高級輔助駕駛系統(tǒng)：駕駛員應(yīng)知應(yīng)會！

 接近黃昏的時候開始下雨了，駕駛員們紛紛打開大燈。很快，濕滑的路面反射了大燈燈光、街燈、商場霓虹燈，還有西沉的陽光，路面看起來像萬花筒那樣閃爍著各種光芒。自然光在減弱，而夜晚的燈光還不是那么明亮，路面看起來模模糊糊。

雨刮器很久沒有工作了，您感覺前面就像涂了泥一樣昏暗，路邊的陰影也好像擋在了路中央。在朦朧中，您意識到車的盲點范圍里有一輛沒開大燈的車，您打著轉(zhuǎn)向燈，摸索著向中間車道行駛。突然，您想起了自己的車里應(yīng)該有先進的主動安全系統(tǒng)。

近期可能出現(xiàn)的三種結(jié)果

這個故事可能有三種不同的結(jié)果，技術(shù)取勝，人戰(zhàn)勝機器，還有可能發(fā)生事故?？赡苁沁@樣的：在您認識到將要發(fā)生什么之前，轉(zhuǎn)向燈已經(jīng)開始閃爍，自己的車稍稍向中間車道加速，然后，輕輕的剎車，避開了附近看不到的行人，也提醒了后面的車輛。

也可能是這樣：當車輪轉(zhuǎn)向時，您感覺到汽車的車道保持功能在起作用，把車拉回到原來的車道。但是，您仍然繼續(xù)，打著轉(zhuǎn)向燈，安全的并線，對其他車輛刺耳的喇叭聲不聞不問。而此時，行人從路邊冒出，前擋風(fēng)玻璃前視顯示系統(tǒng)沒有讓您及時看到這個人。好在您躲開了他。

或者，可能這樣：您轉(zhuǎn)向時，您聽到了不熟悉但是非常刺耳的報警聲。在您還沒有搞明白怎么回事時，一輛車從盲點里鳴著喇叭沖出來—現(xiàn)在，您沒有別的選擇，只能慌亂的剎車停下來。防抱死剎車功能在濕滑的路面上起作用了，讓您感到恐慌，車子終于緊挨著受驚嚇的行人停下來了。在極度驚恐中，您瞥了一眼儀表盤，知道了瘋狂報警的原因—高級輔助駕駛系統(tǒng) (ADAS) 關(guān)閉了。

這就是同一個場景三種完全不同的結(jié)果。這源于三種完全不同的 ADAS 。為說明這些不同，理解其影響，我們將詳細研究 ADAS 的實現(xiàn)。在今年的設(shè)計自動化大會上，舉行了一次主題研討和公開論壇，對此很好的進行了闡述。

從傳感器開始

ADAS 系統(tǒng)是邏輯流水線，要理解它最好從寬輸入范圍入手。福特汽車電子和電氣系統(tǒng)研究主任兼研究員 James Buczkowski 說：“隨著向自動化方向的發(fā)展，難點在于僅采用一種傳感器是遠遠不夠的。”

在公開論壇上，主持人是 Cadence 總編輯 Brian Fuller ，他也要求專家們研討一下 ADAS 傳感器。傳感器系統(tǒng)供應(yīng)商 Nuvation 首席設(shè)計工程師 Edward Ayrapetian 認為，“目前我們使用了多種類型的傳感器。一般而言，您會看到激光雷達、普通雷達和高分辨率視頻攝像機的組合使用。但是隨著圖像處理算法的改進，所有一切都在不斷變化。”

Ayrapetian 解釋說，每一類傳感器都有其優(yōu)缺點，其他專家對此也表示同意。例如，激光雷達是谷歌 “無人駕駛” 汽車研究平臺的主要傳感器。這一技術(shù)的標志是激光器和旋轉(zhuǎn)的鏡子構(gòu)成的半個圓球。激光雷達比較擅長勾勒出物體的外形，并提供距離數(shù)據(jù)—這些都是目標識別算法所必須的。而且，激光雷達對背景光線也不太敏感。

Ayrapetian 提醒說，“但是谷歌使用的激光雷達傳感器價格高達 10 萬美元。” 而且，在有霧或者下雪等低能見度的時候，從物體表面反射回來的光束所攜帶的信息量很少，激光雷達就不太好用了。Ayrapetian 提到了非常著名的加州沙漠聚會，“我們把自動駕駛卡車開向‘火人’。我們所知道的是，激光雷達無法識別一大片塵霧和磚墻。”

