虽然这些进步尚未完全取代驾驶员座位中的人，但这样做可以挽救生命。根据国家公路交通安全管理局的最新数字，美国近36,000人在2018年的交通事故中死亡 - 超过90％的人为错误造成的事故。在过去的十年中，行人死亡人数已在35％上升，每年达到6,000多个。车辆感知技术可以“看到”其周围的环境优于人类，并更快地反应可能会显着减少伤害和死亡。
虽然人们一致认为，感知技术将超越人类看到和感知驾驶环境的能力，但这只是共识的一部分。汽车行业尚未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。以下是三家致力于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。
“我们专注于远程和高分辨率，这是汽车雷达中最难解决的问题。”
阿卜杜拉·扎伊迪，Metawave的工程总监
Beamsteering雷达
从20世纪早期开始，雷达就被用来帮助船只和飞机导航。它能够检测和识别目标，并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在全天候和黑夜条件下，该公司正在突破雷达的极限，识别其他汽车、行人、静止环境、道路危险等。其模拟雷达平台称为SPEKTRA™, 形成窄波束，并在毫秒内引导它检测和分类物体。Metawave工程总监阿卜杜拉·扎伊迪（Abdullah Zaidi）表示，他们的技术是汽车行业分辨率最高的模拟雷达。它可以看到250米外的行人，识别330米外的车辆。
它还可以精确测量两个物体之间的小距离，称为角度分辨率，这使雷达能够区分一个物体和另一个物体。扎伊迪说：“这不是目前雷达所能做到的。”。
Metawave利用机器学习和AI构建模拟分子雷达系统。图片信用：Metawave Corp.
SPEKTRA扫描环境的方式也不同。传统的数字雷达系统可以一次性捕获所有信息，类似于一个强大的闪光灯照亮一个场景，Metawave的雷达更像一束激光，可以一次看到一个特定的空间区域。光束迅速扫过环境，在几毫秒内检测和分类车辆视野内的所有物体。Metawave的方法增加了距离和精度，同时减少了干扰和杂波的概率，所有这些都用很小的计算开销。“我们专注于远程和高分辨率，这是当今汽车雷达最难解决的问题，”扎伊迪说。
Metawave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。该技术使汽车具备了左转辅助、盲点监控、自动紧急制动、自适应巡航控制、车道辅助等自动驾驶功能。
智能激光雷达
首批自动驾驶汽车是由美国国防部高级研究计划局(DARPA)赞助的一项竞赛的一部分，其中一些汽车使用了基于激光的系统来“观察”环境。光探测和测距(激光雷达)传感系统每秒发射数千个光脉冲，这些光脉冲被周围的物体反射回车辆。在那里，计算机使用每个被称为体素的数据点来重建环境的三维图像，并最终控制汽车的移动。
IDAR在航空航天和国防行业找到了强大的传感能力到汽车市场。图片信用：AEYE，Inc。
恒星昂贵，每辆车超过70,000美元。并单独使用它有其局限性。恶劣天气干扰了该信号，因此它通常与其他传感技术相结合，例如摄像机，雷达或超声波。但是，可以产生一个压倒性的冗余和无关的信息，即中央计算机必须解析，Barry Behnken，Cofounder和高级副总裁Aeye.，总部位于加利福尼亚州都柏林。
“我们的终极目标是制定一个比人类更好或更好的感知系统。”
Barry Behnken, AEye联合创始人兼高级副总裁
使用高分辨率摄像机将其融合，工程师通过融合了先进的LIDAR功能。他们的系统称为IDAR，用于智能检测和测距，创建了一种新型数据点，该数据点与LIDAR的3D体素合并来自数码相机的高分辨率像素。他们称这些点是动态的vixels。因为激光脉冲和摄像机通过相同的光圈收集光学信息，所以数据流被集成并且可以同时分析，这节省了时间和处理能力。
与传统的激光雷达系统不同，传统的激光雷达系统在整个环境中均匀扫描一个场景，iDAR调整其光脉冲模式以给予场景的关键区域更多的关注。脉冲指向何处由AEye的计算机视觉算法决定。他们首先分析相机数据以搜索和检测对象的边缘，然后立即使用更高分辨率的激光雷达扫描对这些物体的运动进行分类、跟踪和预测。工程师使用MATLAB确保算法使用最佳、最有效的光脉冲模式扫描场景。
Behnken说:“我们正在尝试在传感器一侧进行更多的感知，以减少车辆中央计算一侧的负载。”他说，与传统的解决方案相比，在使用更少的激光功率的同时，更快地获取更好的信息将导致更准确的感知。万博 尤文图斯他说:“我们的最终目标是开发一种与人类一样好甚至更好的感知系统。”
通过有选择地分配额外的激光雷达拍摄运动物体周围的照片，iDAR能够对这些物体进行分类，并计算方向和速度。图片信用：AEYE，Inc。
热浪
LIDAR，雷达和摄像机技术的进步将有助于将自动驾驶技术转移到未来。但没有传感器可以单独完成工作。“他们都有他们的优势，他们都有他们的弱点，”副总裁兼首席技术官Gene Petilli说猫头鹰自治成像该公司总部位于纽约费尔波特(Fairport)。
Petilli说，传统的激光乐队非常准确，但雪，雨和雾减少了从无生命物体中讲述动画的能力。另一方面，传统的雷达可以通过雪，距离距离优异，并且可以判断对象的相对速度，但它独自不能区分这些物体的内容。相机可以分类以及读取红绿灯和街道标志，但眩光会扰乱质量，晚上，他们只能看到大灯照亮的内容。
“诀窍是选择一套没有同样弱点的传感器套件，”佩蒂利说。
Owl AI的团队用3D热成像技术填补了这一空白，3D热成像技术可以感知人和动物发出的热信号，并大大简化了物体分类，称为热测距™, 该公司的传感器是一个被动系统，这意味着它不必发射能量或光线，并等待它反弹回来，从而可以接收到活体的红外热量。它可以在白天或晚上以及任何天气条件下看到400米以外的物体，无论它是移动的还是静止的，并且可以计算出物体的三维范围nd速度高达100米。
该装置由一个主镜头组成，与普通相机的主镜头类似，再加上一排位于主镜头和探测器之间的非常小的镜头。该阵列将场景分解成一系列图像，每个图像从不同的角度观察感兴趣的物体。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说该公司正在使用Matlab来完善系统。因为他们试图测量微透镜阵列中的元素之间的非常小的差异，所以镜头中的任何失真都可以在范围计算中产生错误。因此，它们在Matlab中模拟了整个系统，以完善校正镜头失真的算法。它们还运行驾驶模拟以培训创建3D热图像的深神经网络AI算法。深度学习将用于评估神经网络算法以将图像的马赛克转换为3D地图。
“公众不会被公众接受自动车辆，直到它们比人类司机更安全，”Petilli说。
加强安全
车辆感知技术是提供安全自动驾驶体验的关键。为了提供完全自主，自动驾驶汽车的承诺，科技公司正在使用AI和计算机愿景来帮助车辆看到和感知他们的环境。虽然尚可完全自主汽车不是常态，但这些公司正在为我们越来越近，同时提高新车的安全系统。
