一、主流傳感器對比
激光雷達：
激光雷達具有高精度、高分辨率的優勢，同時具有建立周邊3D模型的前景，然而其劣勢在于對靜止物體如隔離帶的探測較弱且目前技術落地成本高昂。由于激光雷達可廣泛應用于ADAS系統，例如自適應巡航控制（ACC）、前車碰撞警示（FCW）及自動緊急制動（AEB），因此吸引了不少具有先進技術的初創公司競爭，同時傳統供應商也積極布局投資希望能夠達成戰略合作關系以便快速獲得先進技術。
毫米波雷達：
與激光雷達相比，毫米波雷達具有探測距離遠，不受天氣狀況影響以及成本低的優勢。由于毫米波雷達采用硅基芯片，不會特別昂貴，也不涉及復雜工藝，同時正處于第二次工藝轉型的重要時期，預計成本仍有下降空間。
相比激光雷達暫時高不可攀的成本以及較低的技術壁壘和自身可全天候工作的優勢，毫米波雷達可以說是目前初創公司進入自動駕駛市場的一個門檻較低的入口。
攝像頭：
車載攝像頭是最基本常見的傳感器，價格低廉且應用廣泛同時具備雷達無法完成的圖像識別功能，不僅可以識別路牌，在自動駕駛系統的圖像處理方案中也是不可或缺的一部分。
鑒于目前激光雷達的高成本，攝像頭配合高精度地圖是另一種較低成本的技術路線。除了與高精度地圖配合為自動駕駛提供定位服務，攝像頭還可以在地圖采集過程中作為低成本且數據傳輸量小（攝像頭捕捉的是小尺寸的2D畫面）的數據收集器。
二、視覺主導還是激光雷達主導？
據清華大學鄧志東教授介紹，自動駕駛環境感知的技術路線主要有兩種：一種是以特斯拉為代表的視覺主導的多傳感器融合方案，另一種以低成本激光雷達為主導，典型代表如谷歌Waymo。
1、視覺主導，以特斯拉為代表：攝像頭+毫米波雷達+超聲波雷達+低成本激光雷達。
攝像頭視覺屬于被動視覺，受環境光照的影響較大，目標檢測與SLAM較不可靠，但成本低。目前，特斯拉已經在其量產車上列裝了Autopilot 2.0固件，而且成本較低，只有7000美金左右，8個攝像頭組成單目環視，有1個毫米波雷達和12個超聲波雷達，希望從L2跳躍到L4。
經過半年的努力，特斯拉近期已經完成了將路測大數據從Mobileye單目視覺技術過渡到基于Nvidia Drive PX2計算硬件平臺的特斯拉Vision軟件系統上，并且在今年3月底發布了8.1軟件版本，它用深度學習的方法在短期內基本達到了Mobileye的技術水平，這是以前很難想象的。特斯拉的自動駕駛技術究竟怎么樣，一個重要的觀察點就是看它能否在2017年年底，如期從洛杉磯開到紐約，實現全程4500公里且無人工干預的完全自主駕駛。
2、激光雷達主導，以Google Waymo為代表：低成本激光雷達+毫米波雷達+超聲波傳感器+攝像頭。
激光雷達是主動視覺，它的目標檢測與SLAM比較可靠，但是卻丟失了顏色和紋理且成本高昂。目前谷歌Waymo自己組建團隊研發激光雷達的硬件，把成本削減了90%以上，基本上是7000美金左右，同時他們已經開始在美國鳳凰城地區對500輛L2級別的車進行社會公測，大大地推進了該類技術路線的落地實踐。
激光雷達主導的解決方案未來可以沿如下兩個方向繼續推進商業化進程：
一個是發展攝像頭與激光雷達的硬件模組，把兩者結合起來，既有激光雷達，又有彩色攝像頭，可以直接獲得彩色激光點云數據。
另一個是進一步降低激光雷達的硬件成本，比如研發固態激光雷達并真正實現產業化，屆時成本會下降到幾百美金。
總之，現在自動駕駛領域有三大核心問題需要著力突破：即利用人工智能，尤其是利用深度學習進行目標識別、自主導航和信息融合，這三方面的技術成果是真正具有商業價值的。
目標識別：例如對交通流稠密的復雜城區，如何可靠地進行周邊障礙物的檢測與行為預測，特別是對極端與緊急情況的感知與預測。
自主導航：激光SLAM或視覺SLAM及其與低成本組合導航的精準融合；
信息融合：多傳感器如何進行信息融合。
三、未來的趨勢是什么？
目前，由于各種原因，不同廠商對于自動駕駛技術路線仍有爭議，所采用的傳感器組合方式也有側重。但是，對于未來發展趨勢，業內主流觀點認為毫米波雷達、激光雷達以及攝像頭等多種傳感器的融合才是實現自動駕駛的必由之路。顯然，以色列創業公司Innoviz CEO兼聯合創始人Omer David Keilaf也是這種觀點的支持者。
他認為，將毫米波雷達、攝像頭、激光雷達等傳感器數據融合的技術，對于保證車輛對周邊環境的全局定位和理解是至關重要的，且為Level 3-Level 5級自動駕駛方案的實現提供了必要的技術儲備。在環境感知中，每一種傳感器都有獨特的優勢和弱點。例如，毫米波雷達可在低分辨率情況下完成測距，且受天氣因素影響小；而攝像頭有更高的分辨率，能夠感知顏色，但受強光影響較大；激光雷達則能夠提供三維尺度感知信息，對環境的重構能力更強。
在這種前提下，只有幾種傳感器的融合才能提供車輛周圍環境更精準的繪圖信息，并達到OEM主機廠所需的安全標準。目前，高性能激光雷達的量產和成本問題，仍是通往多傳感器融合技術方案，乃至完全自動駕駛的障礙之一。
轉載請注明出處。
相關文章
熱門資訊
精彩導讀
關注我們
