[[439322]]

自動(dòng)駕駛傳感器配置需求隨著汽車智能化和電動(dòng)化的快速發(fā)展不斷增加。當(dāng)前的傳感器趨向于從探測范圍、探測精度、探測能力上進(jìn)行不斷優(yōu)化以便適應(yīng)更多的邊緣場景。使用更高級能力的傳感器到底能帶來哪些優(yōu)勢，又能解決哪些問題，如何對車身周圍配置的傳感器進(jìn)行最優(yōu)化配置和選擇將是我們必須要面對的問題。

高階自動(dòng)駕駛系統(tǒng)的傳感器仍然按照當(dāng)前自動(dòng)駕駛系統(tǒng)一樣，配置了包含毫米波雷達(dá)、攝像頭、激光雷達(dá)、超聲波雷達(dá)等傳感器配置。然而，在毫米波雷達(dá)、攝像頭、激光雷達(dá)的選擇上卻是增加了幾個(gè)臺(tái)階。首先，是毫米波雷達(dá)采用了4D高精度毫米波雷達(dá)，從分辨率角度得到質(zhì)的飛躍。其次是，攝像頭采用了高清攝像頭，其分辨率的巨大提升使得其更加容易探測出更小的目標(biāo)。最后，是激光雷達(dá)從原始的機(jī)械式激光雷達(dá)向MEMS甚至Flash激光雷達(dá)的轉(zhuǎn)變。

本文將針對如上三類傳感器的轉(zhuǎn)變詳細(xì)說明其對自動(dòng)駕駛系統(tǒng)探測能力到底有哪些提升。

4D毫米波雷達(dá)優(yōu)勢

從當(dāng)前已經(jīng)出過得自動(dòng)駕駛事故（無論是特斯拉的大卡車相撞還是蔚來汽車主裝上高速作業(yè)車）中不難看出，高速自動(dòng)駕駛最容易出現(xiàn)事故的地方就是在于傳感器對于靜止目標(biāo)的識別上。當(dāng)前，駕駛輔助系統(tǒng)架構(gòu)常采用攝像頭融合毫米波雷達(dá)的方式進(jìn)行檢測，而對于靜止目標(biāo)的識別主要是依靠攝像頭的視覺檢測，由于視覺感知的目標(biāo)都必須經(jīng)過模塊或算法訓(xùn)練，而數(shù)據(jù)模型中無法涵蓋所有類型目標(biāo)數(shù)據(jù)，且識別過程中通常采用的圖像分割會(huì)把靜止目標(biāo)當(dāng)成背景區(qū)域而過濾到，因此，視覺檢測很難做到對目標(biāo)的有效識別。

這時(shí)，很多情況下會(huì)依靠傳統(tǒng)毫米波雷達(dá)進(jìn)行靜止目標(biāo)檢測。而由于當(dāng)前的毫米波雷達(dá)是不具備測高能力的，這就意味著其檢測過程中難以判斷前方靜止物體是在地面還是在空中，無法細(xì)化剎車場景，容易出現(xiàn)如下情況的誤檢測導(dǎo)致AEB誤制動(dòng)或漏制動(dòng)。

高階自動(dòng)駕駛系統(tǒng)采用了4D毫米波雷達(dá)，其原理是指在原有距離、方位、速度的基礎(chǔ)上增加了對目標(biāo)的高度維數(shù)據(jù)解析，能夠?qū)崿F(xiàn)“3D+速度”四個(gè)維度的信息感知。主要的感知參數(shù)表示如下：

除開如上述的檢測能力外，4D毫米波雷達(dá)又稱為“成像雷達(dá)”，其中的成像概念是指其具備超高的分辨率，可以有效解析目標(biāo)的輪廓、類別、行為。這意味著4D毫米波雷達(dá)系統(tǒng)可以適應(yīng)更多復(fù)雜路況，包括識別較小的物體，被遮擋的部分物體以及靜止物體和橫向移動(dòng)障礙物的檢測等。

具體來說，對于4D雷達(dá)來說是如何提升目標(biāo)信息檢測能力從而提升自動(dòng)駕駛系統(tǒng)控制能力的呢？

1、4D雷達(dá)高分辨率點(diǎn)云

首先，成像雷達(dá)可提供精度更高的道路邊緣信息，為高速行車與變道提供更精確的輔助定位信息；對靜止目標(biāo)尤其是擁堵條件下目標(biāo)探測精度更高，可以有效避免追尾等安全事故。

