讓自動駕駛汽車注意路況、看懂交通標志、檢測對象并為其分類、感知速度/軌跡以及其他車輛并不容易——更重要的是，它必須能自行在地圖上定位，才能確切地知道駕駛的目的地。

   高度自動化的車輛在追蹤周圍環境時，必須依靠很多傳感器，包括攝像頭、雷達、超聲波、GPS天線，以及利用光脈沖測距的光達(Lidar)組件。每一種傳感器都有其優缺點。

圖1：安裝在車輛上的一系列傳感器技術（來源：Yole Développement）

視覺攝像頭　盲點檢測、側視(無后照鏡車)、行車記錄儀、倒車輔助　立體攝像頭：識別LDWS與標志的方向/距離　3D攝像頭　手勢識別　現場檢測、駕駛監測　夜視攝像頭　檢測行人/動物　LIDAR　3D周圍地圖　超聲波　停車、行人＆障礙物檢測　航位推算傳感器　測距　短距離雷達　前&后煞車　長距離雷達　自動巡航控制我們首先應弄清楚如何*有效地填補傳感器固有的缺陷。**步可能更為重要，即開發*佳策略，將不同的數據流結合起來，使關鍵信息不至于遺失。每一種傳感器都以自身的畫面更新速率傳送數據已經是個問題，傳感器融合就更復雜了——因為有些傳感器提供原始數據，而其他傳感器則提供自己的對象數據答案。  

2017年，我們看到了感知技術方面的一連串進展。VSI Labs創辦人兼負責人Phil Magney表示：“感知是自動駕駛汽車(AV)軟件堆棧的一個主要領域，而且在這方面還有很多**。”科技公司、**供貨商和OEM一直急于取得自家公司缺乏或無法自主開發的傳感器技術。同時，過去兩年來已經出現了多家感知傳感器新創公司，其中有許多都關注尚處于萌芽階段的自動駕駛汽車市場。英特爾收購Mobileye2

017年汽車行業*大的收購交易是英特爾(Intel)以153億美元買下Mobileye。

由于Mobileye已經在**駕駛輔助系統(ADAS)和自動駕駛汽車的汽車視覺領域占據明顯的**地位，收購Mobileye之舉使得英特爾在自動駕駛汽車競賽中穩居有利地位。尤其是考慮到視覺是自動駕駛汽車中**不可或缺的傳感器技術，這項收購案顯得更重要。英特爾表示打算將Mobileye的“計算機視覺、傳感、融合、地圖建構和駕駛策略”與英特爾的“開放計算平臺”相結合。Magney將攝像頭形容為“必備的傳感器”，他解釋說，具有以高分辨率采集圖像的能力，才能讓攝像頭更有效地分類對象。

現在的攝像頭還支持彩色顯示。那么弱點呢？Magney補充說：“攝像頭的深度不如光達。”光達：*熱門的領域在所有的傳感器技術中，光達是2017年交易量*大的市場。IHS Markit的汽車電子和半導體**分析師Akhilesh Kona列舉去年的收購案，如福特(Ford)收購了Princeton Lightwave、通用汽車(General Motors；GM)收購光達公司Strobe，以及Continental買下Advanced Scientific Concepts (ASC)的光達業務。Magney則稱光達“仍然是*熱門的領域”，部分原因是光達在自動駕駛中有相當多用途。他解釋，“高度自動化的車輛需要一個具有定位資產的基本地圖，對此沒有任何東西能夠取代光達。這是**產品得以競爭之處。”光達市場之所以如此熱門也由于新的激光技術出現。據Kona表示，一種波長高于1,400nm的新雷射發射技術正興起中。這種新的波長可望為光達帶來更高分辨率和更遠射程。他補充說，Princeton Lightwave、Continental 和Luminar Technologies三家公司都在開發這種新的激光技術。

圖2：不同類型的光達技術比較(來源：IHS Markit）

同時，供貨商也通過開發各種光束控制技術，不斷改善光達的耐用性、尺寸和成本。這些技術既有機械式也有MEMS和固態光達。據Magney介紹，機械式光達(如Velodyne 128信道的產品)由于能產生360度點云，非常適合建構地圖。但是，對于部署量產車輛，基于固態組件——MEMS或光相位矩陣(OPA)的光達非常適合，它們也可以在其視野內產生點云。成本更低的閃存(flash)組件也開始崛起。

Magney指出，有些被設計成距離探測器，且成本低于100美元，但缺點是分辨率有限，無法對對象進行分類。毫米波雷達當光達大步前進時，雷達也并未停下腳步。繼恩智浦半導體(NXP Semiconductors)在2016年**推出采用CMOS工藝技術的77GHz微型雷達芯片后，德州儀器(Texas Instruments；TI)也在去年進軍毫米波(mmWave)雷達市場。該公司宣稱如今擁有*小尺寸的CMOS傳感器產品組合。

TI汽車毫米波雷達傳感器整合RF與模擬功能以及數字控制于單一芯片中（來源：TI）在雷達市場，競爭的重點在于尺寸和**度。TI如今宣稱可支持“小于4cm測距分辨率的高精度獨立傳感技術”。Magney表示：“我們對雷達的進展感到滿意。毫米波雷達正熱。”他評論道：“雷達的分辨率越來越高，現在已能用于分類物體，這是以前做不到的。”然而，更好的分辨率需要更多信道，這意味著有更多數據需要處理。所以，Magney說：“毫米波雷達需要有專門的處理器來處理這些數據，以及產生對象或點云。”此外，毫米波雷達還需要開發工具以打造應用。否則，龐大的資料難以被理解。

