一、ADAS的實(shí)現途徑

伴隨著(zhù)這幾年自動(dòng)駕駛概念的火熱，ADAS越來(lái)越受大家關(guān)注，輔助駕駛作為自動(dòng)駕駛的早期階段，在整個(gè)流程里扮演著(zhù)感和知的角色。


第一步是通過(guò)各種傳感器來(lái)采集車(chē)身已經(jīng)周邊環(huán)境信息，包括但不限于GPS、車(chē)身傳感器、攝像頭及雷達等。目前汽車(chē)智能都離不開(kāi)這幾種傳感器的融合運用，為車(chē)輛來(lái)建立周邊的立體信息。

第二步則是根據采集到的信息來(lái)進(jìn)行道路、車(chē)輛、行人和路標的識別。對各種工況下道路參與者的狀態(tài)提取，給決策者提供決策信息。如果決策者為駕駛員，那么是輔助信息；如果決策者為制動(dòng)部件，那么就上升到AEB或者LC等Level 2以上的駕駛輔助階段。

各類(lèi)傳感器的機制從底層邏輯來(lái)說(shuō)是比較類(lèi)似的，都是光學(xué)或者模擬信號的數字化，采用算法來(lái)還原傳感量的變化。而攝像頭技術(shù)是目前ADAS領(lǐng)域最快速發(fā)展的傳感器技術(shù)。

SA（Strategy analytics）分析指出：如果車(chē)輛前方只有一個(gè)傳感器，那么最大可能是攝像頭；如果車(chē)輛前方有多個(gè)攝像頭，那么確定的是會(huì )有一個(gè)攝像頭在其中。

二、視覺(jué)ADAS的基本原理

我們以目前基于攝像頭的單目視覺(jué)為例來(lái)說(shuō)明其基本原理。


整個(gè)流程包括樣本的采集及標記，同時(shí)對標記的樣本進(jìn)行大范圍訓練來(lái)提取特征和模型，將模型作為實(shí)際圖像數據進(jìn)行分類(lèi)識別。

另外一個(gè)維度，我們需要保證圖像源的質(zhì)量，通過(guò)寬動(dòng)態(tài)、強光抑制、降噪等技術(shù)來(lái)保證輸入數據源的干凈，將真實(shí)環(huán)境清晰的數據進(jìn)行邊緣化和紋理化送入分類(lèi)器進(jìn)行識別。

同時(shí)，在這個(gè)環(huán)節我們要非常注重模型數據和圖像源數據的一致性，即樣本標記的數據和實(shí)際圖像源要來(lái)自相同的鏡頭、圖像Sensor和相同的ISP技術(shù)，來(lái)保證訓練和實(shí)際的高匹配。

這部分是目前在實(shí)驗室做數據時(shí)很難實(shí)現的，很多可能采用的是公開(kāi)的樣本庫來(lái)訓練，而公開(kāi)樣本庫所采用的攝像頭、鏡頭角度等并不是我們實(shí)際中使用的。

三、視覺(jué)ADAS的難點(diǎn)

在產(chǎn)品開(kāi)發(fā)中，難點(diǎn)在各個(gè)環(huán)節都有覆蓋。


首先是算法本身的檢測率，這是需要不斷提升的環(huán)節。需要在魯棒性和敏感性之間作平衡，來(lái)保證產(chǎn)品的良好體驗。

同時(shí)從產(chǎn)品工程化的角度講，很多時(shí)候并不能用檢測率最高的算法，必須優(yōu)化算法速度，因為我們沒(méi)法將一顆i7芯片或者服務(wù)器搬到汽車(chē)上去；其次是正負樣本的積累，考慮到源同步的問(wèn)題，樣本積累必須來(lái)自實(shí)測，同時(shí)保證大量。

第三個(gè)方面，既然做的是產(chǎn)品，那么硬件處理器和攝像頭的選擇必須考慮性?xún)r(jià)比、可量產(chǎn)性等。

第四，安裝方面要盡可能的簡(jiǎn)化用戶(hù)的安裝步驟，降低安裝難度，那么需要在算法設計的時(shí)候充分將內外參的兼容性考慮進(jìn)去，并在不同車(chē)型的測試中驗證，這部分是采用技術(shù)提升體驗的關(guān)鍵。

最后是天氣適應性，每種傳感器都有自己的長(cháng)處，但是也都有自身的短板，比如雷達對靜態(tài)物體、激光雷達對天氣，攝像頭也會(huì )受制于天氣和光照影響，在這些條件下，提升攝像頭前端技術(shù)變得尤為重要（Mobileye也不僅僅是一個(gè)算法公司）。


當前階段在嵌入式端工作的算法，普遍基于機器學(xué)習，其優(yōu)點(diǎn)是工程化、量產(chǎn)化更有可行性。

任何人工智能算法的落地都必須具備可工程化。一方面是視覺(jué)前端的提升帶來(lái)了運算量的降低；另一方面科研人員的探索可以給技術(shù)實(shí)現提供更豐富的組合可能。

同時(shí)摩爾定律的繼續深化帶來(lái)芯片可以實(shí)時(shí)的完成更多復雜的算法，特別是嵌入式芯片可以運行以前高配置電腦甚至服務(wù)器才能完成的功能。

當然硬幣的另一面，依然有需要用更好的方法來(lái)解決的地方，包括有遮擋的目標物、檢測率的繼續提升等等。這些都有待攝像頭前端技術(shù)的繼續提升和深度學(xué)習算法的嵌入式應用來(lái)解決。

