芯传感
聚焦芯片与传感器产业，与诸君共同探索未来趋势。
203篇原创内容
公众号
点击名片 |关注我们
FOCUS ON US
本文来源：芯传感
摘要：在某些场景下，由于需要采集的数据种类多、量大，单个传感器难以满足所有需求，因此多传感器的融合正成为主流方案。
但是，传感器融合难度非常大，比如在汽车领域，摄像头、毫米波雷达、激光雷达所收集的数据格式差异较大，从采集到处理再到应用，不仅过程复杂，更是在不同的细分场景下，对融合提出了更高的要求。
而本文就针对传感器融合的现状进行了解读，通过业内人士在项目中的总结与观点，讨论了具体场景下，传感器融合面临的挑战，包括对不同传感器的选择，技术层面中AI与传统DSP的优劣等等。
本文翻译自Semiconductor Engineering，原作者ANN MUTSCHLER。
这其中有多个问题需要解决，包括如何对不同类型的数据进行分区、优先级排序和最终组合，以及如何构建车辆内的处理架构，以便车辆能足够快地根据这些不同的数据类型做出决策，以避免事故发生。但对于如何实现这一目标还没有最佳方案，这就是许多自动驾驶OEM采取截然不同方案的原因，这也能解释为什么迄今还未出现完全自动驾驶的车辆。
“针对这个场景，目前有三种常见方案，”西门子工业软件混合物理和虚拟系统、汽车和军用航空副总裁David Fritz表示。“第一种方案是先融合来自多个传感源的原始数据，再对其进行处理。虽然这种方法可以降低功耗，但一个传感器阵列的不良数据可能会影响其他传感器的良好数据，从而导致不良结果。此外，大量原始数据的传输还带来了带宽、延迟和系统成本等其他挑战。”
第二种方案是融合处理后的数据：每个传感器单独处理数据，其处理结果就是对其检测到的内容的解释。“这种方案的优势在于，它可以无缝集成机载传感器结果。包括自己车辆、其他车辆、路端设施的传感器，”Fritz说。“不过这种方案的挑战在于，如何给相应传感器打上通用标识并进行标记，以便它们可以在不同的车辆和基础设施之间共享。”
Fritz继续说道“第三种方案——也是我们认为从功耗、带宽和成本角度来看最具吸引力的一种——是前两种方案的混合。在这种方案中，物体被传感器检测到但不被分类。在这种情况下，物体的点云被传输到机载中央计算系统，该系统对来自内部和外部不同传感器的点云进行分类（标记）。这就显著降低了带宽和延迟，以及传感器的成本和负载，并允许车辆以任何它喜欢的方式解释或分类物体，从而消除了对通用标识或标记的需要。”
不过汽车生态系统中的讨论才刚刚开始，还有很多挑战需要克服。
“你需要弄清楚你拥有哪些数据，以及何时使用它们，”Arteris IP业务开发副总裁Frank Schirrmeister说。“所有的格式都非常不同。如果您正在使用激光雷达，就会拥有一些带有距离信息的图像；在相机中，它们是RGB，并且有一组像素。所以目前看来就有了热成像和别的东西。但即使能够关联和融合所有这些内容，您也需要先以某种方式理解这些格式。从架构的角度来看，数据处理单元放置的位置则有了更高的要求，比如在传感器中或传感器附近。在所有的事情都完成之后，就可以在不同部分之间完成对象关联。只是，你还需要弄清楚细节，比如物体有多热、有多远等。然而这些不同传感器的Veen图，有些具有一组重叠的特征，但另一些则呈现出了传感器之间的差异性。”
值得一提的是，得益于算法的不断演进，以及芯片行业对SoC架构的深入见解，传感器融合是一个快速创新的领域。
“传感器融合的一个共同点是需要异构处理方法，因为它需要结合信号处理——通常使用DSP、专用加速器上的AI处理，以及使用CPU进行代码控制，”新思科技(Synopsys)的高级产品经理Markus Willems说。“针对不同类型的传感器，还要考虑其支持的数据类型。这包括用于图像数据的8位整数处理，或用于雷达处理的32位单精度(SP)浮点，而AI处理可能需要bfloat16等。在单芯片上运行不同类型的处理器需要复杂的软件开发流程，利用优化的C/C++编译器和函数库，以及支持最新神经网络（包括传感器融合中使用的变压器）的图形映射工具。内存、带宽和延迟等都是关键的设计参数，设计人员希望看到处理器仿真模型和SoC架构探索工具的早期可用性，以检查假设场景。”
