為了駕駛安全，怎麼做才能讓車眼觀六路，耳聽八方？相信你會說：多用幾個傳感器；你還會說：多用幾種傳感器，將車武裝到牙齒唄；別人可能告訴你：搞個傳感器融合，問題都解決了！
然而，傳感器不可能無限增加，車裡沒那麼大地方；特斯拉的馬斯克會告訴你：加了雷射雷達（LiDAR）車就降不了價了；正中馬斯克下懷的還有英特爾旗下Mobileye發布的一項新技術——測試車僅搭載EyeQ5晶片和12個攝像頭來代替Lidar。不過，Mobileye EyeQ5也不太便宜。
有人說：傳感器融合還要內外融合，這還不夠，還要改改汽車架構，來個「域控制器（DCU）」，還有人建議：還應該讓路也智能化——車路協同。真的是莫衷一是了！
今天就敞開聊聊與傳感器融合有關的那些事兒。
買雷達，免費送輛車
回到1999年，捷豹XKR配備的自適應巡航控制系統率先採用了高級駕駛輔助系統（ADAS），車輛前部的微波雷達可測量與前車的距離和相對速度，並使用油門和制動來確保捷豹落後前車1到2秒。這項技術獲得了PACE獎，但這款雷達價格非常昂貴。工程師調侃說：「如果你買了雷達，就可以免費開走這輛車。」
雷達堪比豪車
經過幾代硬體的發展，雷達體積越來越小，重量越來越輕，成本已不到十分之一。經過幾十年的嚴酷使用，雷達被證明是成功的，現在所有級別的車輛都依靠這項技術提供主動安全功能。
幾十年迭代的結果
也有許多汽車雷達利用天線陣列來測量角度。在經典雷達信號處理中，每個天線的數位化信號被轉換成距離和速度，在整個天線陣列上比較信號以進行角度測量。普通雷達最多可使用12個天線，一輛車上可使用5個或更多雷達。這些天線可以實現數字波束成形，每個天線的信號被數位化後進行組合，以推斷出不同目標的角度。
這種分析為系統提供了豐富的信息基礎，神經網絡又可以應用機器學習來產生更清晰的場景圖像。如果沒有這一過渡步驟，人工智慧（AI）系統將不得不從原始數位化信號中實時確定場景，這意味著需要非常強大的功能，因此成本更高，資源更密集，還需要長時間訓練序列來確定如何利用數據。另外，這樣的系統很難排除故障。
雖然雷達提供的數據比視覺系統提供的數據更為複雜，除了提供目標位置外，還提供距離和距離變化率，但它非常有價值。
攝像頭與雷達和LiDAR共用
在自動駕駛發展過程中，用什麼樣的傳感器，供應鏈不同位置的主機廠會有不同的理解和做法。歐美主機廠和科技公司，特別是造車新勢力們更注重單車智能（如Google等），希望用各種傳感器將車武裝到牙齒，但這也沒躲過一些重大交通事故，這說明感知和識別還有問題。
不過，大多數主機廠優先考慮的傳感器組合還是雷達和攝像頭，為什麼？
首先，雷達因可靠地測定物體距離而得到廣泛應用。短距離低速行駛中（如泊車），超聲波雷達因造價低而廣泛普及；典型毫米波遠程雷達可以測量300到500米遠物體的距離；而主要用於自動駕駛的LiDAR雖然地位重要，但造價很高，所以一些主機廠不願使用。
雷達是測量相對速度，可以知道物體向車輛移動或離開車輛的速度。由於使用無線電波而不是光來探測物體，所以雷達在雨、霧、雪和煙中都能「看」得很清楚。在夜間，雷達不需要高對比度的場景或照明即可很好感知。這與光學技術（如攝像頭）或LiDAR形成了鮮明對比。
能見度不是雷達的問題
雷達還為主機廠提供了很好的封裝靈活性，可放置在不透明表面下面，比如格柵後面、保險槓上，或者隱藏起來，給設計師很大的靈活性來關注汽車美學。
雷達可以在車身外部隱藏起來
再看光學技術，光學傳感器包括攝像頭和LiDAR，與人眼一樣容易受到同樣的挑戰：要「看到」道路，就要求它們在車輛外部（最好是在高點）有良好的視線，並且遠離濺起的汙垢和其他汙染物。想想你有過的經歷：開車時陽光直射，或是試圖透過布滿灰塵和汙垢的擋風玻璃看清道路。
攝像頭和LiDAR需要隨時拍攝多個圖像來估計相對速度，攝像頭還必須根據圖像中物體的大小和其他因素來估計物體的距離。此外，解析度也是一個問題，因為攝像頭圖像中的單個像素在遠距離時非常寬，很難識別這些物體。光學聚焦可以起到幫助作用，但它限制了視野，這導致了基於攝像頭的感知系統的妥協。
