L'evoluzione dei sensori pilota automatico

Il viaggio verso una guida completamente autonoma è stato spinto da una serie di innovazioni nella tecnologia dei sensori. Solo un decennio fa, la maggior parte dei sistemi di assistenza ai driver si basava su radar di base e sensori ad ultrasuoni per compiti semplici come il controllo di crociera adattativo e l'assistenza al parcheggio. Oggi, una sofisticata serie di sensori funziona in concerto per fornire una ricca e in tempo reale rappresentazione del veicolo’s ambiente.

Lidar: dalla rotazione a Solid‐State

Le unità di lidro primi, come quelle utilizzate da Waymo e Velodyne, impiegate in array rotanti di laser e rivelatori per generare nuvole a 360 gradi. Mentre efficaci, questi sistemi meccanici erano ingombranti, costosi e proni a usura.

Oltre ai miglioramenti dei costi e delle dimensioni, i moderni sensori di lidro incorporano la tecnologia a onde continue modulate in frequenza (FMCW) e, a differenza del tradizionale lidar time-of-flight, FMCW misura sia la distanza che la velocità direttamente dal cambio Doppler della luce, consentendo il rilevamento immediato degli oggetti in movimento e riducendo le interferenze dalla luce solare o da altre unità di lidro.

Sistemi di fotocamera: Vedere il invisibile

Le immagini ad alta risoluzione abbinate a processori avanzati di segnale immagine catturano ora dettagli come marcature a corsia, segnali stradali e gesti pedonali anche in condizioni di scarsa illuminazione. L'ultima generazione di telecamere automobilistiche utilizza sensori CMOS con ampia gamma dinamica (WDR) superiore a 140 dB, che consente loro di gestire cambiamenti improvvisi nella luminosità, come emergere da un tunnel alla luce solare luminosa, senza perdere dettagli critici.

Oltre alla risoluzione raw, gli algoritmi che interpretano i feed della fotocamera hanno avanzato drammaticamente. Le reti neurali convoluzionali (CNN) e le architetture basate sui trasformatori possono ora segmentare ogni pixel di un'immagine in categorie (strada, veicolo, pedonale, animale) e stimare la profondità attraverso le tecniche monoculari o stereo.

Un'altra recente innovazione è l'introduzione di telecamere basate su eventi. A differenza delle telecamere convenzionali basate su frame che catturano le immagini a intervalli fissi, le telecamere di eventi registrano solo cambiamenti di intensità dei pixel, offrendo una risoluzione temporale di microsecondo livello. Questo li rende ideali per rilevare ostacoli di movimento rapido o eventi frenanti improvvisi che le telecamere convenzionali potrebbero mancare a causa di errori di movimento.

Radar: Dipendente in tutto il tempo

Radar (Radio Detection and Ranging) è da tempo apprezzata per la sua capacità di operare in pioggia, nebbia, neve, o luce solare diretta: costi che degradano le prestazioni di lidar e fotocamera. Il radar automobilistico tradizionale opera a 24 GHz o 77 GHz e fornisce dati di gamma, angolo e velocità con risoluzione moderata. Tuttavia, i recenti progressi hanno portato allo sviluppo di radar di imaging 4D ad alta risoluzione. Questi sensori utilizzano molteplici sistemi di trasmissione e ricezione di canali di misuratori di parametri).

Il radar di imaging 4D è particolarmente efficace per i sistemi autopilota perché riempie le lacune lasciate da altri sensori. In pioggia pesante dove si spargono i raggi di lidar, il radar continua a fornire un rilevamento affidabile. Può anche vedere attraverso lo spray calciato da camion su strade bagnate—uno scenario che spesso cieca telecamere. Combinando più scansioni radar nel tempo, gli algoritmi moderni possono anche creare un'immagine virtuale del layout stradale, rilevando i guardrai, le pareti di barriera e le pareti di avanzamento.

