激光雷達(dá)點(diǎn)云處理的案例
激光雷達(dá)：點(diǎn)云語義分割算法
這部分會系統(tǒng)的介紹點(diǎn)云分割任務(wù)的常用數(shù)據(jù)庫和評測指標(biāo)，并對上文提到的典型算法進(jìn)行對比。點(diǎn)云數(shù)據(jù)庫按照不同的場景和不同的采集設(shè)備可以分為很多種類。這里只關(guān)注室外道路場景，面向自動駕駛應(yīng)用，由車載LiDAR采集的點(diǎn)云數(shù)據(jù)庫，以及相關(guān)的算法對比。
5.1 數(shù)據(jù)庫
SemanticKITTI
KITTI是圖像和點(diǎn)云檢測領(lǐng)域最常用的數(shù)據(jù)庫之一。SemanticKITTI[16]將KITTI數(shù)據(jù)庫中Visual Odometry Benchmark中的所有LiDAR點(diǎn)云序列進(jìn)行標(biāo)注，是第一個大規(guī)模的面向自動駕駛場景的3D點(diǎn)云語義分割數(shù)據(jù)庫。
SemanticKITTI的點(diǎn)云數(shù)據(jù)是通過Velodyne64線激光雷達(dá)采集，共有22個序列，訓(xùn)練集和測試集分別包含23021和20351幀點(diǎn)云，每幀大約10萬個點(diǎn)，標(biāo)注的語義類別為28個。之后，SemanticKITTI又增加了實(shí)例級別的標(biāo)注，實(shí)例的ID在時序上也是一致的，可以用來作為全景分割和物體跟蹤的評測[17]。
SemanticKITTI數(shù)據(jù)庫的標(biāo)注分布（可移動物體在靜止?fàn)顟B(tài)時用實(shí)心柱表示）
nuScenes
nuScenes[18]數(shù)據(jù)庫由知名的汽車零部件供應(yīng)商APTIV旗下的子公司Motional發(fā)布，專門面向自動駕駛應(yīng)用，包含了1000段城市道路交通場景，數(shù)據(jù)由6個攝像頭，5個毫米波雷達(dá)和1個激光雷達(dá)采集。這也是第一個包含了自動駕駛?cè)齻€主要傳感器的公開數(shù)據(jù)庫。
nuScenes的點(diǎn)云數(shù)據(jù)在全部1000個序列的40000個關(guān)鍵幀上進(jìn)行了標(biāo)注，每幀大約3萬個點(diǎn)。標(biāo)注的語義類別共有32個，其中包括23個前景類別和9個背景類別。
展開 近期激光雷達(dá)點(diǎn)云的3D目標(biāo)檢測方法
作者 | 黃浴@知乎
編輯 | 3D視覺工坊
來源 | https://zhuanlan.zhihu.com/p/370650927
知圈 | 進(jìn)“激光雷達(dá)社群”請加微信13636581676，備注激光
看到的一些近期激光雷達(dá)做目標(biāo)檢測的論文。
1 Offboard 3D Object Detection from Point Cloud Sequences, 3, 2021.
這是講自動標(biāo)注。
3D Auto Labeling pipeline
static object auto labeling
dynamic object auto labeling
2 SIENet: Spatial Information Enhancement Network for 3D Object Detection from Point Cloud, 3, 2021.
預(yù)測前景點(diǎn)的空間形狀，提取結(jié)構(gòu)信息。
Spatial Information Enhancement Network (SIENet)
Network architecture of the HP（hybrid paradigm）-RPN
3 Back-tracing Representative Points for Voting-based 3D Object Detection in Point Clouds, 4, 2021.
展開 激光雷達(dá)與攝影測量相結(jié)合如何提高點(diǎn)云質(zhì)量？
處理導(dǎo)致輸出具有相同規(guī)格但具有不同顏色、輻射度和紋理的五個點(diǎn)云。無過濾點(diǎn)云作為過濾點(diǎn)云之間比較的基礎(chǔ)。在視覺解釋中（圖 3），在使用 ND-4、ND-8 和 ND-16 生成的點(diǎn)云中檢測到高紋理細(xì)節(jié)，而在沒有過濾器和使用 ND-32 的點(diǎn)云中，細(xì)節(jié)不太清晰.
