从辅助驾驶到自动驾驶道路还很远

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。

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。

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。

车辆的认知能力是预测性安全的基石车辆的智能化程度通常用自动驾驶级别来表示。L1 和 L2 主要是预警系统，而 L3 或更高级别的车辆被授权控制以避免事故。随着车辆发展到 L5，方向盘将被取消，车辆完全自动驾驶。

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.

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。

高质量数据可节约时间，挽救生命和这些传感技术一样重要的是它们的可靠性，如果传感器本身不可靠，输出的信号没有被准确捕获以作为高精度数据提供给上游，那么这些关键的传感器将变得毫无意义，也正应验了那句话，“如果输入的是垃圾，那么输出的也一定是垃圾”。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。

数据堂自有数据集的“智能驾驶数据解决方案”中掌握着驾乘人群的行为数据，不仅包含驾驶员行为标注数据 50 种动态手势识别数据，103282 张驾驶员行为标注数据等，还包 1300 万组人机对话交互文本数据，245 小时车载环境普通话手机采集语音数据。不管是街景场景数据，驾驶员行为数据，还是车载语音数据，数据堂基于 Human-in-the-loop 智能辅助标注技术”和丰富的 AI 数据项目实施经验及完善的项目管理流程，支持智能驾驶场景下驾驶舱内、舱外的图像、语音数据采集任务，辅助智能驾驶技术在复杂多样的环境下更好的感知实际道路、车辆位置和障碍物信息等，实时感知驾驶风险，实现智能行车、自动泊车等预定目标。对于智能驾驶而言将是其他企业难以企及的优势。

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。