為何全視覺方案無法實現真正的自動駕駛

2021年8月2日 11:22
瀏覽：2294
作者 |  Aimee
出品 |  焉知


當前，主流的自動駕駛Tier1和主機廠都趨向于設計更加先進的傳感器架構將傳感器的探測能力提升到最大值。 其中，不乏有類似特斯拉、小鵬這樣趨向于推進視覺感知架構設計的主機廠，也不乏有類似博世、大陸這類傳統趨向于推進雷達感知為主的供應商。也有在傳感器架構中趨向于設計全傳感冗余方案的主機廠，如蔚來、waymo、百度等不差錢的主機廠。 從量產的角度出發 ，我們在設計傳感架構時更多的是追求所謂的性價比，也即用最少的傳感器設計最優的系統架構。

什么是最優？需要滿足如下三個條件：
1）確保傳感器的探測能力能夠覆蓋整個車端實體及周邊環境，盡量不會出現感知盲區；
2）確保設計最高級自動駕駛系統時，需要充分考慮系統在某些失效情況下，其傳感器能夠也能做相應的降級處理；
3）整個傳感器布置盡量不要出項重復或探測能力的過冗余，這可能導致系統的整個經費較高，無法滿足高性價比的要求。

為何全視覺方案無法實現真正的自動駕駛的圖1
 
前段時間特斯拉宣布后續將會朝著全視覺方案方向發展的策略，由于當前特斯拉的方案在某種程度上 仍舊 采用了雷達目標的探測情況。全視覺方案旨在通過視覺探測逐漸替代有雷達探測所帶來的諸如距離、速度、加速度等實體目標中的優勢。但是，筆者認為全視覺方案在如下一些極端的場景中是無法滿足對于感知探測能力的KPI指標的。主要體現在如下幾個大的方面：

1）天氣環境因素造成的視覺傳感器致盲（如逆光炫目、沙塵暴遮擋等）；
2）小目標物體在中低分辨率視覺感知系統中可能造成的目標晚識別（如減速帶、小動物、錐桶等）；
3）異形目標由于未經訓練可能造成無法匹配，最終被漏識別（道路落石、前車掉落輪胎等）；
4）視覺傳感器本身的識別要理要求對于視覺識別結果具有較高的算力需求。

為何全視覺方案無法實現真正的自動駕駛的圖2
 
從如上說明中不難看出，視覺感知能力往往無法滿足性能需求。而真正實現優化的感知能力模型，必須結合毫米波雷達或激光雷達做優勢互補才能實現。本文將從雷達實現原理角度觸發針對性的講解下一代自動駕駛系統使用的4D毫米波雷達結合激光雷達的所能解決的駕駛邊緣場景。

先進的4D毫米波雷達對感知的提升策略

毫米波雷達以其距離和速度識別精度高，識別距離遠，穿透力強，性能穩定，不易受天氣影響，性價比高等優勢，在智能駕駛領域得到了廣泛應用。早期Level 2級及以下駕駛輔助功能，多采用單前向毫米波雷達方案，以及前向毫米波雷達和前視多功能攝像頭融合的方案，有部分目標融合與控制算法通常集成在雷達ECU控制軟件中。

毫米波雷達的關鍵參數算法模型如下：

為何全視覺方案無法實現真正的自動駕駛的圖3
 
隨著駕駛輔助功能向著Level 2+ 級及以上更高階智能駕駛的發展，傳統毫米波雷達較弱感知能力的短板凸顯，極大的限制了其在智能駕駛開發過程中的應用。毫米波雷達技術經過數十年的發展，無論硬件設計加工，還是軟件算法，通過長期積累，都已成為相當成熟的產品。目前具備成像能力的4D成像毫米波雷達成為了各個雷達供應商的研究重點，眾多廠商也相繼發布了其4D成像雷達方案。