四、視覺(jué)ADAS的功能

接下來(lái)我們通過(guò)兩個(gè)簡(jiǎn)單的例子來(lái)介紹車(chē)輛識別、車(chē)道線(xiàn)識別、交通標志牌識別等功能。

對車(chē)輛識別和車(chē)道線(xiàn)識別只是前方碰撞預警和車(chē)道偏離預警的第一步，我們還需要綜合速度、車(chē)輛自身行駛區域、前方車(chē)輛狀態(tài)等信息來(lái)進(jìn)行分析，參照ISO標準來(lái)進(jìn)行報警信息的輸出。

1、車(chē)輛識別及跟蹤：


2、車(chē)道線(xiàn)識別：


3、交通標志識別：


基于前面基本功能和背景的分析，我們從以下幾個(gè)方面來(lái)探討ADAS技術(shù)的深化之路，它需要的是面向AEB（自動(dòng)制動(dòng)）、LC（車(chē)道中心保持）等。


五、視覺(jué)ADAS的硬件

視覺(jué)ADAS系統其實(shí)是一套嚴謹的光學(xué)系統或者相機。

但是它比普通相機運行的環(huán)境更加苛刻，包括振動(dòng)、顛簸、高溫等因素，我們從每一個(gè)環(huán)節來(lái)保證這套系統的一致性和可靠性，特別是圖像源環(huán)節，比如說(shuō)鏡頭標定、焦距控制、畸變系數的補償，這些都構成產(chǎn)品可量產(chǎn)性的重要因素。

視覺(jué)ADAS系統的內參可靠性同時(shí)要結合外部參數的差異性。比如說(shuō)車(chē)輛在平路和坡道時(shí)的視覺(jué)和測距完全不一樣，我們通過(guò)對自身鏡頭的參數和外部目標的視角進(jìn)行距離矯正，最終達到1個(gè)像素以?xún)鹊恼`差。


精準的距離測試是前車(chē)碰撞預警乃至AEB的基礎。

目前，基于單目視覺(jué)的測距方法集中于兩類(lèi)：

其一，就是通過(guò)光學(xué)幾何模型（即小孔成像模型）建立測試對象世界坐標與圖像像素坐標間的幾何關(guān)系，結合攝像頭內、外參的標定結果，便可以得到與前方車(chē)輛或障礙物間的距離；

其二，就是在通過(guò)采集的圖像樣本，直接回歸得到圖像像素坐標與車(chē)距間的函數關(guān)系，這種方法缺少必要的理論支撐，是純粹的數據擬合方法，因此受限于擬合參數的提取精度，魯棒性相對較差。

正因如此，我們采用了光學(xué)幾何模型進(jìn)行車(chē)距的計算。前面已經(jīng)說(shuō)過(guò)了，我們采用了嚴格的攝像頭標定方法可以獲得精準的內參和外參。


除此之外，影響測距精度的另一重要因素就是車(chē)輛邊緣檢測的精度。我們采用了精確的邊緣檢測和多幀綜合檢測的算法，可以在不同的光線(xiàn)環(huán)境下得到相對精準的用于車(chē)距檢測的車(chē)輛坐標信息。


盡管如此，由于道路平面的多變特性，動(dòng)態(tài)的距離測試必須考慮外參的動(dòng)態(tài)改變量及圖像處理時(shí)的隨機誤差。圖像上幾個(gè)像素的跳變，就可能引起遠距離車(chē)距測量的較大誤差。


因此，我們在誤差來(lái)源分析的基礎上，力圖通過(guò)誤差修正方法及算法優(yōu)化方法，從多個(gè)層面降低測距誤差：


道路環(huán)境的精準重構：


同時(shí)可以保證我們對周邊其他參照系的精確重構。在這個(gè)模型圖像里，我可以看到對道路環(huán)境進(jìn)行了位置重構，對車(chē)道線(xiàn)距離、車(chē)輛距離、車(chē)道線(xiàn)角度以及車(chē)高等信息完成了提取，特別是車(chē)道線(xiàn)的距離檢測可以達到厘米級的誤差。

六、視覺(jué)ADAS的算法

剛才講到的是前端攝像頭，接下來(lái)是算法端的核心。我們需要的是對樣本進(jìn)行大量的訓練。我們在樣本的訓練方式上采用了一些創(chuàng )新，包括UGC（User Generated Content）、圖像源同步、自動(dòng)提取和人工校驗相結合等。


算法的載體是硬件，硬件的選擇需要從運算速度、功耗散熱和成本三個(gè)方面來(lái)平衡。


攝像頭、算法及硬件最終需要通過(guò)安裝來(lái)保證設計者的意志得到體現，糟糕的安裝會(huì )導致前面的工作功虧一簣。在有安裝條件的情況下，我們通過(guò)專(zhuān)業(yè)安裝人員進(jìn)行標定板的安裝；同時(shí)我們有大量的DIY用戶(hù)，那么便可以通過(guò)精簡(jiǎn)的內外參和行駛數據總結來(lái)給用戶(hù)提供個(gè)性化的報警機制。

我們目前近千臺的激活用戶(hù)經(jīng)過(guò)上百萬(wàn)公里的行駛里程積累，產(chǎn)生了一些比較喜人的數據。


根據我們的駕駛行為評分系統，某個(gè)用戶(hù)在為我們貢獻了2950公里里程的實(shí)際數據的同時(shí)，他的駕駛得分得到了穩步的提高，充分體現了ADAS系統對用戶(hù)的駕駛規范性提升價(jià)值。

最后，針對視覺(jué)ADAS的發(fā)展趨勢，程建偉認為將包含以下方面：


（本文內容由武漢極目智能CEO程建偉分享，新智駕整理。）




推薦閱讀：


從儲能、阻抗兩種不同視角解析電容去耦原理
數字電路PCB設計中的EMC/EMI控制技術(shù)
熱電偶之基本原理及設計要點(diǎn)
較簡(jiǎn)單二極管更靈敏的AM檢波器設計
細談去耦合對電磁兼容的影響