如何做到的呢？很多工程師以為是其分辨率提升促使其深度學(xué)習(xí)可以更好地利用在點(diǎn)云匹配學(xué)習(xí)算法中，但是筆者并不這么認(rèn)為。因?yàn)樵購?qiáng)的深度學(xué)習(xí)碰上毫米波雷達(dá)那樣稀疏的圖像也基本無能為力的，能檢測到靜止目標(biāo)主要還是因?yàn)槠淠軌蛴行z測高度信息。4D毫米波雷達(dá)增加了俯仰角天線通道，通常這種通道數(shù)的增加會(huì)使得其雷達(dá)芯片的運(yùn)算量成倍的增加。

2、AI深度學(xué)習(xí)的目標(biāo)識別

其次，自動(dòng)駕駛中最難的場景之一是對于行人的識別能力，而當(dāng)前的識別往往依賴于攝像頭，如果我們基于成像雷達(dá)的高分辨特征是否能夠?qū)ζ湫腥说淖R別產(chǎn)生好的輔助效果呢？答案是肯定的。這個(gè)過程主要是結(jié)合行人擺臂、車輪轉(zhuǎn)動(dòng)等微動(dòng)特征，利用更高分辨率的時(shí)頻分析方法，提取目標(biāo)的微多普勒信息，通過機(jī)器學(xué)習(xí)等目標(biāo)分類方法，進(jìn)行VRU目標(biāo)的微多普勒識別。

3、基于毫米波雷達(dá)的高精定位

眾所周知，高精定位系統(tǒng)的檢測過程需要相應(yīng)的傳感器建立密集的毫米波雷達(dá)點(diǎn)云信息，且依托于環(huán)境結(jié)構(gòu)，且不受雨、雪、霧等環(huán)境因素的影響。而這些要素則是毫米波雷達(dá)本身所具備的能力。因此，利用毫米波雷達(dá)本身就可以進(jìn)行簡單的定位建圖，這里我們稱之為RSLAM。而如果系統(tǒng)本身搭載了諸如激光雷達(dá)或高清攝像頭，則毫米波雷達(dá)的建圖能力可以很好的作為該兩者的輔助傳感器。

4、硬件處理能力

4D雷達(dá)成像主要的部件包括比3D雷達(dá)多更多的收發(fā)天線，同時(shí)最重要的是其雙板處理芯片：一塊用于RF收發(fā)器（主要是PCB板搭載的多跟收發(fā)天線）、SRAM數(shù)據(jù)采集和USB類型的數(shù)據(jù)流；另一個(gè)用于數(shù)據(jù)處理（包含基于點(diǎn)云的深度學(xué)習(xí)）和BT/Wi-Fi連接。因此，很多毫米波雷達(dá)供應(yīng)商通常還采用芯片級聯(lián)或通過軟件新建虛擬發(fā)射天線的方式增加發(fā)射端對環(huán)境物體的點(diǎn)云信息搜集比率。一般的，高分辨成像雷達(dá)隨著級聯(lián)芯片的增多，點(diǎn)云密度與精度越來越高，通過人工智能（AI）中深度學(xué)習(xí)等在雷達(dá)的應(yīng)用就帶來了更多優(yōu)越的先驗(yàn)條件（比如點(diǎn)云聚類），接近于視覺的分類效果。

高分辨率攝像頭是否能夠帶來質(zhì)的飛躍

隨著整車E/E 架構(gòu)的演化趨勢，傳感ECU 也開始由分布式向集中式進(jìn)行演變，其中的算力也不再向以前一樣由各分ECU來承擔(dān)，而是由中央處理器進(jìn)行集中式處理，這一過程中的計(jì)算機(jī)視覺及圖像處理則由中央域控制器進(jìn)行軟件集成，而攝像頭將只用于“圖像采集”的純sensor。

