體的能力，但它也需要為車輛提供更多的反應時間。以 400 公里/小時或更高的明確速度確定為目標，77 GHz 至 79 GHz 運行的新發展正在取得進展。這種速度確定水平可能看起來很極端，但對于支持復雜的分割高速公路用例是必要的，在這些用例中，車輛以超過 200 公里/小時的速度沿相反方向行駛。

橋接攝像頭和雷達的是激光雷達，其特性使其成為完全認知車輛的可行且必不可少的元素。但它也有需要克服的挑戰。

激光雷達正在演變為緊湊、經濟高效的固態設計，可以放置在車輛周圍的多個點，以支持全 360° 覆蓋。它補充了雷達和攝像系統，增加了更高的角分辨率和深度感知，以提供更精確的環境3D地圖。

然而，它在近紅外（IR）（850 nm至940 nm）下的操作可能對視網膜有害，因此其能量輸出在905 nm處被嚴格調節為每脈沖200 nJ。然而，通過遷移到超過1500nm的短波紅外，光被整個眼睛表面吸收。這允許更寬松的每脈沖8 mJ的監管要求。1500 nm 脈沖激光雷達系統的能量水平是 905 nm 激光雷達的 40，000 倍，可提供 4× 更長的距離。此外，1500 nm 系統在某些環境條件下（如霧霾、灰塵和細小氣溶膠）可以更加穩健。

1500 nm激光雷達的挑戰是系統成本，這在很大程度上是由光電探測器技術（目前基于InGaAs技術）驅動的。獲得具有高靈敏度、低暗電流和低電容的高質量解決方案是 1500 nm 激光雷達的關鍵推動因素。此外，隨著激光雷達系統進入第 2 代和第 3 代，將需要應用優化的電路集成來降低尺寸、功耗和整體系統成本。

除了超聲波、攝像頭、雷達和激光雷達之外，還有其他傳感方式在實現完全認知的自主交通方面發揮著關鍵作用。GPS讓車輛隨時知道它的位置。也就是說，有些地方沒有GPS信號，例如在隧道和高層建筑中。這就是慣性測量單元可以發揮關鍵作用的地方。

雖然經常被忽視，但IMU依賴于重力，無論環境條件如何，重力都是恒定的。因此，它們對于航位推算非常有用。在暫時沒有GPS信號的情況下，航位推算使用來自車速表和IMU等來源的數據來檢測行駛的距離和方向，并將這些數據疊加到高清地圖上。這使認知車輛保持在正確的軌道上，直到可以恢復GPS信號。

高質量數據節省時間和生命

盡管這些傳感方式可能很重要，但如果傳感器本身不可靠，并且它們的輸出信號沒有被準確捕獲以作為高精度傳感器數據饋送到上游，那么這些關鍵的傳感器輸入都無關緊要：“垃圾輸入，垃圾輸出”這個短語很少有如此重要的意義。

為了實現這一目標，即使是最先進的模擬信號鏈也必須不斷改進，以檢測、采集和數字化傳感器信號輸出，使其精度和精度不會隨時間和溫度而漂移。借助正確的組件和設計最佳實踐，可以大大減輕眾所周知的難題的影響，例如偏置隨溫度漂移、相位噪聲、干擾和其他導致不穩定的現象。高精度/高質量數據是機器學習和人工智能處理器在投入使用時進行適當訓練并做出正確決策的能力的基礎。而且幾乎沒有第二次機會。

一旦數據質量得到保證，各種傳感器融合方法和人工智能算法就可以以最佳方式響應積極的結果。事實上，無論人工智能算法訓練得多么好，一旦模型被編譯并部署在網絡邊緣的設備上，它們的效率就完全依賴于可靠、高精度的傳感器數據。

傳感器模式、傳感器融合、信號處理和人工智能之間的這種相互作用對智能、認知、自動駕駛汽車的發展以及我們確保駕駛員、乘客和行人安全的信心產生了深遠的影響。然而，如果沒有高度可靠、準確、高精度的傳感器信息，一切都沒有意義，而這些信息是安全自動駕駛汽車的基礎。

與任何先進技術一樣，我們在這方面的工作越多，需要解決的用例就越復雜。這種復雜性將繼續困擾現有技術，因此我們需要期待下一代傳感器和傳感器融合算法來解決這些問題。

與最初的大膽創新計劃一樣，人們希望自動駕駛汽車的整個舉措將對社會產生變革性和持久的影響。從駕駛員輔助轉向駕駛員更換不僅將顯著提高運輸安全性，而且還將帶來巨大的生產力提高。這個未來都取決于構建其他一切的傳感器基礎。

審核編輯：郭婷