磚屋頂、樹葉、柵欄和其他細(xì)節(jié)在 ND-8 和 ND-16 中突出顯示，并在所有其他點(diǎn)云中被遮擋。顏色亮度和對比度的變化可以通過形狀、大小等其他元素來識別目標(biāo)。紋理是從粗糙到平滑的色調(diào)變化的排列和頻率；平滑紋理具有均勻的色調(diào)變化，如沒有過濾器和 ND-32 的點(diǎn)云，而粗糙的紋理具有突然的色調(diào)變化，如使用 ND-4、ND-8 和 ND-16 的結(jié)果（Doumit & Abou Chakra，2020） .
圖 3：不使用和使用中性密度過濾器生成的點(diǎn)云顏色。
在視覺圖像解釋中，ND-8 和 ND-16 被選為顏色較好的點(diǎn)云。如果將圖 3 中顯示的結(jié)果從最詳細(xì)到最不詳細(xì)進(jìn)行排序，則分類如下：ND-8、ND-16、ND-4 和 ND-32。只有在攝影測量任務(wù)期間發(fā)生高太陽強(qiáng)度時，才應(yīng)使用濾光片 ND-32。
結(jié)論
研究人員測試了無人機(jī)生成的激光雷達(dá)和攝影測量點(diǎn)云，以評估點(diǎn)云質(zhì)量的增強(qiáng)。ICP 用于將兩個點(diǎn)云合并為一個映射框架，以提高攝影測量點(diǎn)云的準(zhǔn)確性并為激光雷達(dá)點(diǎn)云增加更多的密度。
生產(chǎn)激光雷達(dá)、SfM 攝影測量和合并的點(diǎn)云允許在質(zhì)量方面進(jìn)行比較。結(jié)果表明，經(jīng)過數(shù)據(jù)融合處理后，可以增強(qiáng)攝影測量點(diǎn)云的間隙和激光雷達(dá)點(diǎn)云的低密度。該研究還考慮了中性密度過濾器對點(diǎn)云顏色增強(qiáng)的影響。
展開 通過消失點(diǎn)輔助激光雷達(dá)視覺慣性估計器（ICRA2021）
《Vanishing Point Aided LiDAR-Visual-Inertial Estimator》(ICRA2021)
Motivation
這篇文章的動機(jī)主要從VIO出發(fā)，VIO受制于尺度漂移和旋轉(zhuǎn)漂移問題，針對旋轉(zhuǎn)漂移問題，作者采用了加入消失點(diǎn)檢測的方法來解決，針對尺度漂移問題，就是通過建立體素格級別的深度圖來解決.
Contribution
1.提出了第一種消失點(diǎn)輔助激光雷達(dá)視覺慣性估計器，它利用激光深度和消失點(diǎn)信息在視覺和幾何退化環(huán)境中實(shí)現(xiàn)魯棒姿態(tài)估計
2.提出了一種新的基于體素圖的特征深度關(guān)聯(lián)模塊，可以有效地將深度信息分配給視覺特征
3.提出了一種新穎的消失點(diǎn)檢測流程，該流程能夠可靠、高效地檢測出消失點(diǎn)
Content
1.系統(tǒng)框圖
如下圖，主要分成三步處理流程，先是IMU輔助下的滅點(diǎn)檢測，然后進(jìn)行特征深度關(guān)聯(lián)，最后進(jìn)行VIO，VIO主要優(yōu)化重投影誤差，IMU預(yù)積分誤差和滅點(diǎn)約束誤差。
2. IMU輔助的滅點(diǎn)檢測
先是通過稀疏光流法和角點(diǎn)檢測來跟蹤特征，然后用LSD找到線段(記錄端點(diǎn)長度和角度)，因?yàn)樗骄€段檢測的精度很大程度上和相機(jī)的旋轉(zhuǎn)相關(guān)，并且如果水平線檢測不準(zhǔn)確，那么滅點(diǎn)生成就很差，基于這個出發(fā)點(diǎn)，采用基于重力的垂直線檢測來優(yōu)化IMU旋轉(zhuǎn)。
展開 
衛(wèi)星/航拍影像/雷達(dá)點(diǎn)云實(shí)景建模完美配置方案23v1
時間真快，進(jìn)入2023年第1季度，計算硬件又開始升級換代，本方案--衛(wèi)星/無人機(jī)影像/LiDAR點(diǎn)云處理應(yīng)用硬件配置，我們采用intel第13代超頻處理器和nvidia RTX40系列架構(gòu)，提供最新最快衛(wèi)星影像3D建模的計算處理硬件方案，從臺式工作站、便攜現(xiàn)場處理工作站、超頻多機(jī)集群處理方案。。。
