從傳感器到人工智能，經典的電子供應鏈已經形成了一個協作矩陣，致力于實現自動駕駛車輛的安全性。

自動駕駛發展就好比是登月計劃。

從傳感器到人工智能，經典的電子供應鏈已經形成了一個協作矩陣，致力于實現自動駕駛車輛的安全性。

為此，還需進行大量硬件和軟件開發工作，以確保駕駛員、乘客和行人受到保護。

盡管機器學習和AI可以發揮作用，但其有效性取決于輸入數據的質量。

因此，除非自動駕駛車輛建立在高性能、高可靠度傳感器信號鏈的基礎上，始終提供最準確的數據作為生死決策的依據，否則便不能被認為是安全的。

就像最初的登月一樣，在通往安全自動駕駛車輛的道路上還存在許多障礙。

最近發生的涉及自動駕駛車輛的事故助長了唱反調者的聲勢，他們認為車輛及其行駛環境太復雜，變數太多，而算法和軟件仍然錯誤太多。

對于參與了ISO26262功能安全合規性驗證的任何人來說，他們對此持懷疑態度是可以理解的。

這種懷疑態度有相關數據的支持。

下圖比較了2017年在硅谷測試的五家自動駕駛車輛公司的實際行駛里程數和脫離自動駕駛模式的次數（圖1）2019年的數據尚未匯總，但個別公司的報告可在網上查閱。

但是目標已經很明確，當務之急是要在自動駕駛即將到來之時，保障至關重要的安全性。

加州車輛管理局（DMV） 2018年的非官方數據顯示，同等英里數下，自動駕駛模式的人為接管次數正在減少，這也表明自動駕駛系統正變得越來越強大。而這種趨勢需要進一步加快。

通過將協作和新思維放在第一位，汽車制造商將直接與芯片供應商洽談，傳感器制造商將與AI算法開發人員討論傳感器融合。

而軟件開發人員將與硬件提供商建立聯系，充分發揮兩者的優勢。舊的關系正在改變，新的關系正在動態地形成，以優化最終設計的性能、功能、可靠性、成本和安全性。

*（圖1）五大自動駕駛制造商在加州的測試數據：每次脫離人為接管后自動駕駛系統的平均行駛英里數（2017年12月至2018年10月）。

在這段時間內，總共有28家公司主動在在加州的公眾場合對車輛進行了測試。期間，在自動駕駛模式下共行駛2，036，296英里，發生143，720次人為接管。

生態系統正在尋求合適的模式，以便在此基礎上制造和測試全自動駕駛車輛，用于快速涌現的新應用，如自動駕駛出租車（robo-taxi）和長途貨車。

在此過程中，高級駕駛輔助系統（ADAS）所使用的傳感器不斷改進，使得自動化程度快速提高。

這些傳感器技術包括攝像頭、激光探測與測距（LiDAR）、無線電探測與測距（radar）、微機電傳感器（MEMS）、慣性測量單元（IMU）、超聲波和GPS，所有這些都為人工智能系統提供關鍵的數據輸入，從而驅動真正的自動駕駛車輛。

*（圖2）用于ADAS感知和車輛導航的各種傳感技術往往獨立工作，并向駕駛員發出預警，以便做出反應。

*（圖3）為了確保自動駕駛車輛的安全，必須充分探測當前和歷史狀態、環境特性以及車輛自身狀態（位置、速度、軌跡和機械狀況）。

車輛的認知能力是預測性安全的基石

車輛的智能化程度通常用自動駕駛級別來表示：L1和L2主要是預警系統，而L3或更高級別的車輛被授權控制以避免事故，隨著車輛發展到L5，方向盤將被取消，車輛完全自動駕駛。

在最初的幾代系統中，隨著車輛開始具備L2功能，各個傳感器系統獨立工作。

這些預警系統誤報率較高，帶來了不少麻煩，因此經常被關閉。

為了實現具有認知能力的全自動駕駛車輛，傳感器的數量將顯著增加。此外，性能和響應速度也必須大幅提升（圖3、圖4）。

將更多傳感器安裝在車輛上后，還可以更好地監控和分析當前機械狀況，如胎壓、重量變化（例如，負載和無負載、一名乘客或五名乘客），以及可能影響制動和操控的其他磨損因素。

