自动驾驶汽车的未来趋势：集中式传感器融合

卡尔-托马斯·诺伊曼，欧宝和大陆集团前首席执行官

Ava Radar技术副总裁兼总经理Steven Hong表示，目前大多数自动驾驶汽车都依赖于传感器融合。它涉及分析来自毫米波雷达、激光雷达和摄像机的多传感器数据，并根据收集环境信息的指南进行整合。正如自动驾驶汽车行业巨头所证明的那样，多传感器融合可以提高自动驾驶汽车系统的性能，从而使车辆更安全。然而，并非所有的传感器融合都会产生相同的效果。虽然许多自动驾驶汽车制造商依赖于“目标级”传感器融合，但只有集中式传感器补充才能为自动驾驶系统提供最佳驾驶决策所需的信息。然后，我们将讨论目标水平融合和集中传感器补充之间的区别，以及为什么集中传感器补充是必不可少的。集中式传感器补充可以保留原始传感器数据，从而做出更准确的决策自动驾驶系统通常依赖于一组专用的传感器来收集有关环境的原始数据。如图所示，每种类型的传感器都有其优点和缺点。

毫米波雷达、激光雷达和摄像机多传感器的组合可最大限度地提高收集数据的质量和数量，并生成完整的环境图像。尽管多传感器融合相对于单独处理传感器的优势已被自动驾驶汽车制造商普遍接受，但这种融合通常发生在“目标级”后处理阶段。在该模型中，对象数据的收集、处理、融合和分类都发生在传感器级别。但是，在数据集成处理之前，各个传感器通过预先对信息进行单独过滤，几乎也消除了自动驾驶决策所需的所有背景信息，因此很难满足未来自动驾驶算法的需求。中央传感器的前端融合避免了这种风险。毫米波雷达、激光雷达和摄像头传感器将低级原始数据发送到车辆的中央域控制器进行处理。这种方法最大限度地提高了自动驾驶系统获取的信息量，并确保算法能够获取所有有价值的信息，从而比目标级别的融合更好地做出决策。人工智能增强毫米波雷达通过集中处理大大提高了自动驾驶系统的性能

自动驾驶系统已经在集中处理摄像头数据。然而，当涉及到毫米波雷达数据时，集中处理仍然不现实。高性能毫米波雷达通常需要数百个天线信道，这大大增加了所产生的数据量。因此，当地处理将是一个更具成本效益的选择。然而，Amba的AI增强毫米波雷达识别算法可以提高雷达角分辨率和性能，而不需要额外的物理天线。来自较少通道的原始雷达数据可以通过标准汽车以太网等接口以低成本传输到中央处理单元。当自动驾驶系统将原始人工智能增强雷达数据与原始摄像头数据融合在一起时，它们可以利用这两种互补的传感来创建环境的完整图像，从而使集成结果超越单个传感器所提供的信息，从而更加全面。更新毫米波雷达将有助于降低成本并提高自动驾驶系统的性能。在传统低成本雷达的批量生产中，毫米波雷达的价格低于50美元，比激光雷达的目标成本低了一个数量级。人工智能雷达与无处不在的低成本摄像头传感器相结合，提供了可接受的精度，这对于自动驾驶汽车的大规模生产至关重要。激光雷达传感器与执行AI算法的摄像机/毫米波雷达感知融合系统重叠，如果激光雷达的成本逐渐下降，它们可以作为L4/L5自动驾驶系统中摄像机+毫米波雷达的安全冗余。通过算法优先的中央处理架构深化传感器融合优化自动驾驶系统性能当前目标级传感器融合存在局限性。这是因为前端传感器配备了本地处理器，限制了每个智能传感器的尺寸、功耗和资源分配，进一步限制了整个自动驾驶系统的性能。此外，大量的数据处理会迅速耗尽车辆的动力，从而缩短车辆的行驶里程。相反，算法优先的中央处理架构实现了所谓的深度集中式传感器补充。该技术利用最先进的半导体工艺节点来优化自动驾驶系统的性能，其处理能力动态分布在所有传感器上，并根据驾驶场景改善各种传感器和数据的移动能力。通过获取高质量、低水平的原始数据，CPU可以做出更智能、更准确的驾驶决策。自动驾驶汽车制造商将低功耗毫米波雷达和摄像头传感器与最先进的算法优先应用特定处理器（如最近发布的Amba5nm工艺CV3AI电源控制芯片）相结合，以提供最佳的传感和路径规划性能以及最高的能效比。它可以大大增加每辆自动驾驶汽车的行驶里程，并减少电池消耗。不要丢弃传感器--投资集成自动驾驶系统需要各种数据来做出正确的驾驶决策。只有深度集中的传感器融合才能提供最佳自动驾驶系统性能和安全性所需的广泛数据。在我们的理想模型中，低功耗、人工智能增强的毫米波雷达和摄像头传感器在本地连接到自动驾驶汽车周围的嵌入式处理器。2.嵌入式处理器将原始的检查水平对象数据发送到中央域SoC。3.它使用人工智能和中央域处理器来分析复合数据，以识别物体并做出驾驶决策。集中式传感器融合改进了现有的高级融合架构，使使用传感器融合的自动驾驶汽车更加健壮和可靠。为了获得这些优势，自动驾驶汽车制造商必须投资算法优先的中央处理单元、支持人工智能的毫米波雷达和摄像头传感器。通过大量的努力，人工智能制造商可以在自动驾驶汽车发展的下一阶段引领技术变革。