雷達除了能全天候工作外，其他的評價一向不優。傳統的車用雷達無法看到攝像頭或光達所能看到的物體。更具體地說，雷達看不到遠方的物體，也無法區別所看到的東西。它們的處理速度不足以達到行駛于高速公路的要求。模擬波束成形2017年1月成立的新創公司Metawave期望通過其開發的模擬波束成形技術來改變現況。Metawave采用PARC將超材料、雷達和天線商業化的**授權，在今年的CES展上推出該公司“完整雷達套件”的原型。該公司的超材料是布署在PCB上的小型軟件控制工程結構。這些結構據稱能以特殊的方式控制電磁波束，這在以前通常只有在更大尺寸、更強大和成本更高的**系統中才能實現。

Metawave的模擬雷達技術基于電子可控天線，使用一根雙端口的天線：其中一個埠連接到Tx或Rx鏈路，另一個埠連接到MCU。MCU透過查找表(LUT)定義和控制天線的波束寬度和方向，從而使Metawave的模擬雷達實現微秒級速度的掃描（來源：Metawave）Metawave的雷達套件型兼容于各種雷達芯片。該公司宣稱其基于超材料的模擬波束成形技術能**地控制雷達波束，在不犧牲分辨率的情況下提升工作速度和SNR。機器用成像數據盡管Mobileye目前仍是汽車視覺領域的領導廠商，Magney認為其他公司也正迎頭趕上。

他說：“任何人都可以獲得相同的成像器，打造適合于圖像識別的攝像頭。但問題是你需要合適的處理器，以及緊密整合的算法。”然而，“如今你可以從幾家芯片公司中選擇一款高性能視覺處理器，并套用自家的算法。或者，你可以用卷積神經網絡(CNN)來完成這項任務。”Magney總結道：“目前，自動駕駛汽車制造商已經在攝像頭方面作了選擇。

多公司會將人工智能(AI)應用于圖像中以取得結果。”然后是總部位于巴黎的新創公司Chronocam。該公司的傳感器技術并非針對人類應用，而是為機器感知和檢測而打造的。

Chronocam這款以事件為導向的傳感器技術還很新，尚未用于任何商用車，但已經受到業界關注了；該公司期望該技術能徹底改變當今CMOS圖像傳感器市場。例如，雷諾集團(Groupe Renault)于2016年底與Chronocam達成了戰略發展協議。正如Chronocam**執行官所指，英特爾、英偉達(Nvidia)等GPU/CPU巨擘仍在試著找出更準確、更快速處理大量數據的*佳方式。

然而，Chronocam專注的是為機器應用簡化和量身打造的成像數據采集。事件導向的傳感器目標在于顯著減少數據負載，使車輛幾乎可以做出實時決策。定位讓汽車具有“自我意識”的**步是建構地圖，并實時匹配至車輛在預先制作的地圖上看到的內容。然后，車輛可以對其位置進行三角測量和定位。Magney強調：“車子必須確切知道要去哪里，才能發展出‘情境感知’。”換句話說，如果希望高度自動化的車輛能準確定位，就需要使用光達。Magney指出，它們需要一個具有定位功能的基本地圖。不過，還有其他方法可以做到這一點。例如Nvidia DriveWorks SDK可實現基于圖像的定位。

DriveWorks工具庫包括地圖定位、HD地圖接口以及自我運動(egomotion)等。實時動態定位(RTK)是另一種選擇，Magney補充說。RTK可增強來自全球導航衛星系統(如GPS、GLONASS、Galileo和北斗)的位置數據**度。Magney說：“在一般情況下可能運氣不錯，但在城市地區，由于RTK需要高度依賴衛星，可能無法有效發揮作用。”同時，英特爾/Mobileye正推廣其用于定位的道路體驗管理(REM)技術。

Mobileye希望利用基于攝像頭的ADAS系統普遍性，發揮群體力量實時建立并維護一個**的環境地圖。演示視頻：https://www.youtube。。ｃｏｍ/watch?v=RK8dbq-LfM0新創公司在定位方面也有發揮的空間。據悉，DeepMap正致力于L4/L5級自動駕駛汽車解決HD地圖建構和定位，以及大數據管理方面的挑戰。

Magney指出，DeepMap使用攝像頭圖像和光達數據，有效地改善了目前的數字地圖。他補充說，該公司計劃推出的是一項服務，而不只是一款產品。傳感器融合隨著自動駕駛汽車收集到所有的傳感數據，*重要的就是傳感器融合的質量。傳感器融合的結果決定了自動駕駛汽車的決策和行為，也即**問題。自動駕駛汽車無法僅靠一個傳感器實現**駕駛，因此必須進行傳感器融合。但Magney補充說：“因為你必須同步所有的傳感器信號，所以融合是很困難的。”至于是融合“對象”數據還是“原始”數據，業界對此的爭論才剛剛開始，目前還沒有明確的答案。相較于對象數據，由于原始數據不會在轉換過程中發生遺失，大數的AI擁護者較支持這種數據融合途徑，Magney表示。但他補充說，與原始數據融合有關的問題包括：“你將需要大量的處理；你還需要有GB級的網絡，才能將這些信號傳送到整個車輛中。”新創公司DeepScale開發了一種感知技術，能采集原始數據，而非對象數據，而且可以在嵌入式處理器上加速傳感器融合。DeepScale現正利用其深度神經網絡(DNN)從頭開始做起——所使用的原始數據不僅來自圖像傳感器，還包括雷達和光達。 

高低溫交變濕熱試驗箱 技術規格：