隨著自動(dòng)駕駛級別的提升，對攝像頭的要求也越來越高，其中主要體現(xiàn)在對攝像頭的分辨率上，從最開始30萬像素實(shí)現(xiàn)基本的全景泊車升級到100多萬像素實(shí)現(xiàn)半自動(dòng)泊車，又發(fā)展到現(xiàn)在的200萬像素實(shí)現(xiàn)基本的行車對中控制。并且隨著自動(dòng)駕駛級別對于感知能力的進(jìn)一步提升需求以及市場需求的推動(dòng)，未來的高級別自動(dòng)駕駛車輛中都在規(guī)劃應(yīng)用800萬級別的高清像素?cái)z像頭，用于對更遠(yuǎn)距離的目標(biāo)進(jìn)行識別和監(jiān)測。

從基礎(chǔ)能力上看，升級為800萬攝像頭最大的挑戰(zhàn)在于其對感知算力的大幅提升。舉個(gè)例子，像地平線目前對800萬攝像頭的處理demo實(shí)驗(yàn)，采用了J3對其進(jìn)行算法處理，這無異于小馬拉大車，導(dǎo)致不得不將高分辨率圖像進(jìn)行下裁剪。裁剪后的圖像其分辨率降低后，才可進(jìn)行相應(yīng)的包含語義分割、目標(biāo)級匹配等處理。因此，類似高清車載攝像頭需要有與高分辨率攝像頭相匹配的算法和測試能力。

那么業(yè)界普遍關(guān)注的話題就是800萬像素?cái)z像頭與算力、算法以及數(shù)據(jù)之間的關(guān)系。其中包括：

1、如果用高清攝像頭（如800萬像素）代替之前低分辨率攝像頭，需要多大算力的芯片的支持，對于整個(gè)域控制器的發(fā)熱量及功耗會(huì)有多大提升？

首先攝像頭對算力的需求不僅跟攝像頭自身的性能參數(shù)有關(guān)（位數(shù)、幀率、分辨率等），也和自動(dòng)駕駛實(shí)際的應(yīng)用場景和感知算法模型相關(guān)。

TOPS=Function(camera intrinsic parameters，usecase，perceptron algorithm)

比如，以前視為例，基于同樣分辨率的攝像頭，如果其應(yīng)用場景僅限于識別車輛、行人、車道線、限速牌這幾類目標(biāo)，由于其算法匹配庫中的模型是簡單的，因此其對算力的匹配需求來說是一個(gè)相對輕量級的。若其應(yīng)用場景需要系統(tǒng)識別的更多目標(biāo)（包含一些不常見或異類目標(biāo)，如落石、不明障礙物、紅綠燈、路標(biāo)）、探測的更遠(yuǎn)距離（包含一些小動(dòng)物、小障礙物等）、更高識別精度（如更加清晰的航向定位、更加準(zhǔn)確的距離、速度），對于如上這類應(yīng)用場景的算力需求肯定是更大量級的。

2、新的高清攝像頭是否需要將原來的算法結(jié)構(gòu)進(jìn)行大幅更新？

實(shí)際是使用高分辨率攝像頭后，在算法方面并不需要完全重寫，原有采集的數(shù)據(jù)可以作為深度學(xué)習(xí)模型的初始架構(gòu)參數(shù)，而新采集的高分辨率圖像數(shù)據(jù)則可以作為深度學(xué)習(xí)模型中更新和優(yōu)化其架構(gòu)的參數(shù)的數(shù)據(jù)源。

對于如上的說法，需要充分考慮其低分辨率的攝像頭目標(biāo)檢測算法是否已經(jīng)應(yīng)用到了AI神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，還是只是簡單的模式識別算法。因?yàn)椋T如像做L1或者L2這樣的簡單駕駛輔助功能，很多時(shí)候?qū)τ跀z像頭的檢測能力只需要滿足簡單的車道線或者標(biāo)準(zhǔn)的車輛等一些簡單的檢測方案。這樣的檢測過程壓根可能不需要進(jìn)行AI算法訓(xùn)練和神經(jīng)網(wǎng)絡(luò)加速，而是通過類似于構(gòu)建ARM核進(jìn)行邏輯運(yùn)算便可以滿足要求（這樣就可以說SOC中的CPU資源就可以滿足）。因此，從算法復(fù)雜度，算法策略及算法構(gòu)建的模型參數(shù)上考慮，高分辨率攝像頭都是沒辦法完全復(fù)用低分辨率攝像頭算法的。另外，從硬件資源上講，處理高分辨率攝像頭數(shù)據(jù)所需要的SOC往往是更高級的SOC，不僅其中的AI運(yùn)算單元得到了極大的提升，而且其中的邏輯算力也是提升到了新的高度，這就導(dǎo)致對于原始低等級駕駛輔助系統(tǒng)所訓(xùn)練的算法無法在新的SOC上做到很好的適配。因此，這也往往促使其改進(jìn)相應(yīng)的AI算法模型。另外，諸如像采用相同供應(yīng)商的系列芯片這種方式，也有可能存在相類似的情況，比如當(dāng)前采用地平線的J3進(jìn)行算法訓(xùn)練所產(chǎn)生的產(chǎn)品，到其升級到J5后，很有可能就會(huì)在當(dāng)前算法的復(fù)雜度上實(shí)現(xiàn)較大的提升了。

