【導讀】對于高度自動化的汽車來說，它們必須依靠很多傳感器，包括攝像頭、雷達、超聲波、GPS天線和利用光脈沖測距的激光雷達。讓無人駕駛汽車看到路面、閱讀交通標志、檢測物體、分類、感知速度/軌跡和其他車輛并不容易——更重要的是，將它定位在地圖上，以便其確切知道必須去哪里。但每種傳感器都有其自身的弱點和優勢……
安裝在汽車上的一系列傳感器技術（來源：Yole Développement）
我們首先應弄清楚，如何最好地填補傳感器固有的缺陷。第二步可能更為重要，即制定最好的策略，將不同的數據流結合起來，而不會丟失關鍵信息。每種傳感器以其自身的幀速率傳送數據就相當有問題。傳感器融合則變得更加復雜——因為一些傳感器提供原始數據，而其他傳感器則提供它們自己的對象數據答案。
2017年，我們看到了感知技術方面的一系列進步。“感知是自動駕駛汽車軟件棧的一個主要領域，而且這里還有很多創新。”VSI Labs創始人兼負責人Phil Magney表示。
科技公司、一級供應商和OEM廠商一直在忙于搶奪它們沒有或無法自主開發的傳感器技術。與此同時，僅在過去兩年就出現了許多感知傳感器創業公司，它們中有許多都在關注尚處于萌芽階段的自動駕駛汽車市場。
英特爾收購Mobileye
2017年最大的汽車行業交易是英特爾以153億美元收購Mobileye。
考慮到Mobileye已經在ADAS和自動駕駛汽車的汽車視覺中占據了明顯的領先地位，Mobileye的收購使英特爾在自動駕駛汽車的競爭中穩穩地站在了有利地位。
特別是，考慮到視覺是自動駕駛汽車中唯一不可或缺的傳感器技術，這個交易非常重要。英特爾表示，其正在將Mobileye的“計算機視覺、傳感、融合、地圖構建和驅動策略”與英特爾的“開放式計算平臺”相結合。
Magney將攝像頭描述為“必備的傳感器”，他解釋說，能夠以高分辨率捕捉圖像，將能使攝像頭更好地分類物體。攝像頭也增加了顏色。那它們的弱點是什么？“攝像頭的深度不如激光雷達。”Magney補充說。
激光雷達：“最熱門的領域”
在所有傳感器技術中，激光雷達是2017年交易量最大的市場。“例如，去年福特收購了普林斯頓光波；通用汽車收購了激光雷達公司Strobe；大陸公司收購了Advanced Scientific Concepts（ASC）的激光雷達業務。”IHS Markit的汽車電子和半導體高級分析師Akhilesh Kona解釋說。
VSI Labs的Magney稱激光雷達“仍然是最熱門的領域”。部分原因是激光雷達在自動駕駛中有相當多的用途。“高度自動化的汽車需要一個具有定位資產的基本地圖，對此沒有任何東西能夠取代激光雷達。”他表示，“這是高端產品競爭的地方。”
新的激光技術的出現也可以追溯到熱門的激光雷達市場。據IHS Markit的Kona表示，業界正在出現一種新的激光發射器技術——波長高于1,400nm。這種新的波長在激光雷達上會有更高的分辨率和更長的射程。普林斯頓光波、大陸（通過收購ASC）和Luminar Technologies三家公司都在研究新的激光器，他補充說。
不同類型激光雷達的比較（來源：IHS Markit）
與此同時，供應商通過開發各種光束控制技術，不斷提高激光雷達的耐用性、尺寸和成本。這些技術既有機械也有MEMS和固態。
據Magney所述，機械激光雷達（例如Velodyne 128通道產品）由于可以產生360度的點云，非常適合地圖構建。
但是對于量產汽車的部署，基于固態器件（MEMS或OPA（光學相控陣））的激光雷達非常好使，Magney說。它們也可以在自己的視野內產生一個點云。
成本更低Flash器件也在出現。它們中有一些被設計成接近探測器，成本低于100美元，Magney表示。缺點是分辨率有限，無法對物體進行分類，他解釋說。
毫米波雷達
