取代真人的駕駛輔助功能: 具感知能力自駕車立基於高完整性的基礎資料之上

作者: ADI 自主傳輸及安全副總裁Chris Jacobs

這是當代堪比登月火箭計畫的重大創新科技 ! 從感測器到人工智慧(AI),傳統電子供應鏈組成了合作陣營來致力促進動自駕車的安全性。針對這個目標,硬體與軟體研發方面必須確保駕駛員、乘客、以及行人都受到妥善的保護。機器學習與人工智慧都有其角色,然而它們能發揮的功效也都取決於輸入資料的品質。因此,自駕車的安全建構再高效能、高完整性感測器訊號鏈的基礎之上,藉由這些訊號鏈持續供應最精準的資料,系統再根據這些資料做出攸關生死的決策。

和當初的登月計畫一樣,邁向安全自駕車的路上也潛伏著許多障礙。最近多項自駕車事件引發大眾矚目,引發持負面看法的人士聲稱自駕車本身以及所處的週遭環境太過複雜,另外,其同時也還存在著太多的變數,而演算法以及軟體也仍然存在著非常多的問題。對於曾參與ISO 26262車輛功能安全標準相容測試的人士而言,抱持這樣懷疑的態度是可以理解的,其立論的基礎為五家自駕車公司於2017年在矽谷進行測試,實際行駛哩程除以測試過程中出現解除自駕(disengagements)事件的次數(如圖1所示)。2019年的數據則尚未公布。

圖1. 加州五大自駕車製造商總行駛哩程除以解除自動駕駛次數的數據(2017年12月到2018年11月)。在此期間共有28家廠商在加州境內進行公開測試,自駕模式共行駛2,036,296英哩,期間共出現143,720次解除自動駕駛。

 

然而,目標已勢在必行 : 完全自主運行的車輛即將誕生,而安全則是最優先的要素。加州汽車監理局(DMV)2018年非官方報告顯示,自駕車每英哩解除自動駕駛的次數持續降低,顯示系統的能力逐漸提升。然而這樣的趨勢還必須加快速度。

將分工協作與新思維放在第一位使得許多車廠直接和晶片廠商合作; 感測器製造商開始和AI演算法開發者探討感測器融合; 軟體開發商也終於和硬體供應商聯手推動軟硬體整合。舊有的合作關係逐漸改變中,而各方也積極持續發展新的合作關係,藉以優化最終設計成品的效能、功能、可靠度、成本、以及安全性。

圖2. 各種不同的感測模態用來感知環境以及為ADAS提供車輛導航功能。它們通常獨立運作,為駕駛員提供警訊,協助作出應對的操駕動作

整個產業體系正尋找正確的模式,藉以建構與測試完全自駕車,從而支援包括無人駕駛計程車以及長途貨車等新興應用。在這樣的發展過程中,隨著感測器不斷改良,帶動先進駕駛輔助系統(ADAS)的進步,也促成了業界迅速推進至更高層級的自動駕駛。

這些感測器技術包括攝影機、光學偵測與測距(光達)、無線電波偵測與測距(雷達)、微機電系統(MEMS)、慣性量測單元(IMU)、超音波、以及全球衛星定位系統,它們為AI系統提供了關鍵的輸入訊息,協助驅動著真正具感知能力的自駕車。

感知力自駕車是行人安全的基石

車輛的智能程度通常以自駕車的自主能力等級(levels of autonomy)來表達。其中第一級(L1) 與第二級L2 大致上屬於警示系統,到了第三級L3以上就具備規避意外的能力。到了第五級,自駕車就沒有配備方向盤,完全自主行駛。

在最初幾個系統世代,車輛開始配備L2功能,感測器系統已能獨立運作。這些警示系統的誤警率(false alarm rate)偏高,由於太煩人以致常被關掉。

為打造具備完全感知能力的自駕車,車上配備感測器的數量顯著增加。此外,效能以及反應時間也大幅改善(如圖3與圖4所示)

圖3. 具完全感知能力的自駕車能感知當前與過去的歷史狀態、週遭環境的性質,以及車輛本身的狀態 (位置、速度、軌跡、以及機械狀況)這些都是自駕車維持安全不可或缺的要素。

圖4. 自動駕駛等級以及感測器的要求

隨著車上裝載越來越多感測器,它們能進行更良好的監視,以及察覺當前的機械狀況,像是胎壓、重量變化(例如感知有一位、或六位乘客上車或下車),以及其他磨耗因素影響到煞車與操駕功能。隨著加入更多外部感測模態,車輛融入更完整的感知能力,能掌握車輛本身健康狀況以及週遭環境。