有了更多的外部傳感方式，車輛可以更充分地感知其行駛狀況和周圍環境。

傳感方式的改進使汽車能夠識別環境的當前狀態，并了解歷史狀態。

這來自于ENSCO航空航天科學和工程部首席技術官Joseph Motola開發的原理。

這種傳感能力既可以完成一些簡單的任務，例如探查道路狀況，識別坑洼位置，也可以進行一些詳細分析，比如一段時間內在特定區域發生的事故類型以及事故原因。

在產生這些認知概念時，由于感測、處理、內存容量和網絡連接的限制，使它們看起來似乎遙不可及。

但現在情況已經大有改觀。現在，系統可以訪問這些歷史數據，并將其與車輛傳感器提供的實時數據相結合，以提供越來越準確的預防性措施，避免發生事故。

例如，IMU可以檢測到因坑洼或障礙物引起的突然躍起或偏離。過去，這些信息無處傳輸，但現在通過實時連接，可將這些數據發送到中央數據庫，并用于警告其他車輛有關坑洼或障礙物的信息。

攝像頭、雷達、激光雷達和其他傳感器數據也是如此。

這些數據經過編譯、分析和融合，使車輛能夠利用這些數據對其行駛環境作出預判。

這使車輛能夠成為一臺有學習能力的機器，有望做出比人類更好、更安全的決策。

*（圖4）自動駕駛等級和傳感器要求。

多方面決策和分析

在提高車輛感知方面，現已取得了很大的進展。重點在于從各個傳感器收集數據，并應用傳感器融合策略，將互補優勢發揮到極致，彌補不同傳感器在各種條件下各自的弱點（圖5）。

*（圖5）每一種傳感技術都有其各自的優缺點，但只要有適當的傳感器融合策略，它們就可以優勢互補并彌補弱點。

不過，要想真正有效地解決行業面臨的問題，仍有許多工作要做。例如，要提高攝像頭計算橫向速度的能力（也就是物體在與車輛行駛方向垂直的路徑上移動的速度）。

但是，要實現足夠低的誤報率，即使是最好的機器學習算法仍然需要大約300毫秒來進行橫向移動檢測。

對于在以每小時60英里速度行駛的車輛和在車輛前方行走的行人來說，毫秒之差就關系到人員受傷的輕重程度，因此響應時間至關重要。

300毫秒延遲是由系統從連續視頻幀執行增量矢量計算所需的時間造成的。

要進行可靠的檢測，需要十個或以上連續幀，但我們必須將其降到一個或兩個連續幀，以便給車輛足夠的響應時間。雷達可以做到這一點。

同樣，雷達在速度和物體探測方面也有許多優點，例如對方位和俯仰角的高分辨率，以及“看到”周圍物體的能力，但它也需要為車輛提供更多的時間來作出反應。

以400公里/小時或更高的速度測定為目標，77GHz至79GHz的一些開發工作取得了新的進展。

這種水平速度測定可能看起來很極端，但對于支持復雜的雙向車道行駛是必要的，在這種路況中，相向行駛的車輛的相對速度超過200公里/小時。

激光雷達可以彌補攝像頭和一般雷達的不足，是具有認知能力的全自動駕駛車輛上一個必不可少的組件（圖6）。

但它也面臨著挑戰。

激光雷達正在發展為經濟高效的緊湊型固態設計，可以放置在車輛周邊的多個位置，以支持完整的360？覆蓋范圍。

它與一般雷達和攝像頭系統相輔相成，提升了角分辨率和深度感知，以提供更精確的三維環境影像。

但是，近紅外波段（IR）（850 nm至940 nm）對視網膜有害，因此其能量輸出在905 nm處被嚴格調節到200 nJ/脈沖。

而通過遷移到波長超過1500 nm的短波紅外，這些光由眼睛的整個表面吸收。這樣就可以放寬一些限制，調節到每脈沖8 mJ。1500 nm脈沖激光雷達系統的能量級別是905 nm激光雷達的40，000倍，探測距離是后者的4倍。

