本
文
摘
要
车载传感器主要有三种类型：视觉（摄像头）、雷达和激光雷达（LiDAR）。虽然有些主机厂只使用一到两种类型传感器，但传感器在所有操作条件下都不是完美的，因此撇开成本问题，应该使用三种类型的传感器。不过，所以特斯拉的马斯克说，雷达是人都没有的感官，干嘛要装？人的视觉加大脑处理信息的模式就可以安全行驶。他更看中AI的作用。而与马斯克隔空互怼，打出安全牌的小鹏则声称：之后其自动驾驶要采用摄像头+毫米波雷达+超声波雷达+LiDAR的融合方式，传感器有四种之多！
这些传感器共同创造了冗余，使得感知系统更加强大，这一策略对安全至关重要，同时也保证了汽车在任何情况下都能运行。这些传感器每小时接收超过40兆字节数据，AI在处理这些数据方面起着关键作用——识别、分类和预测车辆周围发生的事情。
Aptiv高级副总裁、首席技术官Glen De Vos认为，对于自动驾驶汽车来说，AI的使用能够感知环境并采取行动最大限度地安全到达预定目的地。摄像头最早使用了AI，也是目前使用量最大的设备。为什么？因为只是摄像头没什么用。它捕捉图像，但不知道这些图像是什么，也不知道如何对它们做出反应。这就是AI和机器学习（ML）的用武之地。
当然，技术人员必须训练系统，对传感器收集的图像进行注释，以便可以告诉系统“那是一条狗，一只猫，一棵树，一个孩子，一个路标。”用于训练系统的图像越多，系统的性能就越好。这对于我们试图确定相机系统到底看到了什么对象的分类特别重要。
除了摄像头，还有雷达和LiDAR。虽然人类不可能轻易地看到雷达或LiDAR的图像，但令人兴奋的进展是，英伟达、英特尔等公司提供的AI工具可以用来训练系统，使它们比人类更好地解读雷达和LiDAR图像。如前所述，这些传感器捕获大量信息，这些信息必须通过车辆网络共享，并由车载计算平台进行处理。
利用处理的传感器信息就可以建立一个自动化车辆周围环境的实时模型。然后，使用AI来帮助我们预测环境中的所有对象（人、汽车、自行车等）正在做什么和将要做什么（也称为语义理解）。仅仅知道路边有行人是不够的，你还需要预测那个人会做什么。AI帮助我们发展这种语义理解，这样就可以根据特定情况调整车辆的行为。
基于大脑神经网络的软件的决定不是绝对的，而是有一定概率。例如，自动驾驶汽车能够衡量行人的概率，决定保持速度、停车或滑行。深度学习是一种帮助神经网络从理论到解决复杂问题（如自动驾驶）的有效方法。
神经网络软件根据概率做出决策最后，使用AI可以优化车辆的路径规划，在给定所有环境约束和变量的情况下求解最优路径。我们不可能为汽车遇到的每一种情况都制定一个规则，AI却可以帮助我们应对那些边角情况。在确定性框架内使用基于AI模块的方法可以分而治之：明确通用规则和策略控制车辆的总体行为；基于AI的算法帮助我们解决最复杂的边角案例。
围观网友互动现场，请戳：
https://www.eefocus.com/sensor/478200
