文章

感知助力汽车智能 人工智能传感器将迎应用井喷

2021-09-01集微网

186阅
作为智能汽车感知系统的硬件基础,智能传感器对于汽车智能化的重要性日益突出,因为无论那种方式的“看见”,都离不开这些将物理世界与数字世界“缝合”起来的入口。

   集微网报道,从内燃机到中央计算机,汽车正在从传统燃油车时代的各种硬件的物理连接,升级演化为一部大的智能手机。汽车的“生长方式”也随之发生改变。

   7月10日,特斯拉开始在美国地区正式推送纯视觉版的FSD Beta V9版本。在特斯拉的自动驾驶方案中,并没有出现激光雷达和高精地图。在智能汽车感知系统上,特斯拉是坚定的纯视觉派——声称不用激光雷达,而后又宣布在量产车上移除毫米波雷达。

   让物理世界被车“正确地感知”是实现智慧出行、自动驾驶的关键一环。

   在这一点上,各家的技术路线仍有不小分歧。而相对于特斯拉激进的纯视觉路线,更多的车企则倾向于计算机视觉和先进传感器的融合方案。

   但是作为智能汽车感知系统的硬件基础,智能传感器对于汽车智能化的重要性日益突出,因为无论那种方式的“看见”,都离不开这些将物理世界与数字世界“缝合”起来的入口。

   在今年的世界人工智能大会期间,关于感官系统如何助力汽车智能化的话题,产业界的讨论热烈,包括车企、物流/出行服务运营商以及传感器厂商都认为,随着汽车自动驾驶的深入,智能传感器将迎来一轮应用爆发,如何让这些边缘节点发挥更大的智能,为汽车提供更充足、高效的数据价值从而推进自动驾驶的智能应用的发展,成为产业链关注的焦点。

   智能汽车的感知系统怎么造?

   特斯拉试图将纯视觉进行到极致。在此之前,特斯拉自动驾驶依靠的是毫米波雷达与摄像头双重冗余,而现在的新车则直接砍掉了毫米波雷达。

   “所有发生的事情都会被车上的8颗摄像头记录下来。”在今年的CVPR(计算视觉与模式识别大会)上,特斯拉首席AI科学家Andrej Karpathy对此做出解释,他指出,自动驾驶系统必须弄清楚车道在哪里,信号灯在哪里,它们状态如何,以及与车辆间有何关系。最重要的是,它必须在没有任何导航信息的路况下完成这一切。

   Karpathy指出,人类驾驶依靠的是视觉,因而神经网络是可以处理视觉输入,并以此理解周边物体深度与速度的。而现在最大的问题在于,合成的神经网络能否做到这一点。

   芜湖奇瑞科技有限公司总经理李中兵在世界人工智能大会的一场智能传感器与边缘智能论坛上,介绍当前车企在切入智能汽车上的普遍采用的常规技术时指出,当前主流传感器主要包括毫米波雷达、车载摄像头以及超声波雷达。随着自动驾驶等级的提高,对传感器的数量和质量也提出了更高的要求,L2级自动驾驶传感器数量约为6个,L3约13个,未来L5要达到30个以上,相应带动汽车传感器市场高速增长。

   比如ADAS的感知层中,需要用到大量的摄像头、超声波雷达、毫米波雷达、激光雷达、夜视仪等传感器。

图1

   李中军认为,汽车的智能化依靠几项关键核心零部件的突破,主要包括三大部分,即感知系统、执行系统以及中央处理器(计算平台)。这其中感知是很重要的一块,相当于汽车的眼睛。车用传感器将汽车运行中的各种工况信息,如车速、各种介质的温度、发动机运转工况等转化成电讯号输给计算机,以便发动机处于最佳工作状态。而随着ADAS系统逐渐成熟,其渗透率在达到10%之后或将进入快速增长期,将会带动汽车传感器需求量的大幅攀升。

   此外,在车联网的应用中,传感器更是一切的基础。深圳依时货拉拉科技有限公司首席技术官(下称“货拉拉”)张浩在世界人工智能大会期间对集微网指出,缺乏对物理世界的线下数据获取入口,也是一直以来对于像货拉拉这样的同城货运物流企业试图打造智慧物流过程中的主要挑战。

   改变世界的力量往往始于简单基础的积累。过去几年来,传感器技术已经有了长足的发展。随着传感器变得越来越智能,它们自己处理数据的能力也越来越强。数据处理发生在网络边缘而不是全部上传到云端处理,这就减少了不必要的数据传输或存储,大大提升数据处理效率。

   但是还远远不够。“现在的感知实际上还没有做到足够的重复性和有效性的。而每一种传感器都存在一些不足的。”李中军指出,而接下去的挑战在于,要准确地识别交通参与者的行为意图以及场景中发生的事件,实现对驾驶场景的理解,这需要针对车载传感器信息、5G-V2X信息,智能交通信息等多种不同来源、类型、含义和抽象层次的信息,研发多传感器信息融合技术,多模态信息融合技术和多传感器冗余信息集结技术。