当然，传感器融合不仅在汽车领域受到广泛关注，它在其他市场也很受欢迎。
“我们专注于汽车领域，涉及图像传感器、激光雷达。”Cadence Tensilica IP集团产品总监Pulin Desai表示，“但其他应用比如机器人，还可能要涉及更多图像传感器，以及IMU、陀螺仪、磁力计、加速度计等其他传感器，并且在应用上，您将对其进行融合。这些传感器在许多不同的领域以不同的方式使用。虽然汽车传感器的话题很热，但家用扫地机器人也使用相同的图像传感器和雷达传感器，它可能具有与无人机非常相似的架构。任何类型的无人驾驶车辆都具有此类传感器。”
在传感器融合中，因为有大量数据流入，所以弄清楚在哪处理所有数据是一个挑战，毕竟并非所有数据都采用相同的格式。
“这其中存在典型的边缘计算情况，您需要决定如何平衡整个链条的处理——从模拟世界获取数据的地方，到在大脑中做出决定或与驾驶员交互的地方混合使用模型，”Arteris的Schirrmeister说道。“对象关联听起来更现实，但也存在各种各样的挑战。热成像、激光雷达和其他雷达都使用不同的类型来表示数据。如果你知道激光雷达的工作原理，就明白它本质上是给你一定距离内的点，这与你从摄像头获得的数据完全不同。将这些全部关联起来当然不是一件小事，并且可能需要大量计算。更重要的是，您还需要确定不同的item之间是否彼此不一致。如果是这样，你会选择什么？你使用一些平均值吗？对于所有这些传感器的组合来说绝对是一个挑战。”
当谈到数据的实际融合时，西门子的Fritz考察了多种方法。
“第一种方法是在早期尝试中，NVIDIA 取得了飞速发展，他们说，‘我们可以做很多人工智能的事情。当传感器数据进来时，我们可以使用我们的高端GPU，尝试降低这些GPU的功耗，然后使用神经网络对其进行处理。’这就是几年前我们在设备中放置一个机架用来做水冷的原因。
第二种方法是，激光雷达人员会说，‘我知道你不能为每台激光雷达支付20000美元，所以我们正在努力让激光雷达变得更便宜。有人说，‘好吧，等等，相机大概是35美分，我们为什么不放一堆摄像机，把所有这些融合在一起呢？’于是摄像头取代雷达传感器成了部分企业的选择。
第三种方法是，几年前有人开始了一种采用“蛮力”，或说几乎是“脑死亡”的方法，“成功”地融合了激光雷达、摄像头、其他雷达的数据，例如将激光雷达数据转换为RGB。“因为有距离信息，所以我们的帧数暴增，然后我们将通过最简单的卷积神经网络运行它，来尝试检测对象并对它们进行分类。这就是它疯狂的程度，但有些人仍在尝试这样做。”
相比之下，特斯拉仍然主要依赖摄像头数据。Fritz说，这是可能的，因为立体相机的功能，甚至是单声道相机中固定时间段内的连续帧，可以使用视差来确定深度。“正因为如此，他们说，‘为什么我需要激光雷达？因为我没有激光雷达，所以我就不存在传感器融合问题。’但实际情况是，它只是简化了事情，并没有解决问题。那假设相机上的镜头被水或污垢覆盖了怎么办？他们需要担心这些问题。不过在极端的另一端，如果你完全依赖激光雷达也不好，我见过这样的场景：路边有一个“人穿过街道”的2D图像，而汽车认为这是一个真人。为什么？因为反射，激光雷达上会收录多种人们不希望的数据，而且要过滤掉这些数据非常困难。”
融合不同的数据类型还取决于传感器代表的需求。“人们正在谈论早期、中期和晚期融合，”Cadence的Desai 说。“这一切都取决于我们的客户、我们客户的客户的系统设计，这说明了他们试图解决什么类型的问题。我们对其中一些事情是不可知的，因为体视传感器可以进行早期融合或后期融合，因为你的图像和数据都已经识别了物体，并且你可以对其进行后期融合。但这之外还可能存在中间融合，这更像是系统供应商选择他们想要如何进行融合，他们想要做多少计算，信息有多强大，或者他们试图解决什么类型的问题。于是融合的难度取决于融合的类型。”
传感器融合的类型
不同的融合选项，来源：Cadence
