高級輔助駕駛系統(tǒng)：駕駛員應知應會！

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該有先進的主動安全系統(tǒng)。

近期可能出現(xiàn)的三種結果

這個故事可能有三種不同的結果，技術取勝，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) 關閉了。

這就是同一個場景三種完全不同的結果。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)供應商 Nuvation 首席設計工程師 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。這一技術的標志是激光器和旋轉(zhuǎn)的鏡子構成的半個圓球。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。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)和技術公司 ADAS 業(yè)務部主任 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 的關鍵傳感器技術，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習神經(jīng)網(wǎng)絡，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，卷積網(wǎng)絡，它用在物體識別時的性能非常好。

但是，設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。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家 Victor Ng-Thow Hing 同意這一觀點，“深度神經(jīng)網(wǎng)絡在識別任務上會遠遠超過人，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、導航線索，或者無關的背景等。還應該對分類的不確定性等級進行評價。分類功能應使用各種不同的濾波器、神經(jīng)網(wǎng)絡以及基于規(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?，F(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 響應的基本原因可能在于我們對神經(jīng)網(wǎng)絡工作方式的感情因素?？梢杂柧毶疃葘W習網(wǎng)絡，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：我們要的是非常可靠的規(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，在相信一款設計之前，必須能夠理解設計是怎樣工作的—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)絡而言都是切實的問題，人很難完全理解網(wǎng)絡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。很難設計一個能夠在不可預見的環(huán)境中正常工作的系統(tǒng)—務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)絡和規(guī)則之外，還有第三種因素。很多系統(tǒng)設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，他們要求來自基礎設施的數(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設施來實現(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，基礎設施數(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)國家能夠承擔得起的投入等。因此，目前世界上大部分 ADAS 設計人員還不能依靠這些。Schumacher 提醒說：“最后，您還需要地圖信息，需要基礎設施信息。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：“如果錯誤的反應太多，或者系統(tǒng)太謹慎了，那么，駕駛員就會把它關掉。” Ng-Thow Hing 對此表示同意：“其復雜性在于有很多不同的駕駛習慣。” 謹慎的駕駛員喜歡報警甚至是直接干預。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。如果設計成直接干預，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，并給出正確反應的建議。不能給出不具指導性的警報，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

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 總是應該控制汽車嗎?如果駕駛員的行動與計算策略相沖突，它應該干預嗎?或者，它應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 應該怎么響應?最后一個問題的答案是環(huán)境預知，例如駕駛員酒駕或者出現(xiàn)了危險行人的情況，還是應該可以調(diào)整，或者適應駕駛員的個性?

開弓沒有回頭箭

所有這些問題都代表了設計人員的價值判斷，答案會在 ADAS 系統(tǒng)設計、成本以及性能上產(chǎn)生非常不同的結果。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 設計選擇上稍有不同。實際上，大量的可能結果只有三種實例，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。