而雷達在一定程度上是非常好的互補技術(shù)。如果您仔細選好了頻率、波形和接收信號處理功能，那么，雷達不會受到干擾的影響，實際上在低能見度和光照條件下都能正常工作。大陸汽車系統(tǒng)和技術(shù)公司 ADAS 業(yè)務(wù)部主任 Christian Schumacher 補充說：“雷達能夠很好的獲得距離數(shù)據(jù)。但是，雷達不擅長識別物體。” 不太理想的外形數(shù)據(jù)，而且沒有紋理或者顏色信息，這讓物體識別算法無法工作。

因此，我們使用了攝像機。隨著低成本高分辨率攝像機的出現(xiàn)，視頻成為 ADAS 的關(guān)鍵傳感器技術(shù)，為物體識別提供了豐富的數(shù)據(jù)。多攝像機系統(tǒng)能夠避開某些視覺障礙，提供雖然有限但是足夠用的基于視差的距離信息。但是攝像機也有其問題，能見度差的時候無法工作。Schumacher 提醒說：“攝像機對光照要求很高。我們需要找到平衡點—一種在所有駕駛條件下都非常高效的系統(tǒng)，但是不能有太多的傳感器。”

通過采用更好的算法來互相補充，以減少傳感器。Ayrapetian 說：“我們要考慮傳感器所面臨的問題及其關(guān)鍵程度來定制傳感器。如果把需求縮窄，就能夠改進算法。我們基本能夠采用更好的視頻流圖像處理算法來替代激光雷達。”

傳感器融合

即使在圖像處理技術(shù)上有所突破，大家一致認為仍然需要先進的傳感器融合技術(shù)才能從幾種不同類型的數(shù)據(jù)中，獲得車輛周圍環(huán)境正確的信息：物體，其速度和加速狀態(tài)，以及可能的行為等。一個重要而且復(fù)雜的問題是，在系統(tǒng)中要進行多少次處理。有可能是將所有的原始數(shù)據(jù)送入融合引擎—例如，卡爾曼濾波器或者深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，看一看能夠得出什么。這種想法有一定的可行性，例如實際上有一類特殊的網(wǎng)絡(luò)，卷積網(wǎng)絡(luò)，它用在物體識別時的性能非常好。

但是，設(shè)計人員更傾向于采用他們在操作層面上能夠理解的系統(tǒng)。在5月份舉行的嵌入式視覺大會的一次研討中，谷歌自動駕駛汽車團隊的技術(shù)主任 Nathaniel Fairfield 說：“我們的策略是開發(fā)簡單的系統(tǒng)來處理傳感器數(shù)據(jù)，然后，以更抽象的方式來融合經(jīng)過預(yù)處理的數(shù)據(jù)。我們更愿意通過一個大濾波器來運行所有一切。”

一種簡化的方法是對處理步驟進行邏輯排序 (圖1)。每一個傳感器都會進行本地信號調(diào)理，甚至可能根據(jù)下游的反饋來自動適應(yīng)。然后，每一個傳感器會在本地根據(jù)其掌握的信息進行物體估算，為推斷出的這些物體附加一些屬性。

圖1. 您可以把ADAS看成是處理器流水線，越來越抽象的看待汽車周圍的環(huán)境。

例如，激光雷達能夠確定地面 030 方向有一個物體，從右向左移動，距離大概 20.24 米。雷達也會報告，在同一位置，地面噪聲背景上可能有一個物體。一對高分辨率攝像機會看清楚這一物體—看起來非常像一頭金色獵犬，方向在 025 至 035 之間，大概 15 米之外。

這些信息會被傳送至融合引擎，接收有物體存在這一主視圖，附加上最可靠的屬性—例如，位置、速度、大小和顏色。這些信息隨后會被送至一個分類引擎，將其標示為一條狗—例如，位置、速度、大小和顏色。這些信息隨后會被送至一個分類引擎，將其標示為一條狗

這看起來很有邏輯性，但卻不能解決問題。甚至在每一階段采用哪類算法都沒有達成一致。Schumacher 觀察到：“目前，大部分步驟都是基于規(guī)則的。但是，基于規(guī)則的系統(tǒng)需要很多支持。我們會看到一些算法采用了人們不好解釋的方法。”

本田北美研究所的首席科學(xué)家 Victor Ng-Thow Hing 同意這一觀點，“深度神經(jīng)網(wǎng)絡(luò)在識別任務(wù)上會遠遠超過人，甚至超過基于規(guī)則的算法。有些方面會否定規(guī)則。我認為應(yīng)該有一種混合方法。”

Ayrapetian 說，“不論哪種方法，重要的是認識到能不能解決問題。目前，自動駕駛汽車還不能 100% 的一直保持在車道上行駛。在新環(huán)境下，神經(jīng)網(wǎng)絡(luò)也不能很好的工作。甚至谷歌汽車也依靠非常詳細的地圖來識別物體，定位自己。我們還沒有達到非常智能的程度來完全理解傳感器數(shù)據(jù)。”

