先进自动驾驶系统的发展还需要解决哪些题？

知道先进自动驾驶系统的发展还需要解决哪些题？和汽车驾驶高级的题是怎么一回事吗？听小编为你讲解吧！

高端自动驾驶系统是下一代智能网联汽车必须实现的任务，不仅要解决车辆如何实现自动驾驶，还要解决当前一代自动驾驶技术无法解决的题。驱动包括功能开发题、性能提升题等。例如，看看最近发生的蔚来自动驾驶事故，我们不难看出，要实现真正的自动驾驶，自动驾驶系统必须解决很多边缘场景，而这些场景都对系统的功能安全产生重大影响。设想。……又比如，大多数主机厂都想效仿特斯拉，使用类似的影子模式进行数据采集和模拟，那么开发过程中如何避免陷阱也是一个值得思考的题。

另外，由于先进的自动驾驶将采用基于SOA的开发模型进行设计，因此我们需要解决的题是如何提高SOA的效率，以达到通用、高效、可靠的目标。

本文详细介绍了上述三个亟待解决的挑战性题，旨在为开发者提供参考资料。

一

如何改进固定目标碰撞检测

我们收集了许多从开发和测试角度来看可能难以解决或导致题的场景。其中，静止目标的识别就是其中之一。从全视觉角度来看，目前所有自动驾驶产品都是基于单目或三目视觉进行检查。这种检测方法有一个无法改变的固有缺陷由于是基于深度学习的机器视觉，识别、分类、检测是在同一个模块中进行的，一般密不可分。由于其属于机密性，某些目标无法进行有效的检测和识别。这种无法识别的情况很容易导致自动驾驶汽车发生碰撞。

为了更好地解释为什么不被识别，我们需要总结一下如何解决此类题，重点有以下几点由于静止目标不一定是标准车辆，也可能是异形车辆、落石、不规则建筑标志等，因此开发阶段训练的目标类型无法用于真正的自动驾驶识别场景。在很大程度上。

第二是图像缺乏纹理特征。统计计算是在包含多个像素的区域上进行的，这些像素的纹理特征具有旋转不变性并且具有很强的抗噪性，使得一些纹理较少的卡车车厢和白色汽车的墙壁很难用人眼看到。

另外，有必要解释一下为什么深度学习不擅长识别固定目标。深度学习中的机器视觉，特别是基于单目相机检测的机器视觉图像，去除了所有静止目标作为背景，因此可以很好地选择在图像理解过程中重要的运动目标，因此该方法可以改善图像理解过程。另外，虽然识别效率下降，但编码速度也下降。同时，移动目标和静止目标也必须分开，以避免误检测。例如，如果某些道路两边都停满了汽车，那么移动目标的优先级自然会高于静止目标。然后，通常通过背景扣除和三帧来识别这一点。这类识别算法，无论是光流法还是光流法，通常需要1到2秒的时间。然而，对于实时性要求较高的自动驾驶来说，沿途可能会发生碰撞。这次。

因此，要解决上述识别性能不佳的题，就必须从根源上解决深度学习不足所带来的题。机器视觉中的学习匹配模式主要有两种，一种是手动模型，另一种是深度学习，后者常用于图像识别和分类。因为深度学习主要是基于分割和重新拟合，原则上需要遍历所有像素，对训练好的模型进行数十亿次乘法和累加，并设置不同的权重值进行比较，这是人类的题。来自视觉和机器视觉。它是非整体的。本质上，深度学习利用收集到的数据点，有效匹配现有数据库，拟合出无限接近现实的曲线函数，可以识别预期识别的环境目标，推断趋势，提供预测结果。关于各种题。当然，曲线拟合在表示给定数据集时存在一定的风险，这就是拟合误差。特别是，算法可能不知道数据中的正常波动，最终为了适应而将噪声视为有效信息。因此，要真正解决这些异常环境下的目标识别题，单纯依靠SOC芯片的AI加速器能力的增强是不明智的。这是因为AI加速器只解决了MAC乘累加计算模块的加速计算功能。