3、當(dāng)攝像頭傳感器得到升級后，低等級的自動(dòng)駕駛系統(tǒng)架構(gòu)采集的數(shù)據(jù)是否可以直接應(yīng)用于高等級自動(dòng)駕駛？

自動(dòng)駕駛算法的構(gòu)建和迭代都是以數(shù)據(jù)作為驅(qū)動(dòng)的，尤其是感知和預(yù)測模塊，并且很多時(shí)候都是要在過程中做到很好的數(shù)據(jù)閉環(huán)。

自動(dòng)駕駛的算法模塊，尤其是感知和預(yù)測模塊，基本都是數(shù)據(jù)驅(qū)動(dòng)，可見數(shù)據(jù)對算法迭代的重要性。這里需要說明的是，很多智能駕駛算法公司都是前期通過數(shù)據(jù)采集進(jìn)行算法訓(xùn)練參數(shù)得到的，而低等級智能駕駛系統(tǒng)的數(shù)據(jù)采集往往采用了低等級的傳感器，不管是在分辨率、檢測距離、誤檢漏檢等方面均不及高等級自動(dòng)駕駛。因此，對于高分辨率攝像頭檢測而言，除了需要通過之前采集的數(shù)據(jù)繼承低像素?cái)z像頭的一些基礎(chǔ)性能外，也可以通過場景建模來實(shí)現(xiàn)部分場景重構(gòu)。此外，對于一些極端場景，則需要利用高分辨率攝像頭進(jìn)行數(shù)據(jù)采集和重新的算法訓(xùn)練，進(jìn)而無限的提升其檢測效果，實(shí)現(xiàn)數(shù)據(jù)閉環(huán)。

4、高分辨率攝像頭是只進(jìn)行前裝（前視攝像頭）還是整個(gè)鋪開（側(cè)視、后視攝像頭）？

對于高階自動(dòng)駕駛系統(tǒng)來說，前視需要解決的場景最多，目標(biāo)識別任務(wù)最復(fù)雜，比如遠(yuǎn)距離小目標(biāo)識別，近距離目標(biāo)切入識別，這兩者對于攝像頭的波束開角和分辨率都有較高的需求。對于側(cè)視和后視攝像頭來說，其感知場景的要求則相對簡單些，這兩者的主要需求都基本在對于自動(dòng)變道場景的側(cè)后方目標(biāo)探測上。因此，從成本和效率上講，側(cè)視/后視場景采用一般分辨率的攝像頭即可滿足要求。而對于環(huán)視攝像頭而言，通常是在中低速情況下通過大視角短距離檢測泊車入位的車道線和車輛目標(biāo)。因此，采用中低分辨率攝像頭也能夠滿足目標(biāo)探測要求。同理，對于智能座艙內(nèi)的攝像頭，通常采用的是包含駕駛員在位識別、人臉識別、情緒識別等，基本上采用適中的攝像頭分辨率即可。

當(dāng)然，對于如上攝像頭能力配置，可以在一定程度上通過模擬實(shí)際場景并通過算法迭代來找到最優(yōu)值。比如，利用響應(yīng)曲面法找到最優(yōu)值。

