來源：半導體行業觀察，謝謝
編輯：感知芯視界
由於傳感器的成本從 15 美元到 1,000 美元不等，汽車制造商開始質疑車輛至少在部分時間內需要多少傳感器才能實現完全自動駕駛。
這些傳感器用於收集有關周圍環境的數據，包括圖像、激光雷達、雷達、超聲波和熱傳感器。
一種類型的傳感器是不夠的，因為每一種都有其局限性。
這是傳感器融合背後的關鍵驅動力，它結合了多種類型的傳感器以實現安全的自動駕駛。
所有 2 級或更高級別的車輛都依靠傳感器『看到』周圍環境並執行車道居中、自適應巡航控制、緊急制動和盲點警告等任務。
到目前為止，OEM 正在采用截然不同的設計和部署方法。
2022 年 5 月，梅賽德斯-賓士在德國推出了第一款能夠進行 3 級自動駕駛的汽車。
3 級自動駕駛是 S 級和 EQS 的一個選項，計劃於 2024 年在美國推出。
據該公司稱，建立在駕駛輔助包《雷達和攝像頭》基礎上的 DRIVE PILOT 添加了新的傳感器，包括激光雷達、前窗的高級立體攝像頭和後窗的多功能攝像頭。
前駕駛室還增加了麥克風《特別是用於檢測緊急車輛》和濕度傳感器。
總共安裝了 30 個傳感器來捕獲安全自動駕駛所需的數據。
特斯拉走的是一條不同的道路。
2021 年，特斯拉宣佈其 Tesla Vision 純攝像頭自動駕駛技術戰略將在 Model 3 和 Model Y 上實施，隨後在 2022 年在 Model S 和 Model X 上實施。
該公司還決定取消超聲波傳感器。
傳感器限制
當今自動駕駛設計面臨的挑戰之一是不同傳感器的限制。
為了實現安全的自動駕駛，可能需要傳感器融合。
關鍵問題不僅是傳感器的數量、類型和部署位置，還包括 AI/ML 技術應如何與傳感器交互以分析數據以做出最佳駕駛決策。
圖 1：為了克服傳感器限制，可能需要傳感器融合，將多個傳感器組合起來進行自動駕駛，以實現最佳性能和安全性。
『自動駕駛廣泛使用人工智能技術，』 Rambus安全 IP 技術產品經理 Thierry Kouthon 表示. 『自動駕駛，甚至是入門級的 ADAS 功能，都要求車輛表現出與人類駕駛員相當或更好的環境意識水平。
首先，車輛必須識別其他車輛、行人和路邊基礎設施，並確定它們的正確位置。
這需要 AI 深度學習技術能夠很好地解決的模式識別功能。
視覺模式識別是車輛密集使用的高級深度學習領域。
此外，車輛必須能夠始終計算其最佳軌跡和速度。
這需要 AI 也能很好地解決的路線規劃能力。
這樣，激光雷達和雷達就可以提供正確重建車輛環境所必需的距離信息』
傳感器融合，結合來自不同傳感器的信息以更好地了解車輛環境，仍然是一個活躍的研究領域。
『每種類型的傳感器都有局限性，』Kouthon 說。
『相機非常適合物體識別，但提供的距離信息很差，而且圖像處理需要大量的計算資源。
相比之下，激光雷達和雷達提供出色的距離信息，但清晰度較差。
此外，激光雷達在惡劣的天氣條件下效果不佳』
我們真正需要多少個傳感器？
對於自動駕駛系統需要多少傳感器的問題，沒有簡單的答案。
原始設備制造商目前正試圖解決這個問題。
這裡的其他考慮因素包括卡車在開闊的道路上行駛和城市機器人出租車有非常不同的需求。
『這是一項艱巨的計算，因為每個汽車原始設備制造商都有自己的架構，通過提供更好的空間定位、更長的距離和更高的可見度以及識別和分類物體然後區分各種物體的能力來保護車輛，』Cadence的 Tensilica Vision、雷達和激光雷達 DSP 產品管理和營銷總監Amit Kumar 說。
『這還取決於汽車制造商決定啟用何種級別的自動駕駛《例如，提供廣度》。