为了真正解决此类识别或匹配错误题，下一代高性能自动驾驶系统通常使用多传感器融合或多摄像头检测进行优化。开发驾驶辅助系统的设计人员应该意识到，当前一代毫米波雷达对金属物体高度敏感。在物体检测过程中，目标是防止由于常见的误检测而误触发AEB。因此，很多固定目标往往会被过滤掉，同时，一些底盘较高的大型卡车或特种作业车辆，往往会因为毫米波雷达的高度题而错过目标。

三维目标重建需要使用传统方法，通常可以使用LiDAR或高分辨率4D毫米波雷达进行点云重建，或使用双目相机进行光流跟踪来优化。基于激光雷达的目标检测方法的原理是发射激光束作为检测信号，然后将目标反射的目标回波作为接收信号与发射信号进行比较，从而获得相关信息通过适当的处理来了解目标。因此，Echo的点云匹配虽然也是一个深度学习的过程，但是这个过程比拍摄视频识别中的分割和匹配要快。

双目视觉的静态目标检测依赖于视差图像，这些基于纯几何关系的视差图可以更准确地定位静态目标。很多情况下，单目视觉可以在凹凸不平的路况、明暗对比非常强的道路以及一些破损的路况下检测远距离物体，但3D恢复存在很多不确定性。立体相机与深度学习相结合，可以将立体点云与图像的RGB信息和纹理信息融合，有利于远距离目标的识别和3D测量。

深度学习可以更准确、更可靠地检测常规道路参与者，并结合多种特征帮助检测更远的道路参与者。立体视觉可以同时实现所有道路参与者的3D测量和基于点云的检测，不受物体类型、安装位置和姿态的，具有更稳定的动态范围调整和更好的泛化能力。通过将立体视觉和深度学习相结合，我们可以检测更远距离的物体，同时还可以使用立体视觉进行三维描绘。

上述算法依赖于CPU上执行的逻辑运算，包括实现卡尔曼滤波、平滑操作和梯度处理，或者依赖于GPU上执行的图像深度学习处理。因此，下一代先进的自动驾驶区域控制系统必须具备出色的计算和处理能力，以确保性能满足要求。

2

影子模式会彻底毁掉吗？

目前，在开发下一代高端自动驾驶系统时，OEM或Tier1往往无法完全应对环境中可能突然变化的不同操作条件，而这种初始数据覆盖规模往往依赖于高质量的数据。收集和处理，这里通常称为极端场景数据覆盖。如何将大量的极端场景数据采集并传输到自动驾驶后台，是我们需要解决的重要题，也是评价后续自动驾驶系统能否彻底打破这一局面的关键因素。

特斯拉的影子模式开创了有效数据收集的先河。“影子模式”的定义是，在手动驾驶中，系统和周围传感器继续运行，但不参与车辆控制，仅验证决策算法。这意味着系统的算法是连续模拟的。“影子模式”做出决定并将这些决定与驾驶员的行为进行比较。如果两者不匹配，则判断该场景为“极端工况”，并触发数据返回。

但要真正理解ShadowMode，需要重点解决以下题

1.影子模式如何提供更广泛的极端操作条件检测和收集，包括标记和未标记的训练场景。

影子模式一般是数据采集和处理的一部分，因此其他工作模式除了利用控制端的轨迹差异来触发数据记录外，并不直接用于数据记录。如果自动驾驶需要高效、快速地应用影子模式方法，则必须在整个采集和控制过程中同时构建深度神经网络。更实用的影子模式应该扩大它的操作范围。这不仅可以通过比较轨迹来触发数据记录和返回，而且诸如目标差异和融合目标差异检测之类的东西也可以触发数据记录和返回。这个过程需要根据实际的采集端口定义相应的数据采集设备，这些设备可以在自动驾驶或手动驾驶模式下运行，并作为数据采集、记录和回传传输的硬件，而不影响车辆控制只执行。