克服缺點，光學傳感器很有用
光學傳感器如果能保持乾淨，比如防止甲蟲或鳥屎使之「失明」，還是大有用武之地的。至於攝像頭，它非常適用於物體分類。只有它才能讀取路標，最擅長分辨物體是另一輛車、行人、自行車還是狗。每一個物體都會表現出不同的行為，所以如果車輛系統知道它在看什麼，它就能更好地預測運動。
LiDAR也因其獨特的優點而備受關注。它能以高解析度直接測量距離，並形成一個網格，其中每個網格單元都有一個與其相關的特定距離。由於LiDAR的工作頻率很高，其波長比傳統雷達短得多，所以能提供比雷達更高的角度解析度，從而更精確地識別物體的邊緣。
三種常見汽車傳感技術對比
回到採用的問題，LiDAR技術不如雷達成熟，所以比視覺解決方案昂貴十倍，就連特斯拉這麼大的公司都不願使用。以Velodyne的LiDAR為例，16線束產品約4千美元，64線束的高達8萬美元，相比之下，攝像頭的硬體成本才幾百美元。成本限制了LiDAR在當今量產汽車市場的廣泛應用。
當然，為確保可靠和安全的解決方案，車輛應使用多種傳感技術組合，再利用傳感器融合將這些輸入組合在一起，以獲得對環境的最佳感知。
傳感器內外有別，蘊含創新機會
每種傳感器類型或「模態」都有其固有的優點和缺點，在主動安全領域，每個雷達、攝像頭、LiDAR不僅增加了安全性能，還使其數量成倍增加。有了更多的輸入和數據點，還要有正確的軟體來組合數據做出決策。
為了取長補短，研發和應用者絞盡了腦汁。他們發現，通過內部和外部傳感器融合可以實現更智能的安全。這讓融合又進了一步。
通常，傳感器融合是指將來自兩個或多個外部傳感器的數據輸入組合起來，以便更好地了解車輛周圍可能存在的障礙物。例如，將兩臺雷達的輸入組合起來，對出現在各自視場邊緣的物體進行分類；或將攝像頭和雷達的輸入結合起來，利用這兩種方式，可以更準確識別出車輛附近有什麼物體。
現在，出現了內部傳感器，通常是艙內攝像頭，更有助於做出許多與安全相關的判斷，比如駕駛者是否盯著路面，乘客是否系好安全帶。當利用車內和車外傳感器融合將車外情況與車內駕駛者狀態信息結合時，事情變得更加有趣了。如果發現駕駛者昏昏欲睡或分心，就可以在需要幹預之前警告其危險情況。又如，假設一輛車在前面突然併線，只要駕駛者在觀察路況，車輛就不會幹預；而如果駕駛者在換電臺，就可能看不到發生了什麼。這時，車內感測發現駕駛者在看收音機，而外部雷達看到切入車道的車，就會發出聲音和提示，以引起注意。
通過融合內部和外部傳感器，使更主動的安全解決方案成為可能。看看這個場景：一輛車在十字路口等待右轉，在觀察直行車的同時快速轉彎，此時，一個行人開始從右邊穿過馬路。
車輛在十字路口右轉的場景
這時，車內傳感器可以看到駕駛者在看直行車，而外部雷達可以看到行人。系統知道他沒看到行人，就會在危險發生之前警告車前有人，或採取其他適當措施。
內外傳感器融合帶來了大把的創新機會，不僅僅是簡單地判斷駕駛者的手是否在方向盤上，眼睛是否在路上。利用汽車產生的所有數據，可以從整車視角實現更多安全創新。
據統計，41%的車禍的原因是駕駛者注意力不集中，另外7%是瞌睡造成的。車內雷達可以提供非常好的信息，特別是當與正確的機器學習算法配合使用時。令人興奮的技術之一是內部傳感平臺，採用最新一代攝像頭和雷達的系統可以識別並響應駕駛者和乘客的體位、手勢和眼球運動。這是一個基於複雜軟體的簡單概念，這項技術為一系列創新打開了大門，包括舒適、便利和救生應用。
另一個可能拯救生命的進步是兒童存在檢測。如果一個嬰兒不小心留在車裡，多種感知方式可以提示並採取行動。包括使用雷達、超聲波感測或由AI算法驅動的駕駛艙攝像頭來檢測嬰兒的存在。先進的雷達可以感測到心跳和呼吸，甚至是用毯子包裹的嬰兒。這些技術為製造商提供了一系列選擇，通過集成來根據主機廠的規格完全定製。
還有智能車內照明。通過傳感器車輛可以知道駕駛者或乘客在看什麼，例如，當乘客需要時，可以根據其視線選擇性地照亮汽車顯示器或其他區域，也可以使沒有看的區域或顯示器變暗以節省能量。如果有人伸手到地板上撿東西，該區域的燈即會點亮。