當激光雷達大步向前進時，雷達也沒有停下腳步。繼恩智浦半導體在2016年首次推出CMOS工藝的77GHz微型雷達芯片后，德州儀器去年也進入毫米波雷達市場。該公司現在宣稱具有最小尺寸的CMOS傳感器產品組合。
在雷達市場，競爭的重點在于尺寸和精度。TI現在宣稱是“分辨率小于4cm的高精度獨立傳感”。
TI的汽車毫米波雷達傳感器將射頻（RF）和模擬功能與數字控制功能集成到了一個芯片中。（來源：TI）
Magney表示：“我們對雷達的進展感到愜意。毫米波雷達很熱。”他評論道：“雷達的分辨率越來越高，現在也可以分類物體，這是以前做不到的。”
然而，更好的分辨率需要更多的通道，這意味著更多的數據需要處理。“所以毫米波雷達需要有專門的處理器來處理這些數據，產生物體或者點云，”Magney指出。此外，毫米波雷達需要有開發工具來搭建應用。否則，這些數據很難被理解。
雷達除了能全天候工作外，往往會受到負面評價。傳統的汽車雷達看不到攝像頭或激光雷達所能看到的物體。更具體地說，雷達看不到遙遠的物體，不能辨別它們看到的東西。它們的處理速度不足以達到高速公路的要求。
模擬波束成形
2017年1月成立的創業公司Metawave，希望通過開發模擬波束成形技術來改變這種狀況。
利用PARC將超材料、雷達和天線商業化的獨家授權，Metawave在本月的CES消費電子展上推出了該公司“全套雷達套件”的原型。該公司的超材料是布置在PCB板上的小型軟件控制工程結構。據稱，這些結構能夠以特殊的方式控制電磁波束，這在以前通常只有在體積大得多、更強大和成本更高的軍用系統中才能實現。
Metawave的模擬雷達技術是基于電子可控天線。它使用一根帶有兩個端口的天線：一個端口連接到Tx或Rx鏈路，另一個連接到MCU。MCU通過查找表來定義和控制天線波束寬度和方向，從而使Metawave的模擬雷達能夠實現微秒級速度的掃描。（來源：Metawave）
Metawave的全套雷達套件是雷達芯片不可知的。該公司宣稱其基于超材料的模擬波束成形技術可以精確控制雷達波束，在不犧牲分辨率的情況下實現更快的工作速度和更好的信噪比。
面向機器使用的成像數據
盡管Mobileye仍然是汽車視覺領域的領導者，Magney認為其他公司正在迎頭趕上。“任何人都可以獲得相同的成像器，構建適合于圖像識別的攝像頭。但問題是你需要合適的處理器和緊密集成的算法。”他補充道。
“但是對此，現在你也可以從幾家芯片公司中的任何一家選擇一款高性能視覺處理器，并應用自己的算法。或者，你也可以用CNN（卷積神經網絡）來完成這項工作。”Magney總結道，“目前，自動駕駛汽車的制造商在攝像頭方面有了選擇。許多公司會將AI應用于圖像來獲得結果。”
然后是Chronocam。這家總部位于巴黎的創業公司的傳感器技術不是面向人類使用，而是面向機器傳感和檢測設計；該公司認為，這項技術可以徹底改變當今CMOS圖像傳感器市場。Chronocam的事件驅動傳感器還很新，尚未在任何商用車上使用，但這項技術正受到關注。例如，雷諾集團于2016年底與Chronocam達成了戰略發展協議。
正如Chronocam的CEO在接受本刊采訪時表示，英特爾、Nvidia等GPU/CPU領域的大公司仍在試圖找出更準確、更快速處理大量數據的最佳方式。然而，Chronocam專注的是針對機器應用簡化和定制的成像數據采集。事件驅動傳感器的目標是顯著減少數據負載，使汽車幾乎可以做出實時決策。
定位
使汽車具有“自我意識”的第一步是地圖構建，而與汽車在預先制作的地圖上看到的內容進行實時匹配。然后，汽車可以對其位置進行三角測量和定位。“汽車必須確切知道它必須去哪里，”Magney說，以便它可以發展“情境感知”。
換句話說，如果希望高度自動化的車輛能準確定位，它們需要激光雷達。它們需要一個具有定位資產的基本地圖，對此沒有任何東西可以替代激光雷達，Magney指出。
但是，還有其他方法可以做到這一點。例如，Nvidia的DriveWorks SDK可以實現基于圖像的定位。DriveWorks的庫包括地圖定位、高清地圖接口以及自我運動。