2.芯片选型和传感器配置是否如预期支持影子模式。

对于自动驾驶开发来说，影子模式只是一个简单的逻辑运算，占用的资源很少，并且激活影子模式时预计不会增加后台处理延迟。下一代先进自动驾驶要实现基于影子模式的数据采集标准，应考虑为影子系统配置额外的芯片，或者在多芯片域控制中拆分特定芯片的模块。该模块专门用于训练阴影算法。

另外，较旧的影子系统主要运行在L2+系统上，并且通常使用相对单一的传感器类型。例如，大多数公司使用5R1V方法进行数据收集，而更先进的公司使用单个激光器。还有雷达，它是目前还不清楚这种传感器配置收集的数据是否可以直接应用于下一代先进的自动驾驶系统。这是因为使用单个或更少传感器预测环境条件和执行系统的能力与使用多个传感器的能力显着不同。因此，当先进的自动驾驶系统升级后，传感器性能在控制整个系统方面肯定会达到更高的水平。因此，需要重新设计和规划来确定后续的自动驾驶系统是否可以继续使用之前L2级别收集的场景数据，或者只能部分应用。

3、应该采用什么标准的判断方法才能达到最科学有效的数据回报？

实施影子模式的前提是驾驶员的车辆操控必须准确、客观。这是因为人类驾驶模式假设系统判断其环境的能力不应该不如驾驶员。但这真的是真的吗？当然不完全。例如，如果驾驶员看到前方道路上有大量泥浆，因担心弄脏车轮并影响车辆外观而选择变道避免行驶，则系统将不会启动自动变道系统。如果驾驶员根据车辆的控制方式来判断其准确性，那么系统一定有题，触发数据收集和返回的内容并没有真正的意义或不准确。因此，在全自动驾驶控制系统环节，从另一个角度可以看到，驾驶员的典型驾驶行为可能是一种驾驶偏差，而这种数据采集和返回的触发方式实际上是为了改善驾驶。那感觉。

4.影子模式应该进一步提高发现题的准确性。

由于影子模式是面向视觉驱动端的，这种发现题的方法往往采用回溯的方式，从执行端的角度来看待题。如果控制执行过程出现题，决策方往往会反推看看是否有题，如果没有题，决策方往往会反推不断地检查。确定是轨迹预测方面的题还是进一步检测方面的题。另外，识别末端也是一个广义的概念，包括实际场景识别和由此产生的融合系统，如果场景识别出现题，可以通过融合系统中的一系列鲁棒算法处理识别结果来解决未来决策错误等题，需要单独选择此类异常识别场景。

这种场景下的数据过滤需要连续记录计划每一端数据之间的跳跃，任意两端之间的较大跳跃都会触发数据回传。整个过程增加。它很大。目前自动驾驶系统的整体认知能力还很有限，感知错误导致判断错误的场景仍然时常发生，而即使变得更好，自适应巡航和高级智能驾驶又有什么区别呢？博越L自适应巡航和高级智能驾驶都是博越车型所配备的技术，但两者之间也存在一些差异。

1自适应巡航系统自适应巡航系统是一种可以自动控制车辆速度的技术，先进的智能驾驶利用人工智能和大数据技术来分析车辆行为并实现自适应驾驶。

特点二自适应巡航系统只能控制车辆速度，而高级智能驾驶则可以控制车辆行为，包括但不限于转向、刹车、油门刹车，以及硬加速、硬刹车、急转向等。

3应用场景自适应巡航系统适用于城市驾驶，可以在保持一定距离的同时控制车速，适用于行驶时间短、车速较慢的情况。先进的智能驾驶适用于高速公路、拥堵城市道路等多种场景。

4驾驶员要求自适应巡航系统的驾驶员只需将车辆设置为自适应巡航模式，而高级智能驾驶则要求驾驶员具有较高的技术能力和安全意识并接受专业培训。

自适应巡航系统和先进智能驾驶都是提高驾驶安全性和效率的技术，但使用场景和所需技术不同。

高级汽车技师赚多少？如果你尊重我，我就会给你加薪。

成为一名汽车驾驶员只是一个职业资格，而不是一个职业资格。