此外，1500 nm系統可以更好地抵御某些環境條件，如霧霾、灰塵和細小的氣溶膠。

1500 nm激光雷達面臨的挑戰是系統成本，這在很大程度上受到光伏探測器技術的推動（該技術如今基于InGaAs技術）。

獲得高質量解決方案，即具有高靈敏度、低暗電流和低電容，將是1500 nm激光雷達取得進展的關鍵技術。

此外，隨著激光雷達系統進入第二代和第三代，需要使用針對應用而優化的電路集成，以減少尺寸、功率和整體系統成本。

除了超聲波、攝像頭、雷達和激光雷達之外，其他傳感技術也在實現全自動駕駛方面發揮著關鍵作用。

GPS讓車輛能夠始終了解自己所處的位置。盡管如此，仍有一些地方無法獲得GPS信號，例如隧道和高層建筑中。

而這就是慣性測量單元發揮重要作用的地方。

*（圖6）全自動駕駛車輛主要依賴360°檢測，需要使用先進的雷達、激光雷達、攝像頭、慣性測量單元和超聲波傳感器

盡管經常被忽視，但IMU非常穩定可靠，因為它依賴于重力，而重力幾乎不受環境條件影響。

它對航位推算非常有用。

在暫時沒有GPS信號的情況下，航位推算可使用來自速度計和IMU等來源的數據，檢測行駛的距離和方向，并將這些數據疊加到高清地圖上。

這使自動駕駛車輛能夠保持在正確的軌跡，直到GPS信號恢復。

高質量數據可節約時間，挽救生命

和這些傳感技術一樣重要的是它們的可靠性，如果傳感器本身不可靠，輸出的信號沒有被準確捕獲以作為高精度數據提供給上游，那么這些關鍵的傳感器將變得毫無意義，也正應驗了那句話，“如果輸入的是垃圾，那么輸出的也一定是垃圾”。

為了確保傳感器的可靠性，即使是最先進的模擬信號鏈也必須不斷改進，以檢測、獲取和數字化轉換傳感器信號，使其準確度和精度不會隨時間和溫度的變化而發生偏差。采用合適的器件和設計方法，可以大幅緩解一些出了名的難題（如偏置溫漂、相位噪聲、干擾和其他不穩定現象）。

高精度/高質量的數據是機器學習和人工智能處理器得到適當訓練并做出正確決策的基礎。一般不會有第二次機會讓你重頭來過。

一旦數據質量得到保證，各種傳感器融合方法和人工智能算法就可以做出最佳響應。

事實上，不管人工智能算法訓練得有多好，一旦模型被編譯并部署到網絡邊緣的設備上，它們的有效性就完全依賴于高精度的傳感器可靠數據。

傳感器模式、傳感器融合、信號處理和人工智能之間的這種相互作用，對具有智能和認知能力的自動駕駛車輛的發展，以及保障駕駛員、乘客和行人安全都有著深遠的影響。

但是，如果沒有高度可靠、準確、高精度的傳感器信息（這些信息是安全自動駕駛車輛的基礎），一切都毫無意義。

和任何先進技術一樣，我們在這方面做的工作越多，就會發現更多需要解決的復雜用例。

這種復雜性將繼續對現有技術構成難題，因此我們期待下一代傳感器和傳感器融合算法可以解決這些問題。

就像最初的登月一樣，我們對于整個自動駕駛車輛推行計劃也抱有巨大的期待，希望這將為社會帶來深刻的變革和持久的影響。

從輔助駕駛發展到自動駕駛，不僅會大幅提升交通安全性，還會顯著提高生產力。而這樣的未來完全依托于傳感器，其他一切都將建立在傳感器基礎之上。

亞德諾半導體公司（Analog Devices）對自動駕駛汽車提出的一些看法：

1.駕駛員、乘客和行人安全，自動駕駛&如何贏得消費者信任

要想無人駕駛汽車上路行駛，自動駕駛生態系統需要攻克的首要課題就是安全問題——既包括確保實際行車安全，也包括消除人們心中對于安全的擔憂。

全自動駕駛預計要到2030年乃至更久之后才有望實現，因為還有無數工程方面的課題有待解決。可以說安全問題始終是包括汽車制造商、技術公司、AI供應商、政策制定者以及學術界在內的自動駕駛生態系統亟需解決的重要議題之一。