通過保證每個硬件配置和系統(tǒng)架構(gòu)與應(yīng)用實(shí)景建模算法計算特點(diǎn)匹配，以及對硬件設(shè)備進(jìn)行優(yōu)化，從而達(dá)到完美最佳計算處理能力。
寧夏：43條輸電線路實(shí)現(xiàn)無人機(jī)激光點(diǎn)云數(shù)據(jù)采集
“報告工作負(fù)責(zé)人，±660千伏銀東直流線路226號塔已完成激光點(diǎn)云數(shù)據(jù)采集，全線激光點(diǎn)云數(shù)據(jù)全部采集完畢！”國網(wǎng)寧夏檢修公司無人機(jī)班班員李波匯報道。
7月5日，隨著最后一架無人機(jī)緩緩落地，標(biāo)志著由該公司無人機(jī)班巡檢作業(yè)團(tuán)隊組織的全區(qū)750千伏及以上架空輸電線路無人機(jī)激光點(diǎn)云數(shù)據(jù)采集項目正式完成。該項目通過為期4個月的無人機(jī)三維激光雷達(dá)掃描，繪制出長達(dá)2874公里的輸電線路三維模型，為后續(xù)開展輸電線路無人機(jī)智慧巡檢奠定了基礎(chǔ)。
此次點(diǎn)云數(shù)據(jù)采集運(yùn)用無人機(jī)搭載高精度多線程激光雷達(dá)對全區(qū)750千伏及以上電壓等級共計5984基桿塔的交直流輸電線路進(jìn)行掃描。多線程激光雷達(dá)保證了掃描所獲取的三維點(diǎn)云數(shù)據(jù)精度高達(dá)厘米級，掃描獲取的激光點(diǎn)云數(shù)據(jù)可以直觀地觀察到線路通道走廊內(nèi)目標(biāo)物的空間位置和輪廓，確定導(dǎo)地線與地面、建筑、植被等目標(biāo)物之間的距離，結(jié)合數(shù)字正射影像DOM、數(shù)字高程模型DEM建立三維可視化數(shù)據(jù)庫，同時生成“三跨點(diǎn)”報告、安全距離檢測分析報告及模擬工況分析報告等，形成一套多源數(shù)據(jù)融合的智慧三維數(shù)字電網(wǎng)。
目前，國網(wǎng)寧夏檢修公司所運(yùn)維750千伏及以上電壓等級的主電網(wǎng)輸電線路分布區(qū)域廣，存在“三跨點(diǎn)”多，線路通道環(huán)境復(fù)雜。以往巡視方式為人工巡視、可視化監(jiān)控以及無人機(jī)手動巡檢，面對全區(qū)近3000公里的主網(wǎng)線路仍存在巡視力度不夠的問題。
去年年底，檢修公司組建無人機(jī)巡檢作業(yè)團(tuán)隊，運(yùn)用無人機(jī)開展激光雷達(dá)掃描線路桿塔及通道走廊，利用激光點(diǎn)云數(shù)據(jù)建立輸電通道三維模型、無人機(jī)自主巡檢路徑規(guī)劃及三維可視化管理等，加強(qiáng)線路走廊樹障分布管控、“三跨點(diǎn)”治理、外破風(fēng)險管控、輸電線路各類模擬工況分析，有效提高了輸電線路精益化管理。
?“所有點(diǎn)云數(shù)據(jù)采集完畢后，我們著手將建設(shè)智慧線路無人機(jī)巡檢一體化管控平臺。
展開 自動駕駛傳感器創(chuàng)新的困境
而在現(xiàn)階段，激光雷達(dá)幾乎成了智能汽車感知傳感器的必選項，它的優(yōu)勢比較好理解就是，在與同一個傳感單元確定的方向相結(jié)合時，每個點(diǎn)的 3D 位置會成為掃描的「點(diǎn)云」的組成部分，激光雷達(dá)能夠從短距離到長距離以高分辨率檢測行人、騎行者和車輛等目標(biāo)，因此成為了完善自動駕駛汽車傳感器全套方案的、極具吸引力的解決方案。
總結(jié)激光雷達(dá)傳感器的主要優(yōu)勢就是：
精確的距離/深度和速度測量；
空間分辨率 - 高分辨率 3D 對象特征化；
200 m+ 的檢測距離；
為方位角和仰角提供寬視角（ FoV ）和角度分辨率。
再看看量產(chǎn)和即將量產(chǎn)以及規(guī)劃，帶有激光雷達(dá)的智能汽車產(chǎn)品：
蔚來 ET7、ET5；
小鵬 P5、G9；
智己 L7；
理想 X01；
威馬 M7；
哪吒 S；
.....