感測器模態的諸多進步讓車輛不僅能辨識環境的當前狀態,還能察知歷史紀錄。這方面要歸功於ENSCO公司航太科學與工程部門首席技術師Joseph Motola博士的研發成果。這項感測能力從感知如坑洞位置等這類簡單的路況,一直涵蓋到感知事故種類,以及在某些地區過去發生紀錄等複雜功能。

這些感知觀念在發展之際,包括感測等級(level of sensing)、處理、記憶體容量、以及連網等障礙使它們看似難以實現,但如今局勢已大為改觀。如今不僅系統能存取歷史資料,還能參照車輛各感測器擷取的即時資料,讓預防性以及事故規避動作的準確度能持續提高。

舉例來說,IMU能偵測忽然的顛簸或偏向,這些狀況都反映道路存在坑洞或障礙物。在以往即使收到這樣的資訊也沒有用,但如今即時連結讓這類資料能立即傳送到中央資料庫,用以警告其他車輛及早避開坑洞或障礙物。另外包括攝影機、雷達、光達、以及其他感測器的資料,也能進行相同的處置。

這類資料經過編譯、分析、融合後,讓車輛能針對所處環境做前瞻性的認知。如此一來,車輛就扮演學習機器的角色,進而做出比人類更好、更安全的決定。

多面向決策制定與分析

車載尖端感知技術方面已累積長足的進展,業界的重點聚焦於從各種感測器收集資料,然後運用感測器融合策略盡可能發揮最大的互補作用,弭平在各種狀況下各自的弱點(如圖5所示)。

圖5 每種感測模態都有其長處與弱點,但運用適當的感測器融合策略,即可融合各家長處並補強各自的弱點。

然而,若其要發展成真正能解決業界面臨問題的可行方案,則還有很長的一段路要走。舉例來說,攝影機能計算到橫向速度(亦即物體沿著和車輛行進路線垂直方向前進的速度)。另外,即使是最好的機器學習演算法,也需要約300毫秒的時間才能偵測橫向移動,並將誤報率維持在夠低的水準。若有一個行人在車輛前方以時速60英哩的速度前進,數毫秒的時間可能就是皮肉傷或致命重傷的差別,因此,反應時間至關重要。

300毫秒延遲是因為需要對連續視訊畫格進行delta向量運算。要做到可靠的偵測程序,至少需要10格以上的連續畫格 : 我們必須處理完一或兩個連續畫格,車輛才有時間去做反應。雷達目前已能做到這點。

同樣的,雷達在速度與物體偵測方面存在許多優勢,像是方位角(azimuth)以及高度,還有能繞著看物體,但仍然需要提供更多時間讓車輛做出反應。面對時速400公里以上的目標,新發展的方案必須至少達到77GHz至79 GHz的運行頻率。如此高的速度似乎太過,但卻是支援複雜分向車道公路的必備條件,在這類道路上車輛會以超過時速200公里的相對速度朝反方向行駛。

光達是介於攝影機與雷達兩者之間的感測器,這樣的屬性使它能運用在完全感知自駕車上並扮演關鍵元件(如圖6所示),但眼前,光達也仍有許多挑戰有待克服。

圖6. 完全感知車輛運用先進雷達、光達、以及攝影機,搭配慣性量測單元以及超音波技術,造就了360度的觀測能力。

光達持續演化成為小巧廉價的固態元件,能裝設在車身四周,支援360度全面向覆蓋。再輔以雷達這個攝影機系統,加入更高的角解析度(angular resolution)以及感知物體距離的深度判斷(depth perception),因此也就能提供更精準的環境3D地圖。

然而,採用近紅外線(IR) (波長850至940奈米)作為光源有可能對視網膜造成傷害,因此光束輸出能量嚴格限制在905奈米波長下每脈衝上限為200奈焦(nJ)。然而若改用1500奈米波長的短波IR,光線會被整個眼睛表面吸收,主管當局可採較寬鬆的規範,每脈衝上限設為8毫焦(mJ)。由於是905奈米光達能階的4萬倍,使得1500奈米脈衝光達系統能提供4倍的傳輸距離。此外,1500奈米系統對於像是陰霾、灰塵、以及懸浮微粒等環境狀況具有更高的耐受力。

