從不停腳和不看的駕駛——到斷腦駕駛

輔助駕駛始于腳踏技術，例如自適應巡航控制和用于緊急制動的高級駕駛員輔助系統（ADAS）。此后，它已經發展到具有車道居中功能和眼睛關閉駕駛的免提駕駛，汽車可以感知并自動響應道路和駕駛條件。現在，腦力關閉駕駛正在全自動駕駛汽車上進行測試。

汽車工程師協會 （SAE） 定義了 6 個級別的駕駛自動化，從全手動（0 級）到完全自主（5 級）。不提和放手技術被歸類為輔助駕駛（1-3級）。關眼和關腦技術（4級和5級）代表了將輔助車輛和自動駕駛汽車分開的重要一步。

如今，大多數車輛都處于 2 級，車輛可以處理某些功能，例如緊急制動或停車輔助。3 級車輛已經開始可用，具有高速公路或交通擁堵的自動駕駛儀。今天的4級車輛只是原型車，比如Waymo汽車。據估計，到 2030 年，在美國，道路上行駛的 16.17 億輛自動駕駛汽車中將有 110 萬到 <> 萬輛，這僅占汽車總銷量的一小部分。

自動駕駛汽車的緩慢崛起有多種根本原因。除了基礎設施、法律和驗收方面的挑戰外，轉向眼球和腦后駕駛將需要汽車制造商克服許多挑戰。其中包括選擇正確的傳感器，將它們集成到車輛的正確位置，測試它們以捕獲所有場景 - 即使是最不可預測的情況 - 以及優化決策延遲。最終，自動駕駛汽車必須在所有道路和所有天氣條件下都優于人類，而光學傳感器對于實現這一目標至關重要。

在這篇博文中，我將探討光學傳感器的數字孿生技術如何通過減少對現場測試的需求來加速自動駕駛汽車的采用。

為什么光學傳感器是自動駕駛汽車的關鍵組成部分

當今的車輛具有許多光學組件，這些組件對于汽車感知駕駛條件，與環境和駕駛員交互以及做出決策至關重要。這包括用于拍攝環境的 2D 照片的攝像頭、用于獲取 3D 點圖的 LiDAR、自動補償弱光環境的前照燈以及用于穿透霧、霧和雨的雷達。從手動駕駛到自動駕駛的演變將需要更多的傳感器、計算能力和新的電氣/電子（E/E）架構。從市場的角度來看，到2025年，傳感器市場總收入將達到22.4B美元，其中雷達收入估計為9.1B美元，攝像頭模塊收入達到8.1B美元，計算硬件達到3.5B美元，LiDAR達到1.7B美元。最終，一輛全自動駕駛汽車將依賴于四到六個雷達系統、一到五個激光雷達系統和六到十二個攝像頭。

如今，自動駕駛市場還不成熟，許多技術和系統設計目前正在測試中。沒有放之四海而皆準的解決方案。例如，特斯拉開始在2014年推出的自動駕駛系統中使用單個前視攝像頭。最新型號現在在汽車周圍包括八個以上的攝像頭，沒有LiDAR或雷達系統。相比之下，最新的Waymo自動駕駛汽車有五個LiDAR系統，29個攝像頭和六個雷達來掃描其環境。這兩個系統仍在現場進行了嚴格的測試，Waymo以其自動駕駛汽車車隊的總里程超過<>萬英里領先。Waymo還構建了一個駕駛模擬器，積累了大量的合成駕駛數據。但是，關于該現場數據的可靠性和全面性以及模擬情況與現實的接近程度仍然存在。

光學傳感器是自動駕駛汽車的關鍵組成部分。精確的傳感器數字孿生可以釋放使用駕駛模擬器進行從設計和測試到集成和自動駕駛系統協同優化等任務的潛力。這可以大大減少自動駕駛汽車的現場測試，并加速其采用。讓我們探討一下這是如何工作的。