簡而言之，要實現部分自動駕駛，傳感器的最小數量可以是 4 到 8 個各種類型。
為了完全自動駕駛，今天使用了 12 個以上的傳感器』
Kumar 指出，在特斯拉的案例中，有 20 個傳感器《8 個攝像頭傳感器加上 12 個 3 級或以下的超聲波傳感器》，沒有激光雷達或雷達。
『該公司堅信計算機視覺，其傳感器套件適用於 L3 Autonomy。
媒體報道說，特斯拉可能會引入雷達來改進自動駕駛』
Zoox 實施了四個激光雷達傳感器，以及攝像頭和雷達傳感器的組合。
這是一輛完全無人駕駛的車輛，車內沒有駕駛員，目標是在地圖清晰、易於理解的路線上行駛。
商業部署尚未開始，但很快就會有一個有限的用例《不像乘用車那麼廣泛》。
Nuro 的自動駕駛送貨車，審美不是那麼重要，它使用了一個 360 度攝像頭系統，有四個傳感器，加上一個 360 度激光雷達傳感器，四個雷達傳感器，再加上超聲波傳感器。
實施這些系統沒有簡單的公式。
Synopsys汽車軟件與安全高級經理 Chris Clark 表示：『您需要的傳感器數量是組織可接受的風險水平，並且還取決於應用程序』’。
『如果你正在開發機器人出租車，他們不僅需要用於道路安全的傳感器，還需要車內的傳感器來監控乘客在車內的行為以確保乘客安全。
在這種情況下，我們將處於人口稠密和城市密度高的地區，該地區具有相當獨特的特征，而不是用於高速公路行駛的車輛，在高速公路上您有更長的距離和更大的反應空間。
在高速公路上，侵入車道的可能性較小。
我不認為有一個固定的規則，你必須擁有三種不同類型的傳感器和三個不同的攝像頭來覆蓋所有自動駕駛汽車的不同角度』
不過，有多少傳感器將取決於該車輛將要解決的用例。
『在機器人出租車的例子中，必須使用激光雷達和普通攝像頭，以及超聲波或雷達，因為密度太大而無法處理，』Clark說。
『此外，我們需要包括一個用於 V2X 的傳感器，流入車輛的數據將與車輛在周圍環境中看到的數據保持一致。
在公路卡車運輸解決方案中，將使用不同類型的傳感器。
除非我們正在做類似團隊合作的事情，否則超聲波在高速公路上的用處不大，但這不是前瞻性傳感器。
相反，它可能是前視和後視傳感器，這樣我們就可以連接到所有團隊資產。
但激光雷達和雷達變得更加重要，因為卡車在高速公路上行駛時必須考慮距離和范圍』
另一個考慮因素是所需的分析級別。
『有這麼多數據要處理，我們必須決定其中有多少數據是重要的，』他說。
『這就是傳感器的類型和功能變得有趣的地方。
例如，如果激光雷達傳感器可以在周期的早期進行本地分析，這將減少流回傳感器融合以進行額外分析的數據量。
減少數據量又會降低系統設計的總計算能力和成本。
否則，車輛將需要以整合計算環境或專註於傳感器網格化和分析的專用 ECU 的形式進行額外處理』
成本始終是一個問題
傳感器融合可能很昂貴。
在早期，由多個單元組成的激光雷達系統的成本可能高達 80,000 美元。
高成本來自設備中的機械部件。
如今，成本要低得多，一些制造商預計在未來的某個時候，它可能會低至每件 200 到 300 美元。
新興的熱傳感器技術將在幾千美元的范圍內。
總體而言，原始設備制造商將繼續面臨降低傳感器部署總成本的壓力。
使用更多攝像頭代替激光雷達系統將有助於原始設備制造商降低制造成本。
『在城市環境中，安全的基本定義是消除所有可避免的碰撞，』 Siemens Digital Industries Software混合和虛擬系統副總裁 David Fritz 說。
所需的最小傳感器數量取決於用例。
一些人認為，在未來，智慧城市基礎設施將變得更加復雜和無處不在，從而減少城市環境中對車載傳感的需求』
車對車通信也可能對傳感器產生影響。