要想實現全自動駕駛，首先需要采用多功能系統級的方法，為汽車提供一種實時360度安全屏障，通過融合來自攝像頭、雷達、激光雷達和高性能運動傳感器的數據，使汽車能夠準確感知車身周圍路況，且始終能夠基于安全考量做出正確決策。如今攝像頭已成為汽車標配，但為打造這種360度安全屏障，雷達和激光雷達等技術勢必將成為新一代汽車的標配。”

2.傳感器技術、IMU、人工智能和機器學習能力技術突破

核心傳感器技術對于人工智能導航系統至關重要，包括攝像頭、激光雷達、雷達、微機電系統（慣性MEMS）、超聲波和全球定位系統（GPS），有助于實現更高級別的車輛自主化。

具備這些功能的汽車能夠更好地感知周圍環境，這對于解決安全問題至關重要，而安全可謂自動駕駛生態系統最重要的課題。除了支持更強大的車輛感知系統外，這些傳感器還能對影響制動和操控的機械狀況和相關維護因素進行監控。”

要使自動駕駛汽車具備全面認知能力，不僅要將傳感器作為標配，還需要大量增加其數量，進而大幅提高性能并縮短響應時間。ADI正在研究一些用于未來汽車的技術，包括短程和遠程激光雷達以及成像雷達解決方案，其可提供差異化的感知檢測，明顯降低誤報率，縮短響應時間，使我們離安全的高度自動駕駛這一愿景更近一步。

目前，業界已將目標著眼于L3+級自動駕駛，這也有助于推進日后L5級自動駕駛所需的感知技術的發展。L3+級處于ADAS（1-3級）和全自動駕駛（4-5級）這兩大類之間，兼顧實用性和高性能。包括全速公路自動駕駛和AEB+技術在內的L3+級應用需要更高性能的傳感器來提供支持，讓車輛在行駛途中不僅能夠制動，還能夠進行轉向以避免發生交通事故。這種關鍵的傳感器架構將成為構建未來全自動駕駛汽車的基礎。

3. 企業如何運用自動駕駛（AV， Autonomous Vehicle）技術賦力商業模式創新

自動駕駛市場的新技術催生了許多令人為之興奮的潛在商業模式創新。自動駕駛汽車能夠簡化交通與服務，以安全且低成本的方式造福人類，這是企業和社區和諧運作之根本，也有助于提升易用性和生產力。

基于自動駕駛汽車的功能，一些公司正致力于重新定義人們享用相關服務的方式。從物流用車到公共交通、再到共享出行服務，自動駕駛能夠改變人們的出行方式，為人們的出行增添更多選擇，并讓我們能夠更好地利用時間。如今老年人也希望能夠隨時自由出行，而在自動駕駛汽車時代，他們不用求助于人就能獨立出行。

4. 價格負擔能力、測試計劃、城市先行——現實中我們離實現自動駕駛尚有距離已成為共識。

為實現經濟安全的全自動駕駛汽車，我們還需應對許多方面的挑戰，諸如技術、基礎設施和消費者接受度等。傳感和計算技術尚未成為汽車標配，其功能也還需進一步完善，才能實現自動駕駛汽車始終安全行駛的目標。除汽車自身之外，新的基礎設施技術，例如車輛間以及車對基礎設施通信（統稱為“V2X”）也須得到更廣泛的部署。

盡管我們尚未實現全自動駕駛，但L3+級自動駕駛兼具卓越的性能與實用性功能，使我們又向前邁進了一步，能夠向公眾提供更強大的技術。L3+級應用所需的高度自動駕駛技術會成為自動駕駛汽車生態系統的重點，因為這一關鍵的傳感器架構將為更廣泛地部署全自動駕駛汽車奠定基礎。

盡管全自動駕駛車輛目前尚未普及，但其基礎技術在其他應用領域正日趨成熟，例如在自動化工業設備領域。技術在這些應用領域不斷打磨和發展，日后在成本、尺寸、重量和功耗等方面都將能夠滿足汽車應用的需求并得以更廣泛的應用。