自動駕駛傳感器
關注創建者：匿名 創建時間：2021-09-14
自動駕駛傳感器的視頻教程
仿真技術之自動駕駛感知視界-ANSYS傳感器仿真（攝像頭和激光雷達）
ANSYS自動駕駛系列Webinar，結合自動駕駛系統的研發講述ANSYS工具如何助力自動駕駛的開發驗證，本期重點為ANSYS自動駕駛解決方案之傳感器仿真（攝像頭和激光雷達）。
免費 1小時24分鐘 423播放
查看
自動駕駛傳感器的實例教程
國內主要高階自動駕駛車型傳感器方案
高階自動駕駛的量產落地需要一個技術體系的進步，感知、決策、控制，每一個環節的軟硬件都需要持續不斷創新，其中自動駕駛車輛的感知能力是后兩者能夠安全、準確實現的基礎。
因此，我們可以看到智能電動汽車關于感知傳感器的裝載，也在不斷增加和技術迭代。
從傳感器的形態和功能維度來看，可以分為幾個階段：
第一階段：以超聲波雷達為主的燃油車時代；
第二階段：以超聲波和毫米波雷達為主的高配置燃油車時代；
第三階段：超聲波、毫米波、攝像頭為主，實現的 L2/L2.5 級別輔助駕駛的智能電動車；
第四階段：在上述基礎上加入激光雷達，實現包含城市等更高級別的自動駕駛。
隨著高級別自動駕駛對感知傳感器需求的變高，傳感器本身的技術迭代和技術創新也在加速。
硬件競爭短期不會結束
在科技產品中硬件往往是基礎，為實現一些系統性的功能而存在的，在整個自動駕駛系統中「感知傳感器」就像是眼睛，讓車輛能夠豐富而更加精準的感知真實的環境。
從目前的技術路徑來看，除了特斯拉堅持純視覺感知以外，其他所有廠商都是走感知融合路線，也就是「視覺 + 雷達」方案，這樣的傳感器配置可以彌補單一傳感器之間的不足，以及無法達到安全冗余的需求。
如果我們把自動駕駛整個大系統拆分來看，感知本身就是一套小系統存在，它的組成包括：物理硬件、軟件算法、芯片。這三者之間的關系是，硬件識別到的數據，由感知算法解析，解析標定之后提交有用數據與其他傳感器數據比對，通過整個自動駕駛計算平臺計算得到答案后交給決策機構。
展開 作者 | 黃浴
來源 | 知乎@黃浴(https://zhuanlan.zhihu.com/p/109895639)
自動駕駛感知模塊中傳感器融合已經成為了標配，只是這里融合的層次有不同，可以是硬件層（如禾賽，Innovusion的產品），也可以是數據層（這里的討論范圍），還可以是任務層像障礙物檢測（obstacle detection），車道線檢測（lane detection），分割（segmentation）和跟蹤（tracking）以及車輛自身定位（localization）等。
有些傳感器之間很難在底層融合，比如攝像頭或者激光雷達和毫米波雷達之間，因為毫米波雷達的目標分辨率很低（無法確定目標大小和輪廓），但可以在高層上探索融合，比如目標速度估計，跟蹤的軌跡等等。
這里主要介紹一下激光雷達和攝像頭的數據融合，實際是激光雷達點云投影在攝像頭圖像平面形成的深度和圖像估計的深度進行結合，理論上可以將圖像估計的深度反投到3-D空間形成點云和激光雷達的點云融合，但很少人用。原因是，深度圖的誤差在3-D空間會放大，另外是3-D空間的點云分析手段不如圖像的深度圖成熟，畢竟2.5-D還是研究的歷史長，比如以前的RGB-D傳感器，Kinect或者RealSense。
這種融合的思路非常明確：一邊兒圖像傳感器成本低，分辨率高（可以輕松達到2K-4K）；另一邊兒激光雷達成本高，分辨率低，深度探測距離短。可是，激光雷達點云測距精確度非常高，測距遠遠大于那些Infrared/TOF depth sensor，對室外環境的抗干擾能力也強，同時圖像作為被動視覺系統的主要傳感器，深度估計精度差，更麻煩的是穩定性和魯棒性差。所以，能不能把激光雷達的稀疏深度數據和致密的圖像深度數據結合，形成互補？
展開 2
多傳感器融合成必經之路
雖然說自動駕駛在全球范圍內已經形成風潮，并有望在2021年實現4級自動駕駛，但是其想要真正走入現實也并非易事。從技術方面而言，目前自動駕駛的痛點在于穩定可靠的感知及認知，包括清晰的視覺、優質的算法、多傳感器融合以及高效強大的運算能力。其中，多傳感器融合也被認為是自動駕駛未來的重要發展趨勢。
目前用于自動駕駛的傳感器主要有激光雷達、毫米波雷達以及攝像頭三類，其各具優缺點。激光雷達具有高精度、高分辨率的優勢，然而其易受雨霧等極端天氣影響，且成本居高不下，不利于大規模量產。雖然毫米波雷達可解決激光雷達的部分缺點，但是其探測距離易受元器件功率及潮濕環境影響。另一方面，如果不與其他傳感器配合使用，攝像頭在夜晚就顯得捉襟見肘了。