『在這裡，機載傳感器的數量可能會減少，但我們還沒有做到這一點，』Fritz 觀察到。
『此外，在某些情況下，AV 必須假設所有外部信息由於電源故障或其他中斷而變得不可用。
因此，車輛始終需要配備一組傳感器——不僅適用於城市地區，也適用於農村地區。
我們一直致力於的許多設計都需要在車輛外部安裝八個攝像頭，在內部安裝幾個攝像頭。
前置兩個攝像頭，經過適當校準，我們可以實現低延遲、高分辨率立體視覺，提供物體的深度范圍，從而減少對雷達的需求。
我們在車輛的前部、後部和兩側都這樣做，以獲得完整的 360° 視角』
當所有攝像頭執行對象檢測和分類時，關鍵信息將被傳遞到中央計算系統以做出控制決策。
『如果基礎設施或其他車輛信息可用，它會與來自車載傳感器的信息融合，以生成更全面的 3D 視圖，從而做出更好的決策，』Fritz 說。
『在車內，額外的攝像頭用於監控駕駛員，還可以檢測遺留物體等占用情況。
可能添加一個低成本雷達來處理惡劣天氣情況，例如有霧或下雨的情況，是傳感器套件的高級補充。
我們最近沒有看到大量使用激光雷達。
在某些情況下，激光雷達性能會受到回波和反射的影響。
最初，自動駕駛原型嚴重依賴激光雷達數據的 GPU 處理，但最近更智能的架構越來越傾向於高分辨率，
優化傳感器融合可能很復雜。
您如何知道哪種組合能為您帶來最佳性能？除了進行功能測試外，原始設備制造商還依賴 Ansys 和西門子等公司提供建模和仿真解決方案，以測試各種傳感器組合的結果，以實現最佳性能。
增強技術影響未來的傳感器設計
智能基礎設施中的 V2X、5G、高級數字地圖和 GPS 等增強技術將實現自動駕駛，而車載傳感器更少。
但要讓這些技術得到提升，自動駕駛需要整個汽車行業的支持，以及智慧城市的發展。
『各種增強技術服務於不同的目的，』 Arteris IP解決方案和業務開發副總裁 Frank Schirrmeister 指出。
『開發人員通常會結合多個來創建安全便捷的用戶體驗。
例如，用於路徑規劃的地圖信息數字孿生可以在能見度有限的條件下創造更安全的體驗，以增強基於傳感器信息的車內本地決策。
V2V 和 V2X 信息可以補充車內本地可用的信息以做出安全決策，增加冗餘並創建更多數據點以作為安全決策的基礎』
此外，車聯網有望實現車輛與路邊基礎設施之間的實時協作，這需要超可靠低延遲通信 (URLLC) 等技術。
『這些需求導致各種人工智能技術在流量預測、5G 資源分配、擁塞控制等方面的應用，』Kouthon 說。
『換句話說，人工智能可以優化和減少自動駕駛對網絡基礎設施造成的沉重負擔。
我們希望原始設備制造商使用軟件定義的車輛架構構建自動駕駛汽車，其中 ECU 被虛擬化並通過無線方式更新。
數字雙胞胎技術對於在非常接近真實車輛的車輛雲模擬上測試軟件和更新至關重要』
結論
最終實施時，3 級自動駕駛可能需要 30 多個傳感器或十幾個攝像頭，具體取決於 OEM 的架構。
但關於哪個更安全，或者自動駕駛傳感器系統是否能在城市環境中提供與在高速公路上駕駛相同水平的安全駕駛，尚無定論。
隨著未來幾年傳感器成本的下降，它可能會打開新傳感器的大門，這些傳感器可以添加到組合中以提高惡劣天氣下的安全性。
但是，原始設備制造商可能需要很長時間才能對一定數量的傳感器進行標準化，這些傳感器被認為足以確保在所有條件和極端情況下的安全性。
*免責聲明：本文版權歸原作者所有，本文所用圖片、文字如涉及作品版權，請第一時間聯系我們刪除。
本平臺旨在提供行業資訊，僅代表作者觀點，不代表感知芯視界立場。
今日內容就到這裡啦，如果有任何問題，或者想要獲取更多行業幹貨研報，可以私信我或者留言