Desai说，另一个需要考虑的因素是何时使用它们，或者传统DSP是否更合适，尤其是在人们对AI/ML技术高度关注的情况下。“我将我们过去所做的一些事情，与我们今天所做的事情进行了比较。发现其实AI一定程度上限制了我们。
在某些问题上，你可以利用人工智能实现非常高的成功率。例如，我们在2012年和2013年做人脸和人物检测时，我们使用了传统的计算机视觉算法，但当时它们不是很准确，因为达到高准确度是非常困难的。然后当我们开始采用AI时，它巨大地提升了人脸检测和人物检测方面的性能。
但现在有一个非常确定的情况，如果你说，“我要做人脸检测，我可以达到我们所说的人类99%的准确率，而人工智能可以给我97%的准确率。”那我为什么要用一些不够好的东西？我会去使用这个人工智能，因为我确切地知道它的作用，并且它提供了最好的准确性。但在某些情况下，例如当我仍在尝试解决问题时，我需要用不同的算法在特定环境中进行尝试。我需要能够做到X、Y或Z，并且我需要灵活性。在那些场景下，您可以继续使用DSP来执行这些算法。”
此外，很多时候，使用人工智能引擎时，进入人工智能引擎的数据必须经过预处理，这意味着它必须采用特定的格式。
“在特定的数据类型中，你的人工智能引擎可能会说，‘我只做定点，’”Desai解释道。“所以你可以使用可编程引擎来做到这一点。那么，一旦你把某些东西放入人工智能中，你可能就没有太大的灵活性了。四年后，当新事物出现时，你或必须改变它。有很多不同的因素。本质上，如果您正在做一些非常确定的事情，您就会知道您可以实现非常高的性能，并且您今天就知道了。你可能会说，‘今天我要引入人工智能来解决这个问题。明天，我可能仍然会这样做。”然后，我通过使用可编程引擎来增加灵活性。或者，如果我不知道我需要使用它，那么我仍然会使用经典算法来处理它。即使我有人工智能，我仍然需要对数据进行预处理和后处理，所以我需要使用我的经典DSP算法。”
结论
随着汽车OEM和系统公司将其计算架构向传感器融合发展，大量的实验将成为必要。
西门子的Fritz认为，在这个进化时期，处理开发的正确方法是雇用和/或组建一些小团队来进行大量试点项目。“可能有十几个人或二十来人。例如，他们的目标可能是到2026年或2028年在测试环境中生产300个原型。”
尽管如此，每个OEM目前的处境仍取决于他们自己、他们进行架构开发的时间以及他们未来希望如何做到这一点。
“不同的OEM拥有不同水平的专业知识。有些人正试图加强他们的团队来解决这个问题，”Fritz指出。“大多数原始设备制造商都有一点‘不是这里发明的’综合症，他们认为自己可以做到这一点，因为他们有很多聪明的人。问题是，您是否要将ECU（电子控制单元）从100个增加到200个，并使车辆的重量增加一倍？换句话说，他们现在的员工中往往没有全面思考这个问题的人。他们的想法是，‘我有一把锤子，所以我面对的一定是一颗钉子。’然后他们就惨败了。”
与大多数新技术一样，开发人员认识到他们需要一个适合自己CPU的编译器，因此他们尝试构建自己的编译器。“然后他们发现，他们认为可以做到的两个人却做不到，并意识到他们还需要四个人，然后，再需要一两个人，”他说。“到最后，他们对它投入了如此多的感情，很难消灭它，而且这种情况会永远持续下去，直到最后他们最终购买了他们需要的芯片并解雇了100名内部开发人员。这种情况经常发生，在汽车领域也不例外。传感器融合是我们正在看到这种现象发生的几个关键领域之一。就像这个领域的其他一切一样，就像多年前发令枪响了一样，人们开始跑步，然后意识到，‘我还没有为这场马拉松进行训练。’”
等等，你想了解更多企业和产品？
那就在2023年9月20-22日，来深圳国际会展中心（宝安），参加IOTE 2023 第二十届国际物联网展·深圳站。60000平方米的展会，汇聚了多个产业上中下游的玩家，不仅能提供行业最前沿的产品信息，也为业内人士提供了交流合作的机会，观众只需报名，即可享受免费、高效、精准的资源对接。展会针对性地提供了传感器专场，此外也有RFID、工业物联网、云平台、通信、人工智能、电子纸、泛安防等领域。识别下方二维码，即可报名观展!
报名成为VIP观众观展
~END~