也就是說，車企和自動駕駛公司為了應(yīng)對高級別自動駕駛對傳感器高精度的需求，激光雷達(dá)會迅速成為高級別自動駕駛的標(biāo)配，激光雷達(dá)市場也會迅速擴(kuò)大，這也帶來了一個重要的問題：激光雷達(dá)的升級迭代能不能滿足需求？
傳感器技術(shù)迭代慢的問題
我們就以激光雷達(dá)為例來討論這個問題，大部分人會把激光雷達(dá)等傳感器落地和迭代慢的問題，都?xì)w結(jié)于機(jī)械結(jié)構(gòu)以及光學(xué)組件升級慢，當(dāng)然這是很重要的，但其實(shí)還有一個核心原因就是：「專用芯片」。
高性能傳感器對芯片以及整個計算平臺的性能有著極高的要求，通常有幾個主要指標(biāo)：
計算算力：激光雷達(dá)需要高算力，用于 3D 點(diǎn)云的高數(shù)據(jù)速率圖像處理，3D 點(diǎn)云由每秒超過 100 萬個數(shù)據(jù)點(diǎn)構(gòu)成，數(shù)據(jù)量遠(yuǎn)超攝像頭和其他雷達(dá)傳感器。
展開 為何全視覺方案無法實(shí)現(xiàn)真正的自動駕駛
基于毫米波雷達(dá)的定位建圖
此外，從智能駕駛是產(chǎn)品設(shè)計角度說，基于Autosar架構(gòu)進(jìn)行設(shè)計的4D毫米波雷達(dá)其具備如下多個方面較好的產(chǎn)品特點(diǎn)：
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(diǎn)相對于傳統(tǒng)攝像頭來說是較大的優(yōu)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(shè)計，抗干擾能力極大增強(qiáng)，后續(xù)加裝毫米波雷達(dá)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(dá)因其發(fā)射波形的不同，導(dǎo)致其檢測具備較高的分辨能力。
3）4D毫米波雷達(dá)的高性能也就意味著其在功能安全設(shè)計能力得到極大提升，有些可提高至ASIL B以上。
先進(jìn)的激光
雷達(dá)對感知的提升策略
激光雷達(dá)在高性能智能駕駛中的探測優(yōu)勢已經(jīng)在很多方面得到證實(shí)，原因是因?yàn)槠渫ㄟ^建立數(shù)量較多的點(diǎn)云數(shù)據(jù)可以通過聚類實(shí)現(xiàn)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(dá)解決如下一些極端場景：
總結(jié)
從如上表的總結(jié)中不難看出，對于激光雷達(dá)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(shè)計過程中是無法保證其性能和效果的。相應(yīng)的提升方案肯定是結(jié)合視覺的雷達(dá)融合方案。
當(dāng)然本章重點(diǎn)還是介紹了毫米波雷達(dá)的感知原理及性能，未來如果是大域控方案的實(shí)施策略時，難免不會考慮利用毫米波輸入的原始點(diǎn)云數(shù)據(jù)進(jìn)行綜合處理。這一過程類似于激光雷達(dá)的點(diǎn)云處理，這又涉及多方面的因素。如傳輸帶寬，點(diǎn)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(qiáng)；橫向方面，激光最強(qiáng)。
展開 為何全視覺方案無法實(shí)現(xiàn)真正的自動駕駛
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(tài)下，攝像頭只能拍攝到很小的車輛部分，毫米波雷達(dá)對近距離目標(biāo)識別容易導(dǎo)致回?fù)芨蓴_，因此無法對切入目標(biāo)車輛進(jìn)行有效的識別
4
逆光或炫目
如隧道出入口導(dǎo)致的攝像頭識別短暫性致盲
5
城市森林