如下表示了一種典型的4D毫米波雷達內部結構圖。不難看出，其采用了更高算力的芯片設計，且加裝的收發天線也是傳統毫米波雷達的數倍。同時可以兼容車載以太網，CANFD等大數據通信結構，其設計的獨立IMU也可為后續定位建圖及識別精準性矯正提供相應的支撐。

為何全視覺方案無法實現真正的自動駕駛的圖4
 
通用的毫米波雷達系統架構

對于4D成像毫米波雷達而言，其相對于傳統毫米波雷達而言，具備更高空間分辨率，更遠探測距離，更強目標分類能力。同時，由于其能夠提供更多更高質量的點云，從而極大得擴展了毫米波的應用范圍，其點云致密度為環境信息探測能力提供了高度信息。在各種天氣和能見度條件下保持魯棒性，并在方位角和仰角上都能達到1度角分辨率。

總體來看，高分辨率4D毫米波雷達主要可以提供如下多方面的感知能力，從而可解決當前多方面的感知場景局限。

1）環向感知能力
4D毫米波雷達實現了四個維度的環境感知，包括距離、水平和垂直定位以及速度。這種感知能力我們稱之為其具備多維環向感知能力。

2）環境建模（Freespace）
4D毫米波雷達可以通過生成的較多點云提供更多的目標識別反饋信息，從而進行有效的環境目標建模，這個過程類似于激光雷達的點云信息建模。這種打點聚類的方式，可以輕易的識別出物體的類型信息。

為何全視覺方案無法實現真正的自動駕駛的圖5
環境信息建模

3）自動泊車的輔助應用
APS這類應用，對于毫米波雷達來說是典型的短程雷達的應用。。也就是說，速度較低，探測距離較近，但對分辨率的要求較高。傳統的毫米波雷達由于其檢測能力的限制通常情況無法直接用于泊車場景，而4D毫米波雷達可以實現低速近距離場景下的信息有效探測和分辨，這就可以很好的將超聲波雷達所生成的信息進行有效的感知識別。

為何全視覺方案無法實現真正的自動駕駛的圖6
毫米波雷達車身布置與泊車應用

毫米波雷達在泊車市場中的布局已經凸顯的越來越明顯，有些廠家已經開始思索是否可以直接利用毫米波雷達直接代替超聲波雷達進行泊車控制。特斯拉在某些車型上搭載基于毫米波雷達方案的自動泊車系統，加之小鵬以及吉利和長安等越來越多國產車企的陸續推進，相信這種APS功能競爭全面升級的態勢有望加速業界在APS專用市場出現越來越多的毫米波雷達方案提供商。

4）目標分類（Classification）
4D毫米波雷達又稱為成像雷達。相對于傳統的毫米波雷達所具有較高的速度和距離分辨率，能夠很容易地識別和區分運動物體，且在靜態物體上的探測能力也得到了極大的提升，可以輕松的區分橫向（與車輛行駛方向垂直）移動物體的探測。4D毫米波雷達可以提供更多的點云信息，且由于點云的致密度也是相對更多，使得其對于不同的目標進行聚類的結果，可以提供包含原始橫向目標的感知及分辨能力，也能提供原始縱向目標的感知及分辨能力。這一優勢對于一些特殊異形車輛的感知效果無非是一大亮點。比如能夠感知一些特殊貨車的加長車位，并對其高度進行有效的分辨。亦或者針對交通擁堵的場景也能夠很輕易的分辨出不同方位和角度的車輛信息。且其位置、速度和方位信息比攝像頭識別結果好很多。

為何全視覺方案無法實現真正的自動駕駛的圖7
毫米波雷達的橫縱向及高差檢測能力

5）局部定位建圖（Localization）
4D毫米波雷達可用于低速無人駕駛場景，使用RF CMOS技術和2D的MIMO技術，可以把水平、垂直角度檢測精度做得非常好?？梢暂敵隹杀葦M激光雷達的致密點云信息，清晰勾勒出周邊建筑物輪廓，從而實現基于雷達點云的高精度定位。
  