Sensori a ultrasuoni: Precisione a raggi stretti

I sensori a ultrasuoni, spesso trascurati, svolgono un ruolo vitale nella manovra a bassa velocità, emettono onde sonore intorno ai 40 kHz e misurano il tempo necessario per il ritorno dell'eco. Sono economici, robusti e perfetti per rilevare gli ostacoli entro pochi metri, rendendoli i fornitori di sistemi di controllo per il parcheggio automatico, il monitoraggio del punto cieco e il rilevamento del freno.

Nei sistemi autopilota, i sensori a ultrasuoni sono spesso utilizzati come rete di sicurezza. Quando una telecamera o un radar possono essere incerti sulla distanza esatta di una parete o di un'altra vettura durante una stretta manovra di parcheggio parallelo, i dati a ultrasuoni riempiono il divario con precisione di livello di centimetro. Inoltre, i nuovi sensori a ultrasuoni "smart" possono rilevare oggetti in movimento e classificarli (ad esempio, una persona che cammina dietro la macchina) analizzando il cambio di emergenza.

Sensor Fusion: La potenza dei dati combinati

Non è perfetto un singolo tipo di sensore. Lidar lotta in precipitazioni pesanti, le telecamere possono essere accecate da abbagliamento, il radar manca di dettagli della texture e l'ultrasonico funziona solo a distanza ravvicinata. La magia delle moderne prestazioni autopilota è nella fusione dei sensori - gli algoritmi che combinano i dati da molteplici modalità del sensore per produrre una rappresentazione consolidata e affidabile dell'ambiente.

I metodi di fusione basati su un apprendimento profondo alimentano dati grezzi o pre-processati da tutti i sensori in una rete neurale unificata. Il DriveWorks di Nvidia, ad esempio, fornisce un quadro per la fusione precoce (combinando pixel di fotocamera grezzi con nuvole a punto lidar) e la fusione tardiva (combinando elenchi di oggetti da ogni sensore).

Un esempio notevole della fusione dei sensori in azione è il sistema Mobileye EyeQ, che integra i dati della fotocamera, del radar e del lidar per fornire uno strato di percezione surround a 360 gradi.

Imparare la macchina e l'intelligenza artificiale in Perception

Mentre l'hardware dei sensori è avanzato, il software che interpreta i dati ha visto miglioramenti forse ancora più drammatici. L'apprendimento automatico, in particolare l'apprendimento profondo, è diventato indispensabile per il rilevamento degli oggetti, la classificazione e la previsione. Le reti neurali convoluzionali possono riconoscere i semafori, i segnali di arresto e i pedoni con tassi di precisione superiori al 99% nei test controllati.

Una recente innovazione critica è l'uso di trasformatori di visione (ViTs) per la percezione multisensoriale. I ViT dividono i dati dei sensori in patch e applicano meccanismi di attenzione per imparare le relazioni tra spazio e tempo, superando le CNN tradizionali in complesse scene urbane. Aziende come Tesla, Wayve e Waabi hanno dimostrato che i dati dei sensori di emergenza end-to-end sono alimentati in una rete di negoziazione che produce direttamente lo sterzo, il freni, il freni, il freni, il freni, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il motore, il sistema di ricercatore e

Tuttavia, la percezione guidata dall'IA non è senza sfide. Le reti neurali possono essere ingannate da esempi avversari, come gli adesivi sui segni di arresto, e spesso soffrono di spostamento di distribuzione quando si incontrano scenari rari nei dati di formazione. Per affrontare questo, le società di guida autonome stanno investendo pesantemente in ambienti di simulazione (ad esempio, Isacco Sim di NVIDIA, AirSim di Microsoft) impiegano anche modelli di apprendimento solido di hardware che coprono i nuovi casi di aggiornamento di chiave.

Impatto sui Metric di Performance del pilota automatico

Le innovazioni del sensore descritte sopra si traducono direttamente in miglioramenti misurabili nelle prestazioni del pilota automatico.