針對感知層的現狀，Lance Williams表示：“傳感器融合是具潛力的方案，也是迫在眉睫的挑戰。有效地開發和實施一個含多傳感器的方案也面臨著許多挑戰。”
具體而言，多傳感器融合就是將多個傳感器獲取的數據、信息集中在一起綜合分析以便更加準確可靠地描述外界環境，從而提高系統決策的正確性。雖然在原理上看似簡單，但是在自動駕駛場景中則顯得充滿挑戰。多傳感器融合，需要對每個傳感器采集的信息進行快速處理，從而讓高速行駛的汽車及時進行反饋動作，以應對突發的交通情況。由此可見，多傳感器融合并不僅僅是硬件方面的協同配合，還包括決策層的算法和算力支持。
為此，安森美半導體在自動駕駛感知層覆蓋了所有的傳感器方案，包括超聲波、成像、雷達、光達，可支持視覺、前視先進駕駛輔助系統(ADAS)、車道偏離警告、自適應巡航控制、乘員檢測、電子車鏡、駕駛員監控和手勢識別。在決策層方面，還是關鍵廠商如Mobileye、NVIDIA和英特爾的主要供應商。
展開 隨著智能駕駛技術的普遍應用，智能駕駛相關的測試測量方法也隨之發展。特別是模擬仿真測試領域，在智能駕駛產品開發過程中的應用越來越廣泛。而無論是自動駕駛（AD）還是高級輔助駕駛系統（ADAS），都是依靠高精度攝像頭、毫米波雷達、激光雷達等感知傳感器對車輛周邊環境進行感知識別來實現的。那么在自動駕駛系統模擬仿真測試實施過程中，系統中感知傳感器是如何進行實物仿真測試驗證的呢。
本文對自動駕駛系統中感知傳感器實物仿真測試環境構建的原理及其相關方案進行介紹。
■ 視覺攝像頭的實物仿真環境構建
視覺攝像頭是感光傳感器，光線通過攝像頭光學模組，映射到光學模組后面的感光芯片上，芯片將光信號轉換成電信號，這些電信號經過濾波、編碼等信號處理步驟，最終形成攝像頭模組的數字視頻信號。視頻數據通過數字視頻接口，傳輸給攝像頭主控制板。攝像頭主控板集成了主處理器、圖像處理單元和攝像頭電源模塊等電路單元，其中主處理器基于人工智能（AI）和圖像處理技術，圖像處理單元對拍攝圖像進行實時的解析。數據經過處理后，車輛前方的車輛、行人以及障礙物被識別出來。
放置在駕駛室內部的自動駕駛系統視覺前向攝像頭，朝著車輛行駛方向。前向攝像頭透過風擋玻璃對車輛前方的環境進行拍攝，前向視覺攝像頭可以識別取景范圍內的車輛、行人、車道線、交通信號燈、交通道路標志等目標。
圖1 視覺攝像頭識別車輛前方場景圖（圖片來源：車元素）
基于上述攝像頭圖像采集和目標處理的原理，針對視覺攝像頭的場景目標模擬仿真可以采用視覺場景再現的方式進行實現。最簡單便利的方式是利用投影的方式，對提前錄制好的視覺場景視頻進行播放，視覺攝像頭可以非常輕易的采集到模擬場景中目標，從而完成對攝像頭目標的模擬。
用于攝像頭目標模擬的投影系統，一般由投影儀、幕布及支架組成。
展開 
自動駕駛傳感器的相關專題、標簽、搜索
自動駕駛傳感器的最新內容
2024 R1版Ansys AVxcelerate Sensors自動駕駛汽車傳感器仿真軟件包含了一項重要的增強功能，可用于在結合仿真系統與真實系統的硬件在環環境中進行感知軟件測試。這種基于物理的解決方案現在與NI提供的基于RoCE（基于融合以太網的遠程直接內存訪問）的HiL基礎架構相兼容，以支持驗證更高級別感知所需的大規模、實時和低時延數據交換。
03 結語
這套基于PTP協議的自動駕駛多傳感器時間同步方案，在實施過程中，依托多網口 PHC 時鐘中轉同步架構、phc2sys 工具校準、實時 PTP 狀態監控及異常處理機制，實現了微秒級時間同步精度。
此外，通過 YAML 參數化配置、自動化部署腳本與完整文檔體系，降低了技術門檻與部署難度，支持從單相機到多相機部署、對激光雷達等設備靈活擴展能力。
速轉矩傳感器在各種應用場景中的重要性日益凸顯。這些傳感器不僅能精確測量設備的工作狀態，還可為系統提供實時的反饋數據，從而優化生產流程。為了保證不同廠家和系統之間的兼容性，有必要建立一套統一的接口標準和自動識別協議。
一、接口標準
1、電氣接口
（1）電源：定直流5V或12V供電，波動±5%，明確最大工作電流，如不超50mA。
（2）信號輸出
·
參考案例-電化學-固體氧化物燃料電池
· 自動駕駛與傳感器清潔：模擬激光雷達、攝像頭等傳感器表面的污染情況，并設計高效的清潔噴嘴。
參考案例-多相流-拉格朗日：顆粒負載型流體
參考案例-運動-軌跡運動：在固定滑軌上對底盤進行浸漆
STAR-CCM+ 的核心優勢為何備受汽車行業青睞？
1.