毫米波雷達(dá)存在多徑反射而失效，攝像頭由于反射的復(fù)雜光線復(fù)雜和目標(biāo)距離過近，可能無法準(zhǔn)確識別物體。
6
道路坑洼、狹窄、道線不清晰
攝像頭容易因?yàn)橹旅?dǎo)致無法識別道線等信息，道路坑洼狀態(tài)暫時無法通過攝像頭準(zhǔn)確識別，道路狹窄可能導(dǎo)致毫米波容易存在多徑效應(yīng)。
總結(jié)
從如上表的總結(jié)中不難看出，對于激光雷達(dá)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(shè)計過程中是無法保證其性能和效果的。相應(yīng)的提升方案肯定是結(jié)合視覺的雷達(dá)融合方案。
當(dāng)然本章重點(diǎn)還是介紹了毫米波雷達(dá)的感知原理及性能，未來如果是大域控方案的實(shí)施策略時，難免不會考慮利用毫米波輸入的原始點(diǎn)云數(shù)據(jù)進(jìn)行綜合處理。這一過程類似于激光雷達(dá)的點(diǎn)云處理，這又涉及多方面的因素。如傳輸帶寬，點(diǎn)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(qiáng)；橫向方面，激光最強(qiáng)。豐田和本田的方案，都是激光作為獨(dú)立感知，結(jié)果再跟攝像頭融合，最后得出最終目標(biāo)。
展開 下一代自動駕駛域控制器系統(tǒng)架構(gòu)設(shè)計
平臺化軟硬件架構(gòu)
系統(tǒng)功能架構(gòu)上主要包含設(shè)計實(shí)現(xiàn)功能的應(yīng)用軟件層及底層驅(qū)動處理層。分別由中央域控制器的MCU芯片及SOC芯片進(jìn)行控制處理，當(dāng)然其中也有功能交叉。
其中，底層驅(qū)動處理層一般是由Tier2供應(yīng)商進(jìn)行設(shè)計開發(fā)的Soc芯片，處理任務(wù)主要包含如下：
1）傳感器原始數(shù)據(jù)處理：
參照下一代自動駕駛傳感器架構(gòu)而言，其原始數(shù)據(jù)的處理包括了激光雷達(dá)原始點(diǎn)云數(shù)據(jù)處理，攝像頭原始RGB圖像數(shù)據(jù)處理（包含一定程度的深度學(xué)習(xí)模型訓(xùn)練），毫米波雷達(dá)原始微波處理。下圖表示了一種典型的傳感器數(shù)據(jù)處理架構(gòu)：
2）基礎(chǔ)驅(qū)動處理：
主要包含文件系統(tǒng)讀寫、線程控制，同時集成高速、大數(shù)據(jù)吞吐量、靈活和智能的網(wǎng)絡(luò)子系統(tǒng)；集成硬件加速器提高數(shù)據(jù)包和網(wǎng)絡(luò)安全 處理，以降低延遲性和軟件復(fù)雜度；集成以太網(wǎng)交換機(jī)降低系統(tǒng)成本，縮小系統(tǒng)體積。
另一方面，應(yīng)用軟件位于平臺的最頂層，通常由主機(jī)廠負(fù)責(zé)定義和開發(fā)，一般是實(shí)現(xiàn)四方面的功能子項。
1）用戶可感知的應(yīng)用軟件功能，如HWP、TJP、NoP等。如上這些自動駕駛子功能拆解開來的功能模塊主要包括激光雷達(dá)感知軟件、側(cè)向攝像頭感知軟件開發(fā)、激光雷達(dá)/側(cè)向攝像頭/V2X融合軟件開發(fā)、源融合定位軟件開發(fā)、規(guī)劃決策-控制軟件開發(fā)等方面。
2）是數(shù)據(jù)記錄Log。一般指對自動駕駛過程中異常情況的有效記錄，服務(wù)內(nèi)容包括意外事件記錄EDR和行車記錄DVR。
3）包含數(shù)據(jù)運(yùn)行過程中的實(shí)時監(jiān)控（如芯片狀態(tài)監(jiān)控、執(zhí)行監(jiān)控、傳感器狀態(tài)監(jiān)控、安全監(jiān)控），并將監(jiān)控結(jié)果反饋給后臺進(jìn)行總體管理。
展開 收藏 | 深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域的應(yīng)用總結(jié)
