对感知技术的一系列进步以及2018年无人驾驶汽车传感器展望的解析

让无人驾驶汽车看到路面、阅读交通标志、检测物体、分类、感知速度/轨迹和其他车辆并不容易——更重要的是，将它定位在地图上，以便其确切知道必须去哪里。

对于高度自动化的汽车来说，它们必须依靠很多传感器，包括摄像头、雷达、超声波、GPS天线和利用光脉冲测距的激光雷达。

每种传感器都有其自身的弱点和优势。

安装在汽车上的一系列传感器技术（来源：Yole Développement）

我们首先应弄清楚，如何最好地填补传感器固有的缺陷。第二步可能更为重要，即制定最好的策略，将不同的数据流结合起来，而不会丢失关键信息。每种传感器以其自身的帧速率传送数据就相当有问题。传感器融合则变得更加复杂——因为一些传感器提供原始数据，而其他传感器则提供它们自己的对象数据答案。

2017年，我们看到了感知技术方面的一系列进步。“感知是自动驾驶汽车软件栈的一个主要领域，而且这里还有很多创新。”VSI Labs创始人兼负责人Phil Magney表示。

科技公司、一级供应商和OEM厂商一直在忙于抢夺它们没有或无法自主开发的传感器技术。与此同时，仅在过去两年就出现了许多感知传感器创业公司，它们中有许多都在关注尚处于萌芽阶段的自动驾驶汽车市场。

英特尔收购Mobileye

2017年最大的汽车行业交易是英特尔以153亿美元收购Mobileye。

考虑到Mobileye已经在ADAS和自动驾驶汽车的汽车视觉中占据了明显的领先地位，Mobileye的收购使英特尔在自动驾驶汽车的竞争中稳稳地站在了有利地位。

特别是，考虑到视觉是自动驾驶汽车中唯一不可或缺的传感器技术，这个交易非常重要。英特尔表示，其正在将Mobileye的“计算机视觉、传感、融合、地图构建和驱动策略”与英特尔的“开放式计算平台”相结合。

Magney将摄像头描述为“必备的传感器”，他解释说，能够以高分辨率捕捉图像，将能使摄像头更好地分类物体。摄像头也增加了颜色。那它们的弱点是什么？“摄像头的深度不如激光雷达。”Magney补充说。

激光雷达：“最热门的领域”

在所有传感器技术中，激光雷达是2017年交易量最大的市场。“例如，去年福特收购了普林斯顿光波；通用汽车收购了激光雷达公司Strobe；大陆公司收购了Advanced Scientific Concepts（ASC）的激光雷达业务。”IHS Markit的汽车电子和半导体高级分析师Akhilesh Kona解释说。

VSI Labs的Magney称激光雷达“仍然是最热门的领域”。部分原因是激光雷达在自动驾驶中有相当多的用途。“高度自动化的汽车需要一个具有定位资产的基本地图，对此没有任何东西能够取代激光雷达。”他表示，“这是高端产品竞争的地方。”

新的激光技术的出现也可以追溯到热门的激光雷达市场。据IHS Markit的Kona表示，业界正在出现一种新的激光发射器技术——波长高于1,400nm。这种新的波长在激光雷达上会有更高的分辨率和更长的射程。普林斯顿光波、大陆（通过收购ASC）和Luminar Technologies三家公司都在研究新的激光器，他补充说。

不同类型激光雷达的比较（来源：IHS Markit）

与此同时，供应商通过开发各种光束控制技术，不断提高激光雷达的耐用性、尺寸和成本。这些技术既有机械也有MEMS和固态。

据Magney所述，机械激光雷达（例如Velodyne 128通道产品）由于可以产生360度的点云，非常适合地图构建。

但是对于量产汽车的部署，基于固态器件（MEMS或OPA（光学相控阵））的激光雷达非常好使，Magney说。它们也可以在自己的视野内产生一个点云。

成本更低Flash器件也在出现。它们中有一些被设计成接近探测器，成本低于100美元，Magney表示。缺点是分辨率有限，无法对物体进行分类，他解释说。

毫米波雷达

当激光雷达大步向前进时，雷达也没有停下脚步。继恩智浦半导体在2016年首次推出CMOS工艺的77GHz微型雷达芯片后，德州仪器去年也进入毫米波雷达市场。该公司现在宣称具有最小尺寸的CMOS传感器产品组合。

在雷达市场，竞争的重点在于尺寸和精度。TI现在宣称是“分辨率小于4cm的高精度独立传感”。

TI的汽车毫米波雷达传感器将射频（RF）和模拟功能与数字控制功能集成到了一个芯片中。（来源：TI）

Magney表示：“我们对雷达的进展感到惬意。毫米波雷达很热。”他评论道：“雷达的分辨率越来越高，现在也可以分类物体，这是以前做不到的。”

然而，更好的分辨率需要更多的通道，这意味着更多的数据需要处理。“所以毫米波雷达需要有专门的处理器来处理这些数据，产生物体或者点云，”Magney指出。此外，毫米波雷达需要有开发工具来搭建应用。否则，这些数据很难被理解。

雷达除了能全天候工作外，往往会受到负面评价。传统的汽车雷达看不到摄像头或激光雷达所能看到的物体。更具体地说，雷达看不到遥远的物体，不能辨别它们看到的东西。它们的处理速度不足以达到高速公路的要求。

