这就好比是我们时代的登月计划。从传感器到人工智能(AI)，经典的电子供应链已经形成了一个协作矩阵，致力于实现自动驾驶车辆的安全性。为此，还需进行大量硬件和软件开发工作，以确保驾驶员、乘客和行人受到保护。尽管机器学习和AI可以发挥作用，但其有效性取决于输入数据的质量。因此，除非自动驾驶车辆建立在高性能、高可靠度传感器信号链的基础上，始终提供最准确的数据作为生死决策的依据，否则便不能被认为是安全的。
就像最初的登月一样，在通往安全自动驾驶车辆的道路上还存在许多障碍。最近发生的涉及自动驾驶车辆的事故助长了唱反调者的声势，他们认为车辆及其行驶环境太复杂，变数太多，而算法和软件仍然错误太多。对于参与了ISO26262功能安全合规性验证的任何人来说，他们对此持怀疑态度是可以理解的。这种怀疑态度有相关数据的支持，下图比较了2017年在硅谷测试的五家自动驾驶车辆公司的实际行驶里程数和脱离自动驾驶模式的次数（图1）。2019年的数据尚未汇总，但个别公司的报告可在网上查阅。
图1. 五大自动驾驶制造商在加州的测试数据：每次脱离人为接管后自动驾驶系统的平均行驶英里数（2017年12月至2018年10月）。在这段时间内，总共有28家公司主动在在加州的公众场合对车辆进行了测试。期间，在自动驾驶模式下共行驶2,036,296英里，发生143,720次人为接管。
但是目标已经很明确，当务之急是要在自动驾驶即将到来之时，保障至关重要的安全性。加州车辆管理局(DMV)2018年的非官方数据显示，同等英里数下，自动驾驶模式的人为接管次数正在减少，这也表明自动驾驶系统正变得越来越强大。而这种趋势需要进一步加快。
通过将协作和新思维放在第一位，汽车制造商将直接与芯片供应商洽谈；传感器制造商将与AI算法开发人员讨论传感器融合；而软件开发人员将与硬件提供商建立联系，充分发挥两者的优势。旧的关系正在改变，新的关系正在动态地形成，以优化最终设计的性能、功能、可靠性、成本和安全性。
生态系统正在寻求合适的模式，以便在此基础上制造和测试全自动驾驶车辆，用于快速涌现的新应用，如自动驾驶出租车(robo-taxi)和长途货车。在此过程中，高级驾驶辅助系统(ADAS)所使用的传感器不断改进，使得自动化程度快速提高。
图2. 用于ADAS感知和车辆导航的各种传感技术往往独立工作，并向驾驶员发出预警，以便做出反应。
这些传感器技术包括摄像头、激光探测与测距(LiDAR)、无线电探测与测距(radar)、微机电传感器(MEMS)、惯性测量单元(IMU)、超声波和GPS，所有这些都为人工智能系统提供关键的数据输入，从而驱动真正的自动驾驶车辆。
在最初的几代系统中，随着车辆开始具备L2功能，各个传感器系统独立工作。这些预警系统误报率较高，带来了不少麻烦，因此经常被关闭。
为了实现具有认知能力的全自动驾驶车辆，传感器的数量将显著增加。此外，性能和响应速度也必须大幅提升（图3、图4）。
图3. 为了确保自动驾驶车辆的安全，必须充分探测当前和历史状态、环境特性以及车辆自身状态（位置、速度、轨迹和机械状况）。
图4. 自动驾驶等级和传感器要求。
将更多传感器安装在车辆上后，还可以更好地监控和分析当前机械状况，如胎压、重量变化（例如，负载和无负载、一名乘客或五名乘客），以及可能影响制动和操控的其他磨损因素。有了更多的外部传感方式，车辆可以更充分地感知其行驶状况和周围环境。
传感方式的改进使汽车能够识别环境的当前状态，并了解历史状态。这来自于ENSCO航空航天科学和工程部首席技术官Joseph Motola开发的原理。这种传感能力既可以完成一些简单的任务，例如探查道路状况，识别坑洼位置，也可以进行一些详细分析，比如一段时间内在特定区域发生的事故类型以及事故原因。
在产生这些认知概念时，由于感测、处理、内存容量和网络连接的限制，使它们看起来似乎遥不可及。但现在情况已经大有改观。现在，系统可以访问这些历史数据，并将其与车辆传感器提供的实时数据相结合，以提供越来越准确的预防性措施，避免发生事故。
例如，IMU可以检测到因坑洼或障碍物引起的突然跃起或偏离。过去，这些信息无处传输，但现在通过实时连接，可将这些数据发送到中央数据库，并用于警告其他车辆有关坑洼或障碍物的信息。摄像头、雷达、激光雷达和其他传感器数据也是如此。
在提高车辆感知方面，现已取得了很大的进展。重点在于从各个传感器收集数据，并应用传感器融合策略，将互补优势发挥到极致，弥补不同传感器在各种条件下各自的弱点（图5）。
图5. 每一种传感技术都有其各自的优缺点，但只要有适当的传感器融合策略，它们就可以优势互补并弥补弱点。
不过，要想真正有效地解决行业面临的问题，仍有许多工作要做。例如，要提高摄像头计算横向速度的能力（也就是物体在与车辆行驶方向垂直的路径上移动的速度）。但是，要实现足够低的误报率，即使是最好的机器学习算法仍然需要大约300毫秒来进行横向移动检测。对于在以每小时60英里速度行驶的车 辆和在车辆前方行走的行人来说，毫秒之差就关系到人员受伤的轻重程度，因此响应时间至关重要
