看到前方的路
通往全自动、自动驾驶汽车的道路
尽管这些进步还没有完全取代人类的驾驶地位,但这样做可以挽救生命。根据美国国家公路交通安全管理局(National Highway Traffic Safety Administration)的最新数据,美国在2018年有近3.6万人死于交通事故,其中超过90%的事故是由人为失误造成的。在过去的十年中,行人死亡人数上升了35%,达到每年6000多人。汽车感知技术可以比人类更好地“看到”周围的环境,并能更快地做出反应,这将极大地减少伤害和死亡。
虽然人们一致认为,感知技术将超越人类对驾驶环境的视觉和感知能力,但这就是协议的终点。汽车行业还没有就一项将引领我们进入无人驾驶汽车时代的技术达成共识。事实上,解决方案可能需要不止一个。以下是三家提升汽车感知能力的科技公司,它们将引领全自动、自动驾驶汽车的未来。
“我们专注于长期范围和高分辨率,这在汽车雷达非常最困难的问题。”
阿卜杜拉·扎伊迪,Metawave工程总监
Beamsteering雷达
自20世纪初以来,雷达一直被用来帮助船只和飞机导航。该算法具有检测和识别目标的能力,能在复杂条件下提供准确的速度信息,是自动驾驶的理想选择。
工程师在加州Metawave正在推动雷达的极限认识到在所有天气条件下和在漆黑的夜晚其他汽车,行人,静止的环境,道路危险,等等。其模拟雷达平台,称为SPEKTRA™,形成毫秒内窄波束和阉牛它用于检测和分类的对象。阿卜杜拉扎伊迪,在Metawave工程总监说,他们的技术在汽车领域的最高分辨率的模拟雷达。它可以看到行人距离酒店250米,并承认车相距330米。
它也可以精确地测量两个对象之间的小距离,称为角分辨率,这给雷达彼此区分对象的能力。“这是不是说目前的雷达能做到,”扎伊迪说。
SPEKTRA扫描环境的方式也不同。与传统的一次性捕获所有信息的数字雷达系统不同,Metawave的雷达工作起来更像激光束,一次只能看到一个特定的空间区域。光束快速扫过环境,在几毫秒内探测并分类车辆视野内的所有物体。Metawave的方法增加了范围和精度,同时减少了干扰和杂波的概率,所有这些都只需要很少的计算开销。“我们专注于远距离和高分辨率,这是当今汽车雷达最难解决的问题,”Zaidi说。
Metawave的工程师使用MATLAB®测试SPEKTRA雷达的距离和分辨率,并创建处理雷达输出的底层算法。该技术赋予汽车自动驾驶功能,如左转辅助、盲点监控、自动紧急制动、自适应巡航控制和车道辅助。
智能激光雷达
第一批自动驾驶汽车是由美国国防部高级研究计划局(DARPA)赞助的一项竞赛开发的,其中一些使用激光系统来“观察”环境。光探测和测距(激光雷达)传感系统每秒钟发出数千个光脉冲,从周围物体反弹并反射回车辆。在那里,计算机使用每一个被称为体素的数据点来重建环境的三维图像,并最终控制汽车如何移动。
然而,激光雷达非常昂贵,每辆车的成本超过7万美元。单独使用它有其局限性。恶劣的天气会干扰信号,因此它通常与其他传感技术相结合,如照相机、雷达或超声波。但这会产生大量冗余和不相关的信息,中央计算机必须对这些信息进行解析AEye总部设在都柏林,加利福尼亚州。
“我们的最终目标是开发出一种与人类一样好、甚至更好的感知系统。”
Barry Behnken, AEye的联合创始人和高级副总裁
那里的工程师将激光雷达与高分辨率摄像机融合,从而提高了激光雷达的能力。他们的系统被称为iDAR,用于智能探测和测距,它创建了一种新型的数据点,将数码相机的高分辨率像素与激光雷达的3D体素融合在一起。他们称这些点为动态Vixels。由于激光脉冲和摄像机通过相同的光阑采集光信息,因此可以同时对数据流进行集成和分析,从而节省了时间和处理能力。
不同于传统的激光雷达系统,该系统在整个环境同样扫描场景,伊达尔调整其光脉冲模式给现场的关键领域更多的关注。凡直接由AEye的计算机视觉算法确定的脉冲。他们首先分析了相机数据搜索和检测物体的边缘,然后与较高分辨率激光雷达扫描,分类,跟踪立即零,并预测这些物体的运动。工程师使用MATLAB,以确保算法使用的是最好,最有效的光脉冲调制模式可以扫描现场。
Behnken说:“我们试图在传感器端做尽可能多的感知,以减少车辆中央计算端的负载。”他说,更快地捕捉到更好的信息可以产生更准确的感知,同时比传统的解决方案使用更少的激光功率。万博 尤文图斯他说:“我们的最终目标是开发出一种与人类一样或更好的感知系统。”
热浪
激光雷达、雷达和摄像机技术的进步将有助于将自动驾驶技术推向未来。但是没有一个传感器可以单独完成这项工作。该公司副总裁兼首席技术官Gene Petilli说:“它们各有长处,也各有弱点。猫头鹰自治成像总部位于纽约费尔波特(Fairport)。
传统的激光雷达非常精确,但是雪、雨和雾降低了它分辨有生命物体和无生命物体的能力,Petilli说。另一方面,传统的雷达能看透雪,在远距离上表现优异,能判断物体的相对速度,但仅靠它无法分辨出那些物体是什么。照相机可以识别交通信号灯和路牌,但眩光会破坏质量,而且在晚上,它们只能看到前灯所照射的东西。
Petilli说:“关键是要选择一套没有相同弱点的传感器。”
猫头鹰的AI与3D热成像缝隙填充球队,这感觉加热由人与动物放出的签名,并大大简化对象分类。所谓的热测距™,该公司的传感器是一种无源系统,这意味着它不必发射能量或光,等待,直到它反弹回来 - 这可以拿起一个生命的物体的红外热。它看到的对象,无论是移动还是静止,在白天或黑夜,在任何天气条件下,高达400米的距离,并能计算出物体的三维范围和速度可达100米。
该设备由一个主镜头组成,类似于普通相机,加上一组位于主镜头和探测器之间的非常小的镜头。阵列将场景分割成马赛克图像,每个图像从不同的角度观察感兴趣的对象。一种算法通过测量图像之间的细微差别来计算物体的距离。
Petilli说公司正在使用MATLAB来完善这个系统。因为他们试图测量微透镜阵列中元素之间非常小的差异,透镜中的任何畸变都会在范围计算中产生误差。因此,他们在MATLAB中对整个系统进行建模,以完善针对镜头畸变的校正算法。他们还进行了驾驶模拟,以训练深层神经网络AI算法,从而生成3D热图像。深度学习将用于评估神经网络算法,将图像的马赛克转换成三维地图。
Petilli说:“除非自动驾驶汽车比人类驾驶更安全,否则它不会被公众所接受。”
加强安全
车辆感知技术是提供安全的自动驾驶体验的关键。为了实现全自动、自动驾驶汽车的承诺,科技公司正在使用人工智能和计算机视觉来帮助汽车看到和感知它们的环境。尽管全自动驾驶汽车还不是标准,但这些公司在改进新车安全系统的同时,也拉近了我们的距离。