激光雷達(dá)點(diǎn)云數(shù)據(jù)的處理，無論識別還是分割，有PointNet以及改進(jìn)的CNN模型：
基于點(diǎn)云做目標(biāo)識別的例子有Apple公司研究人員發(fā)表的VoxelNet模型：
將點(diǎn)云和RGB圖像結(jié)合的目標(biāo)檢測CNN模型例子如下：
這里順便提一下人臉識別，因?yàn)槭菍θ四樀膫€體屬性判別，所以這個課題應(yīng)該算fine grained recognition。就好像對狗或者馬這種動物繼續(xù)判別它的品種，都是細(xì)分的。
請注意，人臉識別分人臉驗(yàn)證（face verification）和人臉確認(rèn)（face identification）；前者是指兩個人是不是同一個人，1-to-1 mapping，而后者是確定一個人是一群人中的某個，1-to-many ampping。以前經(jīng)常有報道機(jī)器的人臉識別比人強(qiáng)了，都是指前者，假如后者的話，那誰能像機(jī)器一樣識別上萬人的人臉數(shù)據(jù)庫呢？何況中國公安部的數(shù)據(jù)高達(dá)億的數(shù)量級。
一個完整的人臉識別系統(tǒng)，需要完成人臉檢測和人臉校準(zhǔn)（face alignment），而后者是需要人臉關(guān)鍵點(diǎn)（facial landmarks）的檢測，也是可以基于CNN模型來做。
展開 
2萬字帶你厘清自動駕駛功能架構(gòu)的演進(jìn)
支持功能：功能清單中L2及以下所有ADAS功能
局限性：ADAS地圖無法支持車道級定位，無法安全通過匝道，無法實(shí)現(xiàn)點(diǎn)到點(diǎn)的行車
安全性：側(cè)后方無視覺傳感器，側(cè)后方只有角雷達(dá)，主動變道有風(fēng)險
高配版行泊一體功能架構(gòu)圖
變化點(diǎn)：相比低配版，高配版所使用的地圖由ADAS地圖升級為高精地圖，高精地圖硬件盒子一般集成到域控制器內(nèi)，車身兩側(cè)分別增加2個側(cè)視攝像頭，和對應(yīng)側(cè)的角雷達(dá)形成異構(gòu)冗余
優(yōu)勢：
1. 支持高速公路自動上下匝道場景，實(shí)現(xiàn)點(diǎn)到點(diǎn)的NOA功能；
2. 冗余側(cè)視攝像頭的數(shù)據(jù)引入降低了目標(biāo)漏檢率，降低主動變道的風(fēng)險；
開發(fā)難點(diǎn)：側(cè)視攝像頭算法開發(fā)，側(cè)視和角雷達(dá)后融合算法的設(shè)計和測試
系統(tǒng)架構(gòu)如何設(shè)計？
上文提到電子電氣架構(gòu)開發(fā)是自頂向下的開發(fā)，系統(tǒng)架構(gòu)的設(shè)計道理也一樣。
正向開發(fā)的思路：系統(tǒng)功能清單→功能分配到抽象的邏輯模塊→硬件架構(gòu)設(shè)計→功能分配到硬件→應(yīng)用層軟件開發(fā)，目前能力靠前的OEM不斷擴(kuò)大軟件的投入，一方面招兵買 馬挖墻腳，一方面提高校招的門檻，已初步具備應(yīng)用層軟件開發(fā)能力。
為啥域控制器通常采用SOC+MCU架構(gòu)方案？
首先，域控制器不一定是SOC+MCU方案，單SOC也可以，比如使用單TDAV4芯片，只要SOC的能力可以覆蓋MCU的一些特性，從實(shí)現(xiàn)功能角度單SOC也沒問題。
主流方案是域控制器使用SOC+MCU方案，因?yàn)镾OC往往是基于GPU/TPU架構(gòu)，比如華為自研的達(dá)芬奇架構(gòu)，這類芯片擅長做大規(guī)模低精度的浮點(diǎn)型運(yùn)行，作為感知主處理芯片（處理前視、側(cè)視、環(huán)視攝像頭、高精地圖信息），而MCU處理毫米波信息、超聲波雷達(dá)信息，同時MCU作為和整車底盤CAN通訊接口；此外，緊急工況下，MCU可以靠毫米波雷達(dá)實(shí)現(xiàn)AEB功能。
展開 