指向搜索也是傳感器的一種應用。如果車輛知道駕駛者所指的位置，它可以將該信息與遠程信息處理系統相結合，提供有關車輛外部的地標或感興趣區域的信息。如果車輛知道有乘客將腳放在儀錶板上，它會發出警告，提示乘客把腳放下來，以防止可能的災難性安全氣囊展開。
駕駛者狀態感知和手勢控制技術只是一個起點。隨著對AI的深入了解以及傳感器融合的發展，新點子將層出不窮。
域+衛星架構獲益良多
圖源 | HERE Technologies
車輛要變得更智能、更安全，傳感器部署靈活、成本更低，單靠融合哪兒夠？車上部署的傳感器越來越多，它們都需要有自己的電源、封裝和數據處理。這意味著它們要有安裝位置，還要考慮新增成本。
今天的汽車堪稱輪子上的電腦，運行的軟體代碼是普通智慧型手機的10倍以上，而且還必須更加可靠。隨著駕駛功能級別的提高，漸進式傳感器導入引發了人們對如何將其安裝在車輛中，以及如何在其生命周期內管理獨立開發和碎片化軟體的擔憂，需要一種更好的方法來解決傳感器越來越多的難題。
奧迪技術研發總監Hans-Joachim Rothenpieler表示：「過去，分析傳感器數據、確定和跟蹤目標的處理能力已經打包在攝像頭或雷達上，由智能傳感器獨立處理環境輸入，這意味著利用信息所做的任何決定都只能是單個傳感器『看到』。據悉，還有7家主機廠（包括中國）的量產車型也搭載這一獲PACE獎的衛星架構。
他補充道：「技術創新改變了行業遊戲規則，將攝像頭的面積從一副撲克牌縮小到一包口香糖大小。它不再像目前大多數系統那樣將計算能力集成到傳感器，從源頭處理信息，也就是『邊緣計算』，使得每個傳感器的構建和損壞時的更換成本都很高。」
宛如眾星捧月的架構
Aptiv高級副總裁、首席技術官Glen De Vos表示，傳統車輛架構是通過多個電子控制單元（ECU）實現分布式智能，而衛星架構計算平臺是將傳感器集中在一個強大的主動安全域控制器（DCU）中，留下只包含操作傳感器絕對必要的硬體——「衛星」傳感器（不是接收衛星信號，而是像衛星樣分布），處理和決策則由DCU管理。這種可擴展的安全解決方案大大提高了系統靈活性、可伸縮性和性能，滿足不斷提高的自動駕駛級別和複雜性要求，對車輛架構產生了革命性的影響。
為什麼衛星架構這麼快就被主機廠接受了呢？其好處細數起來還真不少：
提高感知性能，增加數據共享：
低級別傳感器融合將來自多個傳感器的智能集中共享，DCU的主動安全程序有更多機會提高性能；甚至可以應用AI來提取有用信息，否則這些信息將被丟棄。
傳感器可擴展：
雖然L0或L1主動安全功能可能只有一個前向雷達和一個前向攝像頭，但L2+車輛通常會增加360度環繞雷達，或增加一個LiDAR，從而增加8個以上傳感器。
靈活部署雷達和攝像頭：
衛星雷達比傳統智能傳感器小70%，可以靈活布放在車輛周圍，特別是空間昂貴的區域。雷達可放在車身面板後面，更容易封裝在前格柵後面，而不影響車輛美觀。
減少傳感器和車輛重量：
為了車輛性能，車越輕越好。衛星架構消除了諸如電源、外殼和支架等冗餘部件而減輕了重量。與傳統ADAS相比，系統總質量減輕了30%。
散熱更少：
重新定位的中央控制器可以解決與車輛中分布多個發熱設備相關的熱管理挑戰。
簡化電氣架構：
將傳感器輸入集中到單個DCU，簡化了E/E架構，升級DCU無需對整個架構進行重大更改。
降低保修和維修成本：
採用衛星架構，傳感器中一些最昂貴部件（涉及處理功能）可位於車輛中央，而不是在角落或格柵等最脆弱的地方，降低了小事故的維修成本。
簡化生命周期管理：
單點智能簡化了軟體和固件的更新和增強。集中式軟體更容易通過「空中傳送」（OTA）更新，且DCU硬體可以根據需要隨時升級，使系統能夠在其生命周期內輕鬆進化和改進。
寫在最後
有了內外傳感器融合，有了衛星架構，又有了車路協同肯定還不夠，下一個級別的自動駕駛將有越來越多的軟體功能。隨著向L4邁進，AI和機器學習技術，特別是神經網絡，將可以使自動駕駛車輛像人類一樣工作，在實現先進安全性前提下，最終實現完全自動駕駛。
聲明：本文內容系作者個人觀點，不代表傳感器專家網觀點或立場。更多觀點，歡迎大家留言評論。