1500奈米波長光達面臨的挑戰是系統成本,主要來自光檢測器(photodetector)技術(現今採用銦鎵砷材質元件)。發展高品質解決方案- 高靈敏度、低暗電流、以及低電容 - 是打造1500奈米波長光達的關鍵要素。此外,隨著光達系統發展至第二與第三代,必須進行各種應用優化電路整合,才能壓低尺吋、功耗、以及整體系統成本。

除了超音波、攝影機、雷達、以及光達之外,還有其他感測模態也扮演關鍵角色,促成業界發展完全感知自主運輸載具。GPS讓車輛能在任何時刻掌握自己所在位置。不過,有一些地方無法收到GPS訊號,像是隧道以及高層建築物之間。在這些情境中,慣性量測單元就扮演了關鍵的角色。

經常被忽視的慣性量測單元,其所依賴的是不受環境條件影響維持恒定的重力,因此在推測導航(dead reckoning)方面相當有用。在暫時收不到GPS訊號時,推測導航採用包括車速計與慣性量測單元的資料來偵測行進的距離和方向,然後將推算出的資料疊到高解析地圖上。如此,即可讓感知力自駕車保持在正確的行進路線上,直到恢復正常GPS收訊為止。

高品質資料節省時間與拯救生命

和這些感測模態一樣重要的是,若感測器本身並不可靠,而輸出的訊號並不是精準地擷取,並以高精準感測器資料的狀態饋送到上游端,那麼這些關鍵感測器的輸入資料就不可靠: "輸入垃圾,輸出的也只會是垃圾"。

要因應上述課題,即使最先進的類比訊號鏈也必須持續改進才能進行偵測、擷取、數位化,轉換成感測器訊號的輸出內容,因此其精準度與精密度不能隨著時間與溫度出現漂移。憑藉正確的元件以及設計的最佳策略,包括隨著溫度、相位雜訊、干擾、以及其他造成不穩定現象產生的偏差漂移,其產生的難題都能大幅消弭。高精準度/高品質資料至關重要,其攸關著機器學習以及AI處理器是否能正確訓練,以及做出正確的運行決策。然而這些程序必須在短短幾秒的時間內迅速完成。

在資料品質得到確保後,即可著手優化各種感測器融合方法以及AI演算法,以獲得正確的結果。不論AI演算法訓練到多好的程度,一旦模型完成編譯並部署到網路邊界的裝置之後,這些演算法就完全得依賴可靠、高精準的感測器資料才足以發揮效率。

感測器模態(modalities)、感測器融合、訊號處理、以及人工智慧之間的互動,已對智慧/感知/自駕車的發展產生深遠的影響,並提高我們對於確保駕駛、乘客、以及行人安全的信心。然而倘若欠缺可靠、精準、高精密度的感測器資訊,上述目標就難以實現,而這些要素也都是安全自駕車的基礎。

和所有先進科技一樣,我們投入越多,就會發掘更複雜的使用情境以及衍生的問題,其複雜性將持續讓現有技術顯得力不從心,因此,我們必須期盼新一代感測器以及感測器融合演算法能克服這些難題。

和最初的登月計畫一樣,自駕車的整個計畫將對社會產生著長遠的顛覆性影響。從駕駛輔助到取代駕駛,不僅大幅改善了運輸的安全,生產力也會出現巨大的躍進。而這樣的未來,則有賴於感測器奠立的基礎,在此基礎之上各界才能發展所有其他元件。

Analog Devices過去25年來一直投入汽車安全與ADAS的研發,如今ADI更為未來的自主駕駛奠定基石。針對從事慣性導航與監視,以及高效能雷達與光達方面研究的研發中心,Analog Devices提供的高效能感測器以及訊號/電源鏈解決方案不僅能大幅改進這些系統的效能,還能降低整個平台的總體擁有成本 - 加速邁向未來的腳步。



Author

Chris-Jacobs

Chris Jacobs

Chris Jacobs joined ADI in 1995. During his tenure at Analog Devices, Jacobs has held a number of design engineering, design management, and business leadership positions in the Consumer, Communications, Industrial and Automotive teams. Chris Jacobs is currently the Vice President of the Autonomous Transportation & Automotive Safety business unit at Analog Devices. Prior to this, Jacobs was the General Manager of Automotive Safety, Product and Technology Director of Precision Converters and the Product Line Director of High Speed Converters & Isolation Products.

Chris has a Bachelor of Science in Computer Engineering from Clarkson University, a Master of Science in Electrical Engineering from Northeastern University and a Master of Business Administration from Boston College.