5、相同探測要求下，攝像頭分辨率是不是越高越好？

其實(shí)不然，高分辨率攝像頭由于其探測范圍更遠(yuǎn)、探測結(jié)果更清晰，且其具備更寬動(dòng)態(tài)范圍（HDR）和更優(yōu)質(zhì)的LED頻閃消除功能（LFM）。但是其低光照強(qiáng)度下的感知效果相對會(huì)差一些。這是因?yàn)橥葪l件下，攝像頭分辨率越高，其單像素尺寸就會(huì)越小，這就導(dǎo)致其在低照度下的光電轉(zhuǎn)換效率就會(huì)低一些，從而影響在光照不足時(shí)攝像頭的表現(xiàn)。

此外，對于高清攝像頭在帶寬、數(shù)據(jù)量等方面的需求也是呈現(xiàn)指數(shù)級別的增長，這就導(dǎo)致其對于周邊關(guān)聯(lián)部件和網(wǎng)絡(luò)的需求也呈現(xiàn)較高的能力需求。因此，對于自動(dòng)駕駛系統(tǒng)來說，在進(jìn)行攝像頭方案選型時(shí)候需要在分辨率和探測效能上做一個(gè)權(quán)衡。

如何利用激光雷達(dá)優(yōu)勢才能真正滿足自動(dòng)駕駛需求

同樣是雷達(dá)，毫米波雷達(dá)的金屬反射電磁波性能遠(yuǎn)比人體要高，因此針對像自行車或行人這樣的反射物在距離檢測車輛1.5米時(shí)，普通采用3發(fā)4收單片3D毫米波雷達(dá)對自行車也幾乎只能檢測到一個(gè)點(diǎn)，甚至檢測不到。即便是成像毫米波雷達(dá)，對于行人、錐桶這類物體也只是一個(gè)小點(diǎn)，普通雷達(dá)則完全檢測不到。從這一點(diǎn)上講，顯然成像毫米波雷達(dá)無法和激光雷達(dá)成像相提并論。激光雷達(dá)用于下一代自動(dòng)駕駛系統(tǒng)可以極大程度地提升其系統(tǒng)探測能力，已經(jīng)是一個(gè)不爭的事實(shí)。這方面的優(yōu)勢主要體現(xiàn)在其優(yōu)質(zhì)的探測能力可以解決很多當(dāng)前自動(dòng)駕駛系統(tǒng)無法解決的一些邊緣場景，包括車輛Cut-in、檢測車后突出物、道路中的異形物等。

那么關(guān)于激光雷達(dá)，大家究竟關(guān)心什么？

其實(shí)，無論對于主機(jī)廠還是供應(yīng)商，對激光雷達(dá)的要求無非就是性能（包含測距能力、精度、視場角、分辨率、刷新幀率、體積、功耗等參數(shù)）、可靠性（運(yùn)行穩(wěn)定性、一致性、是否符合車規(guī)級別）和成本（設(shè)計(jì)成本、物料成本、生產(chǎn)成本）。

1、探測距離與精度：

我們知道，激光雷達(dá)最重要的部分是收發(fā)模塊和掃描模塊。激光收發(fā)效率越高，信號處理能力越強(qiáng)，則測距能力越強(qiáng)。激光雷達(dá)實(shí)際使用中，測距能力也和被測物體的反射率相關(guān)，反射率越高，收到的反射光就越多，測距就越遠(yuǎn)，測得的距離也越精確。因此，測距能力主要由收發(fā)模塊決定，包括激光器的發(fā)射功率、發(fā)射波段、探測器的探測靈敏度等。我們在額定探測距離及其精度的時(shí)候一定是附帶在某反射率下來談其探測目標(biāo)的距離的。

2、探測范圍

探測范圍主要通過視場角、分辨率和刷新幀率來定義。視場角主要由激光雷達(dá)發(fā)射激光點(diǎn)的方向相關(guān)，而分辨率則是和發(fā)射點(diǎn)頻率相關(guān)。發(fā)射點(diǎn)頻率指的是激光雷達(dá)每秒完成探測并獲取的探測點(diǎn)的總數(shù)目，類似攝像頭的總像素的概念。因此，相同探測場景下，激光點(diǎn)頻越大，說明激光雷達(dá)對目標(biāo)物的感知能力越好。