（1）高帶寬需求驅動
智能駕駛與傳感器融合：L3及以上自動駕駛需要處理大量傳感器數據（攝像頭、激光雷達、雷達等），傳統總線（如CAN、LIN）帶寬不足（CAN最高僅1 Mbps），而車載以太網可提供1 Gbps甚至10 Gbps的帶寬，滿足實時數據傳輸需求；
高分辨率信息娛樂系統：4K/8K屏幕、AR-HUD、多屏互動等依賴高速網絡，以太網支持多媒體數據的低延遲傳輸。
在消費電子行業可用于手機鏡頭設計、虛擬現實（VR）和增強現實（AR）設備、數碼相機和攝像機等的光學系統設計；在汽車行業中的自動駕駛傳感器，如激光雷達、雷達和攝像頭的設計與開發中發揮重要作用，同時也可用于汽車大燈和照明系統、抬頭顯示（HUD）系統的光學設計；在航空航天行業可用于衛星光學系統、航空攝影和測量設備等的光學設計，滿足航空航天領域對高精度、高可靠性光學系統的需求。
汽車行業全球合作伙伴Applus+ IDIADA(伊狄達）近日宣布其完成了一項突破性研究-通過對40名本土駕駛員的深度測試，全面解析了L2級自動駕駛系統中的駕駛員參與度密碼。
在此項研究中，IDIADA采用VI-grade動態駕駛模擬器，充分驗證了自動駕駛系統中駕駛員狀態監測的有效性。該方案不僅展現了VI-grade在人因工程研究領域的技術優勢，更為自動駕駛系統的安全性與用戶體驗優化提供了重要數據支撐
智能汽車合成數據架構與應用實踐分享10個月前
自動駕駛傳感器布局示例
在數據結構方面，可參考 nuScenes 等主流公開數據集，輸出內容包括：
圖像與點云數據；
1、sample_data.json：記錄每幀傳感器輸出；
2、calibrated_sensor.json：定義傳感器內參與外參；
3、ego_pose.json：記錄自車位姿；
4、sample_annotation.json：包含目標類別、姿態、屬性等。
自動駕駛研發面臨"長尾效應"的終極挑戰：海量邊緣場景需要近乎無限的測試里程。仿真測試雖已成為行業共識，但其真實度仍存根本性質疑——當多數平臺仍停留在視覺逼真層面時，感知算法的低階數據處理和魯棒性測試已觸及驗證天花板。
其實，真正的物理級仿真必須從數據源頭出發：從光子穿透鏡頭到電信號轉換，從激光能量分布到多回波散射，每一個物理環節都會直接影響算法在現實世界中的表現。
基于此，本文將深入解析攝像頭與激光雷達的物理建模機制
01 引言
隨著自動駕駛技術的飛速發展，仿真測試已成為替代成本高昂且充滿風險的道路測試的關鍵環節。它能夠在虛擬環境中模擬各種復雜的交通場景和極端天氣，極大地加速了自動駕駛系統的開發與驗證進程。然而，一個常被忽視的問題正悄然侵蝕著仿真測試的可信度——非確定性，即仿真測試過程中因核心引擎或其他因素導致的隨機性。
圖1 aiSim多傳感器融合示例
目前，許多市面上的仿真軟件
