智慧駕駛的快速發展離不開感知系統效能的提升，同時感知系統效能的優劣也制約著智慧駕駛方案的實際落地。在感知系統研發過程中，每時每刻都需要進行效能檢測評估以瞭解不同感知系統自身效能的優劣，實現取長補短，縮短研發週期。因此如何對感知系統效能進行測試評價、如何根據感知系統的不同特性實現針對性地測試評價、如何根據感知系統測試評價結果提供行之有效的改進方案是未來智慧駕駛感知系統發展的關鍵。

經緯恆潤推出的感知系統效能評估分析解決方案可以根據感知系統（不同數量的感測器、不同型別的感測器、各感測器組合等）和測試環境（城市、鄉村、高速路、地下車庫等）的不同制定相應的評估分析解決方案，同時可針對感知系統特定效能實現定製化測試評估，此外根據測試評估結果可提供相應感知系統最佳化指導方案。

感知系統評估分析流程

感知系統包含了多種不同型別的感測器以及獲得的感知資料，以充分利用各類感測器對於目標及環境的感知能力來獲得可靠的感知資訊，同時還必須考慮感知系統邊界及極限情形，比如感測器本身的能力邊界、特定環境或場景下對於資訊的獲取、感知演算法的魯棒性、Corner Case及Edge Case的覆蓋情況，甚至還得考慮行業標準體系，如SOTIF預期功能安全等。

僅以視覺感知舉例，相比其他環境感知技術具有以下幾點優勢：
• 視覺感知影像資訊量大，包含的執行環境細節特徵豐富；
• 視覺感知影像對環境資訊探測範廣，能夠獲取足夠的執行環境資訊；
• 視覺感知影像獲取途徑方便，主要利用攝像機採集影像，裝置調節簡單、易操作；
• 影像採集裝置相比其他環境感知裝置更加經濟實用，且維護費用低。

目前在視覺感知領域，常採用機器學習或深度學習的方式來實現目標識別，訓練資料集的質量以及包含的資訊量對於機器學習演算法來說是非常關鍵的，能夠決定神經模型訓練過程中神經網路的各層引數如何變化。一個深度神經網路的成與敗，主要還是取決於輸入資料的質量。在實際應用中採集無標籤資料通常比較容易，但是獲取樣本的類別標籤要困難得多，人力物力成本主要集中於對資料進行標註的過程。對無標籤樣本進行標註所需的人力成本成為制約有監督學習的瓶頸之一。主要存在的資料問題包括：
• 資料不足：資料量的多少主要取決於使用案例、資料型別，以及預期結果；
• 資料質量：解決不同的問題需要不同的資訊，目前缺乏場景化、高質量的資料；
• 資料標記：標記是資料的能量源泉，機器學習模型要求資料必須被標記。

因此，需要建立一套提升基於AI的視覺感知軟體驗證效率和安全性的工程解決方案，有效解決人工智慧視覺感知系統面臨的資料問題。

為了更有針對性地選擇有標籤樣本，更大限度地降低對樣本進行標註所需要消耗的人力成本，研究者們提出一系列方法，讓機器主動地挑選有價值的資料樣本用於學習，即主動學習。

基於雲端部署的感知演算法驗證套件

除了演算法層面需要給予更多地關注和驗證，從感測器層面也需要作更多地考量，目前智駕感知層面，很多環境感知系統是透過攝像頭、毫米波雷達、鐳射雷達和超聲波雷達等多感測器獲取執行環境資訊，但隨著自動駕駛功能複雜性及環境、道路適應性的不斷提升，單純靠增加感測器的數量或型別，不足以解決感知端的複雜需求，還可能帶來更多的設計及可靠性問題。而目前，在行業中，也積極在探索更復雜感測器或多感測器融合的解決方案，比如鐳射雷達與視覺的融合、毫米波與視覺的融合等。

以毫米波雷達為例，目前廣泛應用的77GHz毫米波雷達具有作用距離遠、測速精度高、受天氣影響小等優勢，但也存在角度解析度低、虛警和誤報嚴重、同頻雷達干擾等缺點。尤其是L3以上級別智慧駕駛系統對雷達感測器提出了更高的要求，如高角度分辨能力、類鐳射雷達的點雲目標輸出、強抗干擾等。因此，研究和開發解析度高、目標識別能力強、抗干擾效能優越的新一代毫米波成像雷達產品的發展趨勢。

由Arbe Robotics公司開發的雷達晶片組解決方案—“Phoenix”，透過識別、評估和響應具有挑戰性的場景與4D超高解析度實時成像，無論周圍的天氣和光照條件如何，Phoenix都能區分真實的威脅和虛假警報。

Arbe 4D毫米波雷達因其採用了天線晶片設計，可以得到更精確的點雲資料。其探測距離可以達到300米，同時高程解析度可以達到2°，即可以透過對點雲的演算法來進行障礙物分類，同樣可以解決雷達在卡車識別，經過桁架，橋樑時出現的探測問題。

• 高解析度：1°橫向解析度 & 2°縱向解析度

• 廣探測區：100°水平方向 & 30°縱向

• 長距：0.5m - 300m 探測距離

• 高實時性：30FPS(4D模式下)

• 高距離解析度：7.5cm – 60cm

• 多普勒解析度：0.1m/s

• 誤報：不存在

• 調製方式：調頻連續波技術（ FMCW ）

Arbe 4D毫米波雷達

感知系統效能評估分析解決方案

相關文章