  • Tasso di disimpegno ridotto:[] Sviluppatori autonomi principali come Waymo e Cruise rapporto tassi di disimpegno a partire da uno per 10.000 miglia o meno. Risoluzione e fusione migliorate del sensore riducono il numero di scenari in cui il sistema incontra una situazione che non può gestire, come un pedone occluded o una zona di costruzione insolita.
  • Broader Operational Design Domain (ODD):[ Le moderne suite di sensori consentono ai piloti di operare in condizioni difficili che richiedevano l'intervento del conducente. Ad esempio, la combinazione di telecamere ad alta gamma e radar 4D consente ai sistemi di funzionare in pioggia pesante, sole basso, e anche di notte con un minimo degrado.
  • Le False Tassi Positivi e Falsi Negativi: I falsi positivi (ad esempio, frenare fantasma per un'ombra) possono essere pericolosi e vascolari ai passeggeri. La fusione dei sensori e migliori algoritmi di classificazione hanno tagliato i tassi positivi falsi per ordine di grandezza. Allo stesso tempo, i falsi negativi (che rischiano di rilevare una telecamera obstacle) sono ridotti attraverso il multi-
  • Comfort migliorato e morbidezza:[ La percezione accurata dell'ambiente permette all'autopilota di pianificare percorsi più lisci. Ad esempio, conoscendo la velocità e la posizione precisa di un veicolo di piombo dal lidar e dal radar, consente una accelerazione e frenata più delicate, rendendo la corsa più naturale.
  • Innalzata sicurezza:[ In definitiva, l'obiettivo è quello di ridurre gli incidenti. I primi dati dei sistemi di livello 2 mostrano che i veicoli dotati di avvertimento di collisione in avanti, frenata automatica di emergenza e assistenza per la manutenzione delle corsie hanno una riduzione del 40% delle collisioni di fine posteriore.

Sfide e direzioni future

Nonostante i progressi notevoli, rimangono diverse sfide. Il costo è una barriera importante all'adozione di massa: mentre i prezzi del lidro solido-stato sono calati sotto i $1,000, sono ancora troppo costosi per i veicoli di produzione economicamente accessibili. La risoluzione angolare di Radar, sebbene migliora, ancora si allontana dietro al lidar e alle telecamere per distinguere oggetti strettamente distanziati come le biciclette in una corsia di bicicletta.

Proseguendo, la tendenza è verso una maggiore integrazione e miniaturizzazione. Probabilmente vedremo sensori multi-modali che combinano lidar, radar e fotocamera in un unico alloggiamento, semplificando il packaging e riducendo i costi. I primi esempi commerciali, come il Valeo SCALA 3 lidar, già incorporano una fotocamera e elaborano elettronica. Un'altra direzione promettente è l'uso di circuiti integrati fotonici (PIC) per lidar, che potrebbe ridurre il sensore a un chip di dimensioni

Poiché la tecnologia dei sensori consente livelli più elevati di automazione, i governi devono stabilire standard per prestazioni, ridondanza e sicurezza informatica. La Commissione Europea e la NHTSA stanno già lavorando su nuove normative che richiedono sensori per soddisfare i range di rilevamento minimi e la tolleranza ai guasti.

Nel prossimo futuro, la convergenza di sensori a basso costo e ad alte prestazioni con potenti modelli di machine learning spingerà i sistemi autopilota oltre i loro limiti attuali. Entro cinque anni, possiamo aspettarci che l'autonomia di Livello 4 sia disponibile in decine di città in tutto il mondo, con suite di sensori che sono abbastanza affidabili da gestire ambienti urbani complessi senza un driver di sicurezza. Il percorso per una piena autonomia può essere ancora lungo, ma la traiettoria è chiara: la tecnologia dei sensori sta avanzando più velocemente il sogno e diventa sempre più diffuso e più sicuro.

Per ulteriori informazioni, esplorare gli ultimi sviluppi da ]Tecnologie di Luminar, Le innovazioni radar di Continental], e piattaforma di Guida diNVIDIA.