未來(lái)的自動(dòng)駕駛汽車(chē)會(huì )是什么樣？

　　在未來(lái)20 - 30年中，自動(dòng)駕駛汽車(chē)(AV)將改變我們的駕駛習慣、運輸行業(yè)并更廣泛地影響社會(huì )。 我們不僅能夠將汽車(chē)召喚到我們的家門(mén)口并在使用后將其送走，自動(dòng)駕駛汽車(chē)還將挑戰個(gè)人擁有汽車(chē)的想法，并對環(huán)境和擁堵產(chǎn)生積極影響。市場(chǎng)調研公司ABI Research預測：到2030年，道路上四分之一的汽車(chē)將會(huì )是自動(dòng)駕駛汽車(chē)。

　　行業(yè)專(zhuān)家已經(jīng)為自動(dòng)駕駛的發(fā)展定義了五個(gè)級別。 每個(gè)級別分別描述了汽車(chē)從駕駛員那里接管各項任務(wù)和責任的程度，以及汽車(chē)和駕駛員之間如何互動(dòng)。 諸如自適應巡航控制這類(lèi)功能是先進(jìn)駕駛員輔助系統(ADAS)的示例，并且可以被認為是第1級的能力。 目前，市場(chǎng)上出現的一些新車(chē)正在實(shí)現第2級功能;但作為一個(gè)行業(yè)，我們僅僅是才觸及ADAS系統的表面，更不用說(shuō)完全自主駕駛了。

　　自動(dòng)駕駛的級別

　　當我們去逐級實(shí)現自動(dòng)駕駛的不同級別時(shí)，處理能力對于實(shí)現完全自動(dòng)化這一愿景至關(guān)重要，此時(shí)駕駛員可以“放開(kāi)方向盤(pán)、移開(kāi)目光和放飛心靈”。 在這個(gè)級別上，車(chē)內的人只是乘客;同時(shí)因為沒(méi)有司機，所以也不需要方向盤(pán)。 然而，在我們實(shí)現該目標之前，我們應該首先了解從非自動(dòng)駕駛到完全自動(dòng)駕駛之間的各種級別。

　　ADAS/AV有三個(gè)主要元素：傳感、計算和執行。

　　用感知去捕捉車(chē)輛周?chē)h(huán)境的現狀。 這是靠使用一組傳感器來(lái)完成的：雷達(長(cháng)距離和中距離)，激光雷達(長(cháng)距離)，攝像頭(短距離/中距離)，以及紅外線(xiàn)和超聲波。 這些“感官”中的每一種都能捕捉到它所“看到”的周?chē)h(huán)境的變體。 它在此視圖中定位感興趣的和重要的對象，例如汽車(chē)、行人、道路標識、動(dòng)物和道路拐彎。

示意圖：汽車(chē)從激光雷達、雷達和攝像頭中看到的視圖

　　計算階段是決策階段。 在這個(gè)階段中，來(lái)自這些不同視圖的信息被拼合在一起，以更好地理解汽車(chē)“看到”的內容。 例如，場(chǎng)景中到底發(fā)生了什么? 移動(dòng)物體在哪里? 預計的動(dòng)作是什么?以及汽車(chē)應該采取哪些修正措施? 是否需要制動(dòng)和/或是否需要轉入另一條車(chē)道以確保安全?

　　執行即最后階段是汽車(chē)應用這一決策并采取行動(dòng)，汽車(chē)可能會(huì )取代駕駛員。 它可能是制動(dòng)、加速或轉向更安全的路徑;這可能是因為駕駛員沒(méi)有注意到警告，及時(shí)采取行動(dòng)并且即將發(fā)生碰撞，或者它可能是完全自主系統的標準操作。

　　第2級實(shí)際上是ADAS路徑的起點(diǎn)，其中可能在安全解決方案包中制定多種單獨的功能，例如自動(dòng)緊急制動(dòng)、車(chē)道偏離警告或輔助保持在車(chē)道中行駛。

　　第3級是諸如2018款奧迪A8等目前已量產(chǎn)汽車(chē)的最前沿，這意味著(zhù)駕駛員可以“移開(kāi)目光”一段時(shí)間，但必須能夠在出現問(wèn)題時(shí)立即接管。

　　第4級和第5級兩者都可提供基本上是完全的自動(dòng)駕駛。 它們之間的區別在于：第4級駕駛將限于諸如主要高速公路和智慧城市這樣的具有地理緩沖的區域，因為它們會(huì )重度依靠路邊的基礎設施來(lái)維持其所在位置的毫米級精度畫(huà)面。

　　第5級車(chē)輛將可在任何地點(diǎn)實(shí)現自動(dòng)駕駛。在這個(gè)級別，汽車(chē)甚至可能沒(méi)有方向盤(pán)，并且座椅可以不是都面向前方。

