当前位置: 主页 > 能源技术 > 自动驾驶安全如何保障?底层传感器信号链才是关键!

自动驾驶安全如何保障?底层传感器信号链才是关键!

发布时间:2019-11-04 08:53内容来源:网络整理 点击:

  就像最初的登月一样,在通往安全自动驾驶车辆的道路上还存在许多障碍。最近发生的涉及自动驾驶车辆的事故助长了唱反调者的声势,他们认为车辆及其行驶环境太复杂,变数太多,而算法和软件仍然错误太多。对于参与了ISO26262功能安全合规性验证的任何人来说,他们对此持怀疑态度是可以理解的。这种怀疑态度有相关数据的支持,下图比较了2017年在硅谷测试的五家自动驾驶车辆公司的实际行驶里程数和脱离自动驾驶模式的次数(图1)。2019年的数据尚未汇总,但个别公司的报告可在网上查阅。

  图1. 五大自动驾驶制造商在加州的测试数据:每次脱离人为接管后自动驾驶系统的平均行驶英里数(2017年12月至2018年10月)。在这段时间内,总共有28家公司主动在在加州的公众场合对车辆进行了测试。期间,在自动驾驶模式下共行驶2,036,296英里,发生143,720次人为接管。

  但是目标已经很明确,当务之急是要在自动驾驶即将到来之时,保障至关重要的安全性。加州车辆管理局(DMV)2018年的非官方数据显示,同等英里数下,自动驾驶模式的人为接管次数正在减少,这也表明自动驾驶系统正变得越来越强大。而这种趋势需要进一步加快。

  通过将协作和新思维放在第一位,汽车制造商将直接与芯片供应商洽谈;传感器制造商将与AI算法开发人员讨论传感器融合;而软件开发人员将与硬件提供商建立联系,充分发挥两者的优势。旧的关系正在改变,新的关系正在动态地形成,以优化最终设计的性能、功能、可靠性、成本和安全性。

  生态系统正在寻求合适的模式,以便在此基础上制造和测试全自动驾驶车辆,用于快速涌现的新应用,如自动驾驶出租车(robo-taxi)和长途货车。在此过程中,高级驾驶辅助系统(ADAS)所使用的传感器不断改进,使得自动化程度快速提高。

  图2. 用于ADAS感知和车辆导航的各种传感技术往往独立工作,并向驾驶员发出预警,以便做出反应。

  这些传感器技术包括摄像头、激光探测与测距(LiDAR)、无线电探测与测距(radar)、微机电传感器(MEMS)、惯性测量单元(IMU)、超声波和GPS,所有这些都为人工智能系统提供关键的数据输入,从而驱动真正的自动驾驶车辆。

  车辆的认知能力是预测性安全的基石

  车辆的智能化程度通常用自动驾驶级别来表示。L1和L2主要是预警系统,而L3或更高级别的车辆被授权控制以避免事故。随着车辆发展到L5,方向盘将被取消,车辆完全自动驾驶。

  在最初的几代系统中,随着车辆开始具备L2功能,各个传感器系统独立工作。这些预警系统误报率较高,带来了不少麻烦,因此经常被关闭。

  为了实现具有认知能力的全自动驾驶车辆,传感器的数量将显著增加。此外,性能和响应速度也必须大幅提升(图3、图4)。

  图3. 为了确保自动驾驶车辆的安全,必须充分探测当前和历史状态、环境特性以及车辆自身状态(位置、速度、轨迹和机械状况)。

  图4. 自动驾驶等级和传感器要求。

  将更多传感器安装在车辆上后,还可以更好地监控和分析当前机械状况,如胎压、重量变化(例如,负载和无负载、一名乘客或五名乘客),以及可能影响制动和操控的其他磨损因素。有了更多的外部传感方式,车辆可以更充分地感知其行驶状况和周围环境。

  传感方式的改进使汽车能够识别环境的当前状态,并了解历史状态。这来自于ENSCO航空航天科学和工程部首席技术官Joseph Motola开发的原理。这种传感能力既可以完成一些简单的任务,例如探查道路状况,识别坑洼位置,也可以进行一些详细分析,比如一段时间内在特定区域发生的事故类型以及事故原因。

  在产生这些认知概念时,由于感测、处理、内存容量和网络连接的限制,使它们看起来似乎遥不可及。但现在情况已经大有改观。现在,系统可以访问这些历史数据,并将其与车辆传感器提供的实时数据相结合,以提供越来越准确的预防性措施,避免发生事故。

  例如,IMU可以检测到因坑洼或障碍物引起的突然跃起或偏离。过去,这些信息无处传输,但现在通过实时连接,可将这些数据发送到中央数据库,并用于警告其他车辆有关坑洼或障碍物的信息。摄像头、雷达、激光雷达和其他传感器数据也是如此。

  这些数据经过编译、分析和融合,使车辆能够利用这些数据对其行驶环境作出预判。这使车辆能够成为一台有学习能力的机器,有望做出比人类更好、更安全的决策。

  多方面决策和分析

  在提高车辆感知方面,现已取得了很大的进展。重点在于从各个传感器收集数据,并应用传感器融合策略,将互补优势发挥到极致,弥补不同传感器在各种条件下各自的弱点(图5)。

  图5. 每一种传感技术都有其各自的优缺点,但只要有适当的传感器融合策略,它们就可以优势互补并弥补弱点。

  不过,要想真正有效地解决行业面临的问题,仍有许多工作要做。例如,要提高摄像头计算横向速度的能力(也就是物体在与车辆行驶方向垂直的路径上移动的速度)。但是,要实现足够低的误报率,即使是最好的机器学习算法仍然需要大约300毫秒来进行横向移动检测。对于在以每小时60英里速度行驶的车 辆和在车辆前方行走的行人来说,毫秒之差就关系到人员受伤的轻重程度,因此响应时间至关重要

  300毫秒延迟是由系统从连续视频帧执行增量矢量计算所需的时间造成的。要进行可靠的检测,需要十个或以上连续帧,但我们必须将其降到一个或两个连续帧,以便给车辆足够的响应时间。雷达可以做到这一点。

顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------