促進協同設計，并使用精確的傳感器模型實現虛擬測試

構建自動駕駛架構首先要選擇正確的傳感器，并確保它們能夠感知到自己的需求。目前，傳感平臺和感知系統開發需要集成和校準車輛上的傳感器硬件，以及傳統的地面實況數據采集和注釋。這些都是昂貴、耗時的過程。通常，整個設計到測試循環在進入最終系統驗證之前將完成多次。通過虛擬測試縮短這一開發周期至關重要，這樣就可以避免使自動駕駛汽車安全所需的無法到達的10億英里的現場測試。

虛擬測試需要什么？在車輛模型和虛擬環境之間，我們需要傳感器的精確數字表示來評估它們在計算機上的行為。當然，由于安全性和可靠性對自動駕駛至關重要，因此這些模型應盡可能準確。它們應精確反映傳感器在各種條件下如何與環境交互，以及這種交互將如何影響傳感器原始數據的質量。了解傳感器在任何條件下的行為并獲得物理上真實的傳感器模型可以通過光學外推模型來實現。光線追蹤技術或電磁求解器是構建包含發射特征（即光功率、波長和波前）以及傳播、相互作用和接收特征的模型的關鍵資產。公司已經聯手支持LiDAR參數模型;LeddarTech與dSPACE的合作就是一個例子。

傳感器模型將能夠仿真不同的傳感器概念和組合，并在不組裝整個系統的情況下驗證傳感器設計要求。為了完全可靠，還有很長的路要走，并且還有補充功能可以添加到這些模型中，例如人為錯誤（缺失點，密度不均勻）或系統錯誤，這些錯誤將重現“制造”傳感器而不是“設計”傳感器。

優化集成

在車輛中集成LiDAR和攝像頭的最佳位置在哪里？數字孿生模擬可以幫助回答這個問題。雷達系統已經很好地集成到車身中，但集成LiDAR和攝像頭系統是一個挑戰。系統必須表現良好，同時考慮美觀、灰塵和污垢以及發動機熱量等因素。例如，您可以將LiDAR或攝像頭放置在車輛格柵或保險杠中，但存在發動機熱量或道路碎屑干擾光學性能的風險。將這些系統集成到車輛前照燈中似乎是最好的折衷方案。一些公司已經聯手實現這種整合。

除了物理上逼真的虛擬環境外，要將傳感器優化集成到車輛中，還需要為每個傳感器提供一個多物理場模型。這可確保仿真將傳感器特征以及直接環境的元素（例如來自附近前照燈的熱量或寄生光）考慮在內。

避免數據泛濫

最后但并非最不重要的一點是，傳感器處理時間是一個重要問題，尤其是當自動駕駛汽車快速移動并且需要對關鍵場景做出快速反應時。自動駕駛汽車中使用的機器學習算法從原始數據中提取見解，以確定道路狀況并做出決策。這可能包括行人位置、道路狀況、光照水平、駕駛條件和車輛周圍的物體。

隨著更好的圖像傳感器和視覺處理器的發展，可以提高前置攝像頭的性能水平。LiDAR 系統正在提供越來越精確的 3D 地圖。這些因素會產生大量必須在邊緣處理的數據。一輛自動駕駛汽車每天可能處理多達4 TB的數據，而普通互聯網用戶每天處理約1.5 GB的數據。

傳感器模型與虛擬環境和特定場景或用例相結合，可以生成可以饋送和訓練算法的合成數據集。這將優化它們的效率、延遲、可靠性，最重要的是，它們在任何環境中的整體安全性，而不是預定義的虛擬環境。所有數據集都必須在幾分之一秒內處理完畢，這是傳感器模型有助于實現系統級優化的另一個領域。

超越

在這篇博文中，我概述了為什么物理逼真的傳感器模型是自動駕駛的關鍵構建塊：它們支持虛擬測試、集成優化和軟硬件系統級設計。引用Mobileye首席執行官兼創始人Shashua教授的話，“只有當所有技術部分都構建為一個單一的集成系統，實現其所有部件之間的協同效應時，自動駕駛汽車才能成功。構建從硅到全自動駕駛系統的全棧是一項艱巨的任務。[1] 光學、電氣和機械設計軟件是支持這一愿景并構建我們需要的物理真實和高保真模型的關鍵工具。

審核編輯：郭婷