　　自動(dòng)駕駛所需的處理能力

　　在自動(dòng)駕駛的每個(gè)級別上，應對所有數據所需的處理能力隨級別的提升而迅速增加。根據經(jīng)驗，可以預計從一個(gè)級別到下一個(gè)級別的數據處理量將增加10倍。 對于完全自動(dòng)駕駛的第4級和第5級，我們將看到數十萬(wàn)億次浮點(diǎn)運算的處理量。

　　從傳感器的角度來(lái)看，下表為您提供了其需求量的一個(gè)指引。 第4級和第5級將需要多達八個(gè)攝像頭，盡管人們甚至已經(jīng)提出了需要更高的攝像頭數量。 圖像捕獲裝置的分辨率為2百萬(wàn)像素，幀速為30-60幀/秒，所以要實(shí)時(shí)處理所有這些信息是一項巨大的處理任務(wù)。對于車(chē)上的雷達，其數量可能需要多達10臺以上，這是因為需要在22GHz和77GHz之間搭配使用短距離、中距離和長(cháng)距離(100m 以上)的雷達。即使在第2級，仍然需要對從攝像頭和雷達捕獲的數據進(jìn)行大量處理。

示意圖：自動(dòng)駕駛和應用的不同級別

　　對于處理能力，我們將關(guān)注攝像頭需要做什么，這是因為它與前置雷達一起是支撐諸如在特斯拉中使用的自動(dòng)駕駛儀的主要傳感器。

　　攝像頭系統通常是廣角單攝或立體雙攝，在車(chē)上呈前向或以環(huán)繞視場(chǎng)(360°)配置。 與雷達和激光雷達不同，攝像頭感應設備取決于處理輸入的軟件的功能;攝像頭的分辨率很重要，但沒(méi)有達到你想象的程度。

　　為簡(jiǎn)化處理過(guò)程，我們使用了一種被稱(chēng)為卷積神經(jīng)網(wǎng)絡(luò )(CNN)的重要算法。CNN是從攝像頭源中提取和分辨信息的一種高度專(zhuān)業(yè)化和高效的方法。在我們的汽車(chē)案例中，它從攝像頭獲取輸入并識別車(chē)道標記、障礙物和動(dòng)物等。CNN不僅能夠完成雷達和激光雷達所能做的所有事情，而且能夠在更多方面發(fā)揮作用，例如閱讀交通標識、檢測交通燈信號和道路的組成等。事實(shí)上，某些一級供應商(Tier 1)和汽車(chē)原始設備制造商(OEM)正在研究通過(guò)攝像頭和雷達組合來(lái)降低成本。

　　CNN將機器學(xué)習的元素帶入汽車(chē)。神經(jīng)網(wǎng)絡(luò )的結構都普遍基于我們自己大腦的連線(xiàn)結構。人們首先必須選擇想要實(shí)現的網(wǎng)絡(luò )類(lèi)型，以及其按照層數來(lái)決定的深度。 每層實(shí)際上是前一層和后一層之間的一組互連節點(diǎn)。為了實(shí)現神經(jīng)網(wǎng)絡(luò )，大量的智能訓練數據將被應用于它;這是一種高度計算密集型的操作，大多數情況下是離線(xiàn)進(jìn)行的。對于諸如一種道路情況的圖像和視頻這樣的每一次通過(guò)，網(wǎng)絡(luò )通過(guò)調整各層內的相關(guān)因素來(lái)進(jìn)行學(xué)習。當訓練數據通過(guò)它時(shí)，這些相關(guān)因素可以從數百萬(wàn)次數據分析中得到提升。 一旦完成訓練，就可以將網(wǎng)絡(luò )和相關(guān)因素加載到諸如CPU或GPU計算或特定CNN加速器之類(lèi)的結構中。

　　這種類(lèi)型的算法和網(wǎng)絡(luò )的優(yōu)點(diǎn)之一是它可以用更新的或更好的相關(guān)因素去升級，因此它總是在不斷改進(jìn)。經(jīng)過(guò)廣泛的比較，我們發(fā)現在GPU計算模式上運行的CNN比在當前高端嵌入式多核CPU上快20倍且功耗也低得多。同樣，伴隨著(zhù)CNN向硬件加速方向發(fā)展，我們也已看到性能還可進(jìn)一步提高20倍，而且在功耗上也可進(jìn)一步改善。

　　展望未來(lái)

　　隨著(zhù)我們走向采用無(wú)人駕駛汽車(chē)的未來(lái)，所需的計算能力將隨著(zhù)傳感器的數量、幀速和分辨率而擴展。 從性能和功率兩個(gè)角度來(lái)看，卷積神經(jīng)網(wǎng)絡(luò )正在成為解釋圖像數據的最有效方式。 這將引領(lǐng)在網(wǎng)絡(luò )的邊緣放置更多處理資源的趨勢，例如在汽車(chē)案例中，計算資源是在汽車(chē)自身內部，而不是將該處理能力卸載到云并且依賴(lài)于始終在線(xiàn)的蜂窩連接。 對于那些提供處理能力、算法和訓練數據的人來(lái)說(shuō)，自動(dòng)駕駛潛藏著(zhù)巨大的機會(huì )并將成為現實(shí)。