實時動態定位（RTK）是另一種選擇，Magney補充說。RTK可增強來自全球導航衛星系統（如GPS、GLONASS、伽利略和北斗）的位置數據的精度。“你可能運氣不錯，但是在城市地區，由于RTK需要高度依賴衛星，我們認為它不會那么好地工作。”Magney表示。
與此同時，英特爾/Mobileye正在推廣其面向定位的道路體驗管理（REM）技術。Mobileye希望通過利用基于攝像頭的ADAS系統的涌現，利用人群的力量來準實時地建立和維護一個精確的環境地圖。
初創企業在定位方面也有發揮的空間。據悉，初創公司DeepMap正在為第4/第5級自動駕駛汽車解決高清地圖構建和定位以及大數據管理方面的挑戰。Magney指出，DeepMap正在通過使用攝像頭圖像和激光雷達數據來改進當前的數字地圖。該公司計劃打包一個服務，而不是一個產品，他補充說。
傳感器融合
隨著自動駕駛汽車收集到所有的傳感數據，最重要的就是傳感器融合的質量。傳感器融合的結果決定了自動駕駛汽車的決策和行為，也即安全問題。
自動駕駛汽車僅采用一個傳感器不可能實現可靠駕駛，因此必須進行傳感器融合。但Magney補充說：“因為你必須同步所有傳感器信號，所以融合是很難的。”
關于是融合“對象”數據還是“原始”數據，業界的爭論才剛剛開始。目前沒有明確的答案。
與對象數據相比，由于原始數據在轉換中沒有任何東西丟失，AI的大多數支持者更喜歡融合這種數據，Magney表示。但他補充說，與原始數據融合有關的問題包括：你將需要大量的處理；你還需要有GB大小的網絡來將這些信號傳送到整個車輛中。
DeepScale公司開發了一種感知技術，可以采集原始數據，而不是對象數據，可以在嵌入式處理器上加速傳感器融合。DeepScale正在利用自己的深度神經網絡（DNN）白手起家——其不僅使用了圖像傳感器的原始數據，還使用了雷達和激光雷達的原始數據。
DeepScale開發用于早期傳感器融合的深度神經網絡（來源：DeepSacle）
DeepScale在后期融合中遇到了一個固有問題。創建對象時，與其他傳感數據相關的原始數據可能會丟失。
接下來按照字母順序列出一些傳感器公司——包括最近被成熟OEM廠商收購的初創公司和風投公司——它們可能會影響到2018年的自動駕駛汽車發展（感興趣的讀者可點擊公司鏈接或閱讀原文了解）。
Aeva Inc.：http://www.aeva.ai/
AEye Inc.：https://aeye.ai/
Arbe Robotics：http://www.arberobotics.com/
Autoliv, Inc.：https://www.autoliv.com/
Chirp Microsystems：http://www.chirpmicro.com/
Chronocam
DeepMap：www.deepmap.ai/
DeepScale：http://deepscale.ai/
Fisker Inc.：https://www.fiskerinc.com/
LeddarTech：https://leddartech.com/
Metawave：https://www.metawave.co/
Omron：https://www.omron.com/
Ouster：www.ouster.io/
Princeton Lightwave, Inc./Argo AI：https://www.argo.ai/
Renesas Electronics/Dibotics：http://www.dibotics.com/
Innoviz Technologies：https://innoviz.tech/
Luminar：https://www.luminartech.com/
TetraVue：www.tetravue.com/
本文轉載自電子技術設計。