策略分類

對于所有的難題，分類引擎還遠遠不夠。對物體分類如果能夠成功的話，會產(chǎn)生物體列表，標識上距離和速度等實際屬性，根據(jù)其可能的身份進行分類，例如，人、綠化灌木，或者建筑符號等。在分類過程中，也應(yīng)該針對其在 ADAS 判決過程中的重要性而標上屬性：非常危險、導(dǎo)航線索，或者無關(guān)的背景等。還應(yīng)該對分類的不確定性等級進行評價。分類功能應(yīng)使用各種不同的濾波器、神經(jīng)網(wǎng)絡(luò)以及基于規(guī)則的分類樹，通過融合不同傳感器的數(shù)據(jù)得出自己的結(jié)論。

現(xiàn)在，問題的本質(zhì)發(fā)生了很大變化。至少在一些較好的條件下，ADAS 系統(tǒng)非常詳細的知道其位置和環(huán)境。現(xiàn)在，它必須決定下一步做什么，特別是出現(xiàn)不確定性因素時。就目前而言，這意味著基于規(guī)則的系統(tǒng)。

Ayrapetian 解釋說：“您可以使用神經(jīng)網(wǎng)絡(luò)來識別物體，甚至是把汽車放在周圍環(huán)境中。但是，您需要規(guī)則來得出判斷，并解釋。”

使用基于規(guī)則的系統(tǒng)來決定 ADAS 響應(yīng)的基本原因可能在于我們對神經(jīng)網(wǎng)絡(luò)工作方式的感情因素?？梢杂?xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，使其能夠比人更正確的理解環(huán)境—也就是，99% 的時間都能夠正確理解被測試的視頻。但是，即使對金色獵犬有 1% 的誤解人們也不會滿意：我們要的是非?？煽康囊?guī)則，決不能撞上一條小狗。

更深層次的問題在于系統(tǒng)驗證和控制兼容問題。很多工程師都強烈的感受到，在相信一款設(shè)計之前，必須能夠理解設(shè)計是怎樣工作的—實際上，在規(guī)劃驗證策略之前。而且，符合某些規(guī)則要求設(shè)計中的每一組成都是可追溯的，回溯到最初的需求來源。所有這些需求對于神經(jīng)網(wǎng)絡(luò)而言都是切實的問題，人很難完全理解網(wǎng)絡(luò)中某一階段在干什么，也不能追溯回系統(tǒng)需求文檔的某些章節(jié)。

相反，基于規(guī)則的系統(tǒng)一般非常直觀：您可以讀取一條規(guī)則，知道為什么在此處要采用它。但是，基于規(guī)則的系統(tǒng)實行起來也有局限。很難設(shè)計一個能夠在不可預(yù)見的環(huán)境中正常工作的系統(tǒng)—務(wù)要求很好的進行抽象思維，找到勝任于某些環(huán)境的規(guī)則。隨著規(guī)則的增多，計算要求和行為預(yù)測都會帶來問題。例如，有可能加入看起來非常合理的規(guī)則，不經(jīng)意間，在基于規(guī)則的判斷樹上設(shè)立了死循環(huán)，或者，建立了無法實時遍歷的規(guī)則列表。

除了混合神經(jīng)網(wǎng)絡(luò)和規(guī)則之外，還有第三種因素。很多系統(tǒng)設(shè)計人員覺得根本不可能只從傳感器數(shù)據(jù)中得出正確的環(huán)境模型，因此，他們要求來自基礎(chǔ)設(shè)施的數(shù)據(jù)：來自道路和十字路口的固定傳感器的數(shù)據(jù)，以及從其他車輛送來的數(shù)據(jù)。Ng-Thow Hing 觀察到，“在日本，計劃是使用智能基礎(chǔ)設(shè)施來實現(xiàn)問題追溯。” 道路傳感器可以定位車輛，非常精確的測量其速度，減少物體識別和分類的壓力，從而減少判斷單元的不確定性。來自其他車輛的數(shù)據(jù)是另一關(guān)鍵參數(shù)，車內(nèi)傳感器很難理解這些數(shù)據(jù)：其他車輛要往哪里開。

但是，基礎(chǔ)設(shè)施數(shù)據(jù)需要非常好的社會組織，還要考慮政治因素，以及只有少數(shù)國家能夠承擔(dān)得起的投入等。因此，目前世界上大部分 ADAS 設(shè)計人員還不能依靠這些。Schumacher 提醒說：“最后，您還需要地圖信息，需要基礎(chǔ)設(shè)施信息。我們還有時間來‘靠邊停車’。”

無論ADAS判斷階段采用哪種實施計劃，它都必須產(chǎn)生兩類輸出 (圖2)。第一類是必須的，輸出至人機接口，告訴并提醒駕駛員。第二類輸出—只是在某些設(shè)計中有，只用于某些環(huán)境中，直接作用在車輛主系統(tǒng)上：轉(zhuǎn)向，剎車，傳動等，如果所有這些都失效了，那么還有被動安全系統(tǒng)。