為何全視覺方案無法實現真正的自動駕駛的圖8
基于毫米波雷達的定位建圖

此外，從智能駕駛是產品設計角度說，基于Autosar架構進行設計的4D毫米波雷達其具備如下多個方面較好的產品特點：

1）具備測高能力，井蓋和天橋檢測誤報極大程度減小。這一點相對于傳統攝像頭來說是較大的優勢的，如果從功能角度上說可以減少很多情況下的誤報。

2）特殊波形設計，抗干擾能力極大增強，后續加裝毫米波雷達的車型將越來越多，車型之間難免會有相互干擾的情況，4D毫米波雷達因其發射波形的不同，導致其檢測具備較高的分辨能力。

3）4D毫米波雷達的高性能也就意味著其在功能安全設計能力得到極大提升，有些可提高至ASIL B以上。

先進的激光 雷達對感知的提升策略

激光雷達在高性能智能駕駛中的探測優勢已經在很多方面得到證實，原因是因為其通過建立數量較多的點云數據可以通過聚類實現很好的場景重建。從智能駕駛的角度上說可以通過激光雷達解決如下一些極端場景：

序號

場景描述

Lidar的必要性說明

示意圖

1

路面落石、雪糕筒、快遞包裹、緊急停車三角警示牌。

由于攝像頭+毫米波的方式強烈依賴于其物體的動態變化，對于靜止的小目標無法做到有效識別。

為何全視覺方案無法實現真正的自動駕駛的圖9

2

未分類車輛或超出輪廓的異形車輛

攝像頭無法通過其設定的Bounding Box對異形車輛進行分類。

為何全視覺方案無法實現真正的自動駕駛的圖10

3

高速行駛或堵車場景下，旁邊車道的車輛、尤其是大車在很近距離cut-in

由于近距離狀態下，攝像頭只能拍攝到很小的車輛部分，毫米波雷達對近距離目標識別容易導致回撥干擾，因此無法對切入目標車輛進行有效的識別

為何全視覺方案無法實現真正的自動駕駛的圖11

4

逆光或炫目

如隧道出入口導致的攝像頭識別短暫性致盲

為何全視覺方案無法實現真正的自動駕駛的圖12

5

城市森林

毫米波雷達存在多徑反射而失效，攝像頭由于反射的復雜光線復雜和目標距離過近，可能無法準確識別物體。

為何全視覺方案無法實現真正的自動駕駛的圖13

6

道路坑洼、狹窄、道線不清晰

攝像頭容易因為致盲導致無法識別道線等信息，道路坑洼狀態暫時無法通過攝像頭準確識別，道路狹窄可能導致毫米波容易存在多徑效應。


為何全視覺方案無法實現真正的自動駕駛的圖14
 
總結

從如上表的總結中不難看出，對于激光雷達所能解決的自動駕駛邊緣場景是不言而喻的，純視覺派的特斯拉方案在未來自動駕駛設計過程中是無法保證其性能和效果的。相應的提升方案肯定是結合視覺的雷達融合方案。

當然本章重點還是介紹了毫米波雷達的感知原理及性能，未來如果是大域控方案的實施策略時，難免不會考慮利用毫米波輸入的原始點云數據進行綜合處理。這一過程類似于激光雷達的點云處理，這又涉及多方面的因素。如傳輸帶寬，點云建模模型以及域控制器綜合處理算法。在縱向感知方面，毫米波最強；橫向方面，激光最強。豐田和本田的方案，都是激光作為獨立感知，結果再跟攝像頭融合，最后得出最終目標。

登錄后免費查看全文
立即登錄
向量微積分理論基礎
向量微積分理論基礎

￥50

基于ABAQUS單軸拉伸實驗
基于ABAQUS單軸拉伸實驗

免費

App下載
技術鄰APP
工程師必備
  • 項目客服
  • 培訓客服
  • 平臺客服

TOP