使用發(fā)射點(diǎn)頻率來描述可以很好的解決類似激光刷新率和視場角大小不均勻帶來的極端分辨率。

我們知道激光雷達(dá)的掃描都是采用二維掃描進(jìn)行的。即包含水平掃描和垂直掃描，因此對于發(fā)射點(diǎn)頻來說，可以通過輸入的水平掃描和垂直掃描點(diǎn)綜合描述。

如上情況，要想提高激光點(diǎn)頻率，可以很大程度上提升刷新率，但是與之相反的是其分辨率也會(huì)很快下跌。因此，要想提高發(fā)射點(diǎn)頻率的唯一辦法就是提升激光雷達(dá)的發(fā)射本體性能，即發(fā)射內(nèi)參來決定。這種廣義內(nèi)參實(shí)際是激光雷達(dá)本體需要考慮激光器性能需求、總功耗、壽命以及激光芯片的信號的綜合處理能力。

3、功耗

激光雷達(dá)內(nèi)部的電子模塊需要每秒在百萬次的量級上發(fā)設(shè)和接受光，并且每次收發(fā)都要經(jīng)過復(fù)雜的模擬和數(shù)字電路處理把他轉(zhuǎn)化為3D點(diǎn)云信號。因此，該電子模塊需要大量的供電輸出。同時(shí)，由于激光雷達(dá)的探測能力很大程度上收到其探測表面是否干凈無雜質(zhì)的影響，因此很多情況下要求激光雷達(dá)具備自清洗能力，而這一過程也是需要極高的電源供電能力的。

4、功能安全

激光雷達(dá)的可靠性主要取決于其收發(fā)模塊和掃描模塊，一般采用905nm的供應(yīng)廠商，其收發(fā)模塊的電子元器件相對容易過車規(guī)，比如博世的激光雷達(dá)，可以達(dá)到整體ASILB的安全等級，而人眼激光保護(hù)的場合可以達(dá)到ASIL C。相比之下，基于1550nm收發(fā)模塊的器件都還處于相對早期，過車規(guī)挑戰(zhàn)大。

5、成本

最后，不得不回到激光雷達(dá)最關(guān)心的核心議題，那就是成本問題，這也是制約激光雷達(dá)搭載率的重要因素。由于激光雷達(dá)的掃描模塊很大程度上影響著其可靠性、穩(wěn)定性。而收發(fā)模塊則很大程度上影響著其性能指標(biāo)。因此，從維持其功能和性能的角度上講，激光雷達(dá)需要不斷優(yōu)化其相應(yīng)的收發(fā)模塊性能，從而在不增加成本的情況下增加其整體性能。

小結(jié)

從自動(dòng)駕駛系統(tǒng)的傳感器先進(jìn)性升級角度上看，將搭載高清攝像頭、優(yōu)質(zhì)的激光雷達(dá)、成像毫米波雷達(dá)來重點(diǎn)解決當(dāng)前自動(dòng)駕駛系統(tǒng)可能遇到的各種邊緣場景問題。其中，升級為4D毫米波雷達(dá)，算法便可更多考慮毫米波雷達(dá)的感知結(jié)果，從而以更高概率識別路面上的靜態(tài)障礙物，結(jié)合其高分辨率帶來的優(yōu)勢，可以更有效地解析目標(biāo)的輪廓、類別、行為，進(jìn)而能知道在什么情況下必須剎車（避免漏剎）。視覺感知的挑戰(zhàn)在于，目標(biāo)障礙物必須經(jīng)過提前訓(xùn)練，而模型庫又不可能窮舉所有類型，所以很多靜態(tài)障礙物成了“漏網(wǎng)之魚”，此外即使有模型庫，另一個(gè)挑戰(zhàn)在于神經(jīng)網(wǎng)絡(luò)能否正確識別出前方障礙物。因此，便經(jīng)常出現(xiàn)明明前方有障礙物、自動(dòng)駕駛汽車卻依然撞上去的結(jié)果。高清攝像頭正好從一定程度上可以解決部分該問題，但是也要注意對攝像頭的選型需要遵循一定的原則。此外，從激光雷達(dá)的原理可以，激光雷達(dá)可以通過發(fā)射接收的點(diǎn)云自然的擬合出各種形狀的物體，但是，激光雷達(dá)的使用也是需要從成本、性能和功耗等各個(gè)角度統(tǒng)一考慮其搭載的可行性。