圖2. 判斷系統(tǒng)有兩類不同的基本輸出流。

可能讓人吃驚的是，最熱門的爭議是人機接口：它什么時候應(yīng)該起作用，怎樣起作用?福特公司的 Buczkowski 在其 DAC 主題演講中，建議應(yīng)該讓駕駛員感到 “這輛車很理解我—也是這么干的。”

這就說明了問題：對于駕駛員，ADAS是有個性的。Schumacher 提醒說：“如果錯誤的反應(yīng)太多，或者系統(tǒng)太謹慎了，那么，駕駛員就會把它關(guān)掉。” Ng-Thow Hing 對此表示同意：“其復(fù)雜性在于有很多不同的駕駛習(xí)慣。” 謹慎的駕駛員喜歡報警甚至是直接干預(yù)。沖動的駕駛員不愿意受到干涉;甚至是那些符合安全駕駛要求的干涉。如果他們覺得 ADAS 系統(tǒng)讓他們在乘客面前出丑了，他們會永久關(guān)掉系統(tǒng)。

Schumacher 解釋說：“例如，道路保持功能在提醒駕駛員時，乘客也會很清楚的知道。如果設(shè)計成直接干預(yù)，可以通過控制轉(zhuǎn)向系統(tǒng)或者采用不同的剎車扭矩來完成。一種方法要比其他方法作用更明顯。”

讓人分散注意力也是問題。人機接口必須引起駕駛員的注意，并給出正確反應(yīng)的建議。不能給出不具指導(dǎo)性的警報，這只能進一步分散駕駛員的注意力—特別是在某些緊急時刻。

干預(yù)

如果我們越來越需要自動駕駛汽車，那么 ADAS 對汽車的控制會更多。這就帶來了其他兩種設(shè)計難題—什么時候以及怎樣控制車輛。

第一個問題是兩個問題中最難解決的。很明顯，系統(tǒng)不應(yīng)該嘗試在當前環(huán)境下有可能出現(xiàn)危險或者無法進行的操作。例如，60 kph 時，ADAS 不能嘗試右轉(zhuǎn)。這種要求實際上意味著，判斷單元必須有詳細設(shè)定的規(guī)則來控制能否使用車輛控制系統(tǒng)接口。但是考慮到有各種各樣的車輛速度、車輛方向以及道路狀況組合，在實時控制系統(tǒng)中，基于規(guī)則的方法很難解決問題。ADAS 可能需要車輛的連續(xù)動態(tài)模型，這樣，它能夠從所需的軌跡中計算出可行的控制輸入。這對于其本身并不意味著計算負載。

第二個問題是個性問題的另一種表現(xiàn)。ADAS 總是應(yīng)該控制汽車嗎?如果駕駛員的行動與計算策略相沖突，它應(yīng)該干預(yù)嗎?或者，它應(yīng)該拖延駕駛員的操作，直到避免發(fā)生事故的最后一刻?如果駕駛員不聽指揮，那么 ADAS 應(yīng)該怎么響應(yīng)?最后一個問題的答案是環(huán)境預(yù)知，例如駕駛員酒駕或者出現(xiàn)了危險行人的情況，還是應(yīng)該可以調(diào)整，或者適應(yīng)駕駛員的個性?

開弓沒有回頭箭

所有這些問題都代表了設(shè)計人員的價值判斷，答案會在 ADAS 系統(tǒng)設(shè)計、成本以及性能上產(chǎn)生非常不同的結(jié)果。那么，您購買汽車時怎么判斷系統(tǒng)的質(zhì)量和個性化問題呢?

Ng-Thow Hing 提醒說：“市場上汽車的質(zhì)量和性能良莠不齊。我們需要非常有經(jīng)驗的專家來幫助購車者理解他們能得到什么。”

Schumacher 更悲觀一些，至少對于美國市場是這樣的。他說：“在美國，簡單的產(chǎn)品通常能夠獲得成功。在歐洲，情況則完全不同。購車者在做出決定之前會研究資料，反復(fù)比較。”

我們知道 ADAS 系統(tǒng)還有很多未解決的問題，也有很多不同的方法來解決這些問題。不同的方法在解決基本問題上各有所長，例如，道路保持、速度管理以及防碰撞等。但這也會多多少少給 ADAS 系統(tǒng)帶來不同的個性化：駕駛員和乘客關(guān)心的個性化。

所以，我們從開放的角度看一切都有可能，只是在 ADAS 設(shè)計選擇上稍有不同。實際上，大量的可能結(jié)果只有三種實例，每一種都對駕駛員及其周圍人們的感受有影響，最終會影響安全。