模拟波束成形

2017年1月成立的创业公司Metawave，希望通过开发模拟波束成形技术来改变这种状况。

利用PARC将超材料、雷达和天线商业化的独家授权，Metawave在本月的CES消费电子展上推出了该公司“全套雷达套件”的原型。该公司的超材料是布置在PCB板上的小型软件控制工程结构。据称，这些结构能够以特殊的方式控制电磁波束，这在以前通常只有在体积大得多、更强大和成本更高的军用系统中才能实现。

Metawave的模拟雷达技术是基于电子可控天线。它使用一根带有两个端口的天线：一个端口连接到Tx或Rx链路，另一个连接到MCU。MCU通过查找表来定义和控制天线波束宽度和方向，从而使Metawave的模拟雷达能够实现微秒级速度的扫描。（来源：Metawave）

Metawave的全套雷达套件是雷达芯片不可知的。该公司宣称其基于超材料的模拟波束成形技术可以精确控制雷达波束，在不牺牲分辨率的情况下实现更快的工作速度和更好的信噪比。

面向机器使用的成像数据

尽管Mobileye仍然是汽车视觉领域的领导者，Magney认为其他公司正在迎头赶上。“任何人都可以获得相同的成像器，构建适合于图像识别的摄像头。但问题是你需要合适的处理器和紧密集成的算法。”他补充道。

“但是对此，现在你也可以从几家芯片公司中的任何一家选择一款高性能视觉处理器，并应用自己的算法。或者，你也可以用CNN（卷积神经网络）来完成这项工作。”Magney总结道，“目前，自动驾驶汽车的制造商在摄像头方面有了选择。许多公司会将AI应用于图像来获得结果。”

然后是Chronocam。这家总部位于巴黎的创业公司的传感器技术不是面向人类使用，而是面向机器传感和检测设计；该公司认为，这项技术可以彻底改变当今CMOS图像传感器市场。Chronocam的事件驱动传感器还很新，尚未在任何商用车上使用，但这项技术正受到关注。例如，雷诺集团于2016年底与Chronocam达成了战略发展协议。

正如Chronocam的CEO在接受本刊采访时表示，英特尔、Nvidia等GPU/CPU领域的大公司仍在试图找出更准确、更快速处理大量数据的最佳方式。然而，Chronocam专注的是针对机器应用简化和定制的成像数据采集。事件驱动传感器的目标是显著减少数据负载，使汽车几乎可以做出实时决策。

定位

使汽车具有“自我意识”的第一步是地图构建，而与汽车在预先制作的地图上看到的内容进行实时匹配。然后，汽车可以对其位置进行三角测量和定位。“汽车必须确切知道它必须去哪里，”Magney说，以便它可以发展“情境感知”。

换句话说，如果希望高度自动化的车辆能准确定位，它们需要激光雷达。它们需要一个具有定位资产的基本地图，对此没有任何东西可以替代激光雷达，Magney指出。

但是，还有其他方法可以做到这一点。例如，Nvidia的DriveWorks SDK可以实现基于图像的定位。DriveWorks的库包括地图定位、高清地图接口以及自我运动。

实时动态定位（RTK）是另一种选择，Magney补充说。RTK可增强来自全球导航卫星系统（如GPS、GLONASS、伽利略和北斗）的位置数据的精度。“你可能运气不错，但是在城市地区，由于RTK需要高度依赖卫星，我们认为它不会那么好地工作。”Magney表示。

与此同时，英特尔/Mobileye正在推广其面向定位的道路体验管理（REM）技术。Mobileye希望通过利用基于摄像头的ADAS系统的涌现，利用人群的力量来准实时地建立和维护一个精确的环境地图。

初创企业在定位方面也有发挥的空间。据悉，初创公司DeepMap正在为第4/第5级自动驾驶汽车解决高清地图构建和定位以及大数据管理方面的挑战。Magney指出，DeepMap正在通过使用摄像头图像和激光雷达数据来改进当前的数字地图。该公司计划打包一个服务，而不是一个产品，他补充说。

传感器融合

随着自动驾驶汽车收集到所有的传感数据，最重要的就是传感器融合的质量。传感器融合的结果决定了自动驾驶汽车的决策和行为，也即安全问题。

自动驾驶汽车仅采用一个传感器不可能实现可靠驾驶，因此必须进行传感器融合。但Magney补充说：“因为你必须同步所有传感器信号，所以融合是很难的。”

关于是融合“对象”数据还是“原始”数据，业界的争论才刚刚开始。目前没有明确的答案。

与对象数据相比，由于原始数据在转换中没有任何东西丢失，AI的大多数支持者更喜欢融合这种数据，Magney表示。但他补充说，与原始数据融合有关的问题包括：你将需要大量的处理；你还需要有GB大小的网络来将这些信号传送到整个车辆中。

DeepScale公司开发了一种感知技术，可以采集原始数据，而不是对象数据，可以在嵌入式处理器上加速传感器融合。DeepScale正在利用自己的深度神经网络（DNN）白手起家——其不仅使用了图像传感器的原始数据，还使用了雷达和激光雷达的原始数据。

DeepScale开发用于早期传感器融合的深度神经网络

DeepScale在后期融合中遇到了一个固有问题。创建对象时，与其他传感数据相关的原始数据可能会丢失。