300毫秒延迟是由系统从连续视频帧执行增量矢量计算所需的时间造成的。要进行可靠的检测，需要十个或以上连续帧，但我们必须将其降到一个或两个连续帧，以便给车辆足够的响应时间。雷达可以做到这一点。
同样，雷达在速度和物体探测方面也有许多优点，例如对方位和俯仰角的高分辨率，以及“看到”周围物体的能力，但它也需要为车辆提供更多的时间来作出反应。以400公里/小时或更高的速度测定为目标，77GHz至79GHz的一些开发工作取得了新的进展。这种水平速度测定可能看起来很极端，但对于支持复 杂的双向车道行驶是必要的，在这种路况中，相向行驶的车辆的相对速度超过200公里/小时。
激光雷达可以弥补摄像头和一般雷达的不足，是具有认知能力的全自动驾驶车辆上一个必不可少的组件（图6）。但它也面临着挑战。
图6. 全自动驾驶车辆主要依赖360˚检测，需要使用先进的雷达、激光雷达、摄像头、惯性测量单元和超声波传感器
激光雷达正在发展为经济高效的紧凑型固态设计，可以放置在车辆周边的多个位置，以支持完整的360˚覆盖范围。它与一般雷达和摄像头系统相辅相成，提升了角分辨率和深度感知，以提供更精确的三维环境影像。
但是，近红外波段(IR)(850nm至940nm)对视网膜有害，因此其能量输出在905nm处被严格调节到200nJ/脉冲。而通过迁移到波长超过1500nm的短波红外，这些光由眼睛的整个表面吸收。这样就可以放宽一些限制，调节到每脉冲8 mJ。1500nm脉冲激光雷达系统的能量级别是905nm激光雷达的40,000倍，探测距离是后者的4倍。此外，1500nm系统可以更好地抵御某些环境条件，如雾霾、灰尘和细小的气溶胶。
1500nm激光雷达面临的挑战是系统成本，这在很大程度上受到光伏探测器技术的推动(该技术如今基于InGaAs技术)。获得高质量解决方案，即具有高灵敏度、低暗电流和低电容，将是1500nm激光雷达取得进展的关键技术。此外，随着激光雷达系统进入第二代和第三代，需要使用针对应用而优化的电路集成，以减少尺寸、功率和整体系统成本。
除了超声波、摄像头、雷达和激光雷达之外，其他传感技术也在实现全自动驾驶方面发挥着关键作用。GPS让车辆能够始终了解自己所处的位置。尽管如此，仍有一些地方无法获得GPS信号，例如隧道和高层建筑中。而这就是惯性测量单元发挥重要作用的地方。
尽管经常被忽视，但IMU非常稳定可靠，因为它依赖于重力，而重力几乎不受环境条件影响。它对航位推算非常有用。在暂时没有GPS信号的情况下，航位推算可使用来自速度计和IMU等来源的数据，检测行驶的距离和方向，并将这些数据叠加到高清地图上。这使自动驾驶车辆能够保持在正确的轨迹，直到GPS信号恢复。
为了确保传感器的可靠性，即使是最先进的模拟信号链也必须不断改进，以检测、获取和数字化转换传感器信号，使其准确度和精度不会随时间和温度的变化而发生偏差。采用合适的器件和设计方法，可以大幅缓解一些出了名的难题（如偏置温漂、相位噪声、干扰和其他不稳定现象）。高精度/高质量的数据是机器学习和人工智能处理器得到适当训练并做出正确决策的基础。一般不会有第二次机会让你重头来过。
一旦数据质量得到保证，各种传感器融合方法和人工智能算法就可以做出最佳响应。事实上，不管人工智能算法训练得有多好，一旦模型被编译并部署到网络边缘的设备上，它们的有效性就完全依赖于高精度的传感器可靠数据。
传感器模式、传感器融合、信号处理和人工智能之间的这种相互作用，对具有智能和认知能力的自动驾驶车辆的发展，以及保障驾驶员、乘客和行人安全都有着深远的影响。但是，如果没有高度可靠、准确、高精度的传感器信息（这些信息是安全自动驾驶车辆的基础），一切都毫无意义。
和任何先进技术一样，我们在这方面做的工作越多，就会发现更多需要解决的复杂用例。这种复杂性将继续对现有技术构成难题，因此我们期待下一代传感器和传感器融合算法可以解决这些问题。
就像最初的登月一样，我们对于整个自动驾驶车辆推行计划也抱有巨大的期待，希望这将为社会带来深刻的变革和持久的影响。从辅助驾驶发展到自动驾驶，不仅会大幅提升交通安全性，还会显著提高生产力。而这样的未来完全依托于传感器，其他一切都将建立在传感器基础之上。
过去25年来，ADI一直致力于汽车安全和ADAS发展。现在，ADI正在为自动驾驶的未来奠定基础。ADI围绕惯性导航、高性能雷达和激光雷达等领域的卓越积累，提供高性能传感器和信号/功率链解决方案。这些解决方案不仅将大幅提高这些系统的性能，而且还将降低整个平台的实施成本，从而加快我们迈向自动驾驶的步伐。
关于让自动驾驶滞留多年的安全问题，各位筒子们有什么看法呢？欢迎在下方留言讨论~