   让汽车更好地“感知”的新挑战

   不同的感知技术路线都面临着极大的挑战。

   特斯拉坚信,有了通用视觉系统,车辆就不再需要什么补充信息了。然而基于视觉的自动驾驶在技术角度更难实现,Karpathy指出,因为它要求神经网络仅仅基于视频输入就能达到超强性能的输出。

   据悉,特斯拉想打造的深度学习系统,除了要处理深度、速度和加速度信息,还要同时进行目标探测。这需要一个由数以百万计视频组成的庞大数据集来训练深度学习架构,而为自动驾驶汽车创建数据集也颇为棘手,工程师们必须确保数据集有多样化的道路设置和不经常出现的边缘情况。不过Karpathy表示,“一旦取得了突破,就能获得通用视觉系统,方便部署在地球的任何地方。”而特斯拉正在朝这一方向努力。

   李中军则认为,感知系统的融合问题是接下去产业界面临的极大挑战。这其中包括两方面,一是车辆感知系统的融合问题;二是车路协同相关的传感器融合问题。综合起来,实际上就是信息融合的问题。

   “这里面包含了特征提取代数方法,以及推理神经网络等基于人工智能的应用。”李中军进一步解释,比如摄像头采集到的视觉信息是一种图片信息,激光雷达、毫米波雷达则是基于点的信息,这里面还涉及到时间坐标系的同步问题。

   “时空信息融合也是其中一个重要的核心,它包括长距离数据和段距离数据,以及当前的情况和对未来交通行为的预测等。”李中军说,此外还有冗余和冲突的信息融合问题,包括对语义理解等,“事实上,人类开车的时候,是一种近乎无意识的感知,他就能够预测下一步应该怎么办,从而规避事故。”

   应用端即将爆发 本土传感器产业链的“上车”机会?

   “应用端正呈暴发趋势,MEMS传感器芯片是IoT、智能电动汽车、智能家电等应用场景的重要元器件,将迎来全面爆发。”华景传感科技(无锡)有限公司董事长兼CEO缪建民博士也在世界人工智能大会期间对集微网指出。传感器产品作为自动驾驶感知层面的必要选择,传感器的增多以及升级能够有效的提高自动驾驶技术的安全性。随着汽车产业的不断发展,车载传感器作为汽车电子的重要组成部分今后几年将会进入快速增长阶段。

   缪建民博士从事MEMS传感器芯片研发及产业化近三十年,获得德国最高勋章博士。他曾任全球十多家公司的MEMS产品顾问,投资和创立了华景传感科技等多家MEMS传感器公司,多款MEMS传感器产品已量产。

   以MEMS传感器在汽车上的使用情况为例,全球平均每辆汽车包含10个以上MEMS传感器,在中高档汽车中,大约采用25至40只MEMS传感器,豪华车上将近100只。随着自动驾驶渗透的深入,对于下游应用端对汽车传感器的需求将进一步释放。

   随着汽车产业的不断发展,车载传感器作为汽车电子的重要组成部分今后几年将会进入快速增长阶段。根据新思界产业研究院发布的《2017-2021年汽车传感器行业市场现状及投资前景预测报告》显示,2020年全球汽车传感器的市场规模约达到243亿美元。而随着自动驾驶等应用的深入,在“软件定义汽车”时代,智能传感器将迎来新一轮应用爆发。

   但是与整车及汽车电子产业格局相似,全球汽车MEMS供应商同样也是以欧美日厂商为主。目前,博世、大陆、英飞凌、霍尼韦尔、森萨塔在全球汽车传感器市场占据重要地位,德尔福、电装、ADI、伟世通、村田等企业也具有相当的知名度。

    而中国汽车产业虽然发展快速,已经成为全球汽车生产和消费大国,近年来国内汽车传感器市场也发展快速,但在高端车用传感器领域仍以国外厂商主导,许多高水平汽车传感器产品依赖进口。由于汽车工业对于产品的安全性、稳定性要求极高,绝大多数OEM整车厂对于上游零部件供应商的要求十分严格,产品的认证和测试周期很长,一旦上游厂商和整车厂形成稳定的合作关系,便很少发生变化。不过随着国内自主汽车品牌的不断发展,加上中美贸易摩擦等国际大环境之下全球产业链都开始聚焦本土供应链安全的问题,这对于本土厂商的成长以及获得进入车企验证的机会有推动作用。

   “目前国内很大的一个问题就是硬件基础薄弱,其实像德国、日本这些硬件产业基础雄厚的地区,它们当初都是非常有意识地培育本土产业链,比如德国的汽车品牌通常都只优先考虑采用德国厂商的传感器、芯片等元器件,产业链上下游是同步成长完善的。”缪建民博士对集微网指出,而接下去培育完善国内产业链至关重要,国内要加快速度补上这一课。

责任编辑:杨培
本文来源于互联网,e-works本着传播知识、有益学习和研究的目的进行的转载,为网友免费提供,并以尽力标明作者与出处,如有著作权人或出版方提出异议,本站将立即删除。如果您对文章转载有任何疑问请告之我们,以便我们及时纠正。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
读者评论 (0)
请您登录/注册后再评论