在比利時布魯塞爾(Brussels, Belgium)舉行的AutoSens 2019車用感知技術大會不乏技術創新。但技術開發商、一線供貨商(Tier-1)和OEM仍在探索所謂的“強大感知”(robust perception)技術，以便能夠因應黑夜、濃霧、風雪、冰封和油汙等任何道路狀況。

儘管汽車產業尚未找到一劑通用的靈丹妙藥，但許多公司已推出其新型感知技術和產品概念了。

今年AutoSens大會的重點聚焦於先進駕駛輔助系統(ADAS)，比起自動駕駛車(AV)還更引發關注。

顯然地，工程領域已經不再否認，目前可能達到的技術距離最終推出人工智慧驅動(AI-driven)的商業化自動駕駛車(真正的無人駕駛)之間，還存在著巨大的差距。

但這並不是說自動駕駛車無法實現。VSI Labs創辦人兼QuattroportePhil Magney預測，“第四級(Level 4)自動駕駛車的上路將被嚴格限制在設計行駛範圍(ODD)，並基於非常全面和徹底的安全用例。”Magney說，“非常嚴格限制的ODD意味著特定的道路、特定的車道、特定的行駛時段、特定的天氣狀況、一天中的特定時間，以及特定的上下車地點等。”

在大會閉幕前的專題討論上，專精於AI領域的康乃爾大學(Cornell University)電腦科學教授Bart Selman被問及AI驅動的車輛是否會具備“基本的理解能力”——即知道它實際上正在駕駛並了解周圍的環境？他回答說：“要做到這一點至少還要10年……，也可能是20年到30年。”

同時，對於迫切想要打造ADAS和高度自動化車輛的人來說，目前的主旋律在於如何最有效地賦予車輛“視覺”。

Edge Case Research技術長兼卡內基梅隆大學(Carnegie Mellon University)教授Phil Koopman指出，高度自動化車輛的根本在於“感知”，即了解目標的位置。他解釋說，與人類駕駛相比，自動駕駛車的弱點是“預測”，即了解行車環境，並預測所感知到的目標下一步可能往何處去。

智慧向邊緣移動

在此次大會上出現的一種新趨勢，就是在邊緣增加更多智慧。許多供貨商直接在邊緣融合不同的感測資料，包括RGB攝影機+近紅外線(NIR)、RGB+SWIR、RGB+光達(LiDAR)、RGB+雷達等，從而在感測節點上增加了更多智慧，然而，業界廠商對於如何實現融合的意見分歧。有些廠商選擇在邊緣促進感測器融合，另一些廠商，例如Waymo，則更傾向於在中央處理單元(CPU)上對原始感測資料進行集中融合。

由於歐盟新車安全評鑑協會(Euro NCAP)規定駕駛人監控系統(DMS)必須在2020年之前納入主要安全標準，因此，在AutoSens大會上，出現了許多新的監控系統，不僅用於監控駕駛人，還能監控乘客和車輛中的其它目標。

其中一個典型的例子是安森美半導體(On Semiconductor)展示的新型RGB-IR影象感測器，整合了Ambarella先進的RGB-IR視訊處理SoC和Eyeris的車載場景理解AI軟體。

NIR與SWIR

無論是在車內還是在車外，都必須能在黑暗中看清目標，這意味著使用紅外線(IR)。

安森美半導體的RGB-IR影象感測器採用NIR技術，另一家參展商TriEye更進一步採用基於短波的紅外線(SWIR)攝影機。

SWIR的優勢之一在於能夠在任何天氣/照明情況下“看到”物體。更重要的是，SWIR可以提前判斷道路的危險狀況(例如道路結冰)，因為SWIR能夠檢測由每種材料的化學和物理特性所決定的獨特光譜響應。

然而，由於製造SWIR攝影機的砷化銦鎵(InGaAs)成本極高，因此大多僅限於軍事、科學和航天應用。不過，TriEye聲稱已找到一種使用CMOS工藝技術設計SWIR的方法。

TriEye首席技術官兼聯合創辦人Avi Bakal說：“這就是我們所取得的突破。就像半導體一樣，我們從一開始就採用CMOS大量製造SWIR攝影機。”相較於價格超過8,000美元的InGaAs感測器，Bakal表示，TriEye攝影機的價格只有“幾十美元”。

缺乏標記資料

AI的最大挑戰之一在於訓練資料不足。更具體來說，是“附加標記的訓練資料”(annotated training data)。Magney說，“推論模型的好壞取決於資料及其收集方式。當然，訓練資料需要用後設資料(metadata)來附加標籤，但這非常耗時。”

在AutoSens大會上，業界熱烈討論 了“生成對抗網路”(GAN)方法。據Magney介紹，GAN是指兩個神經網路相互競爭，從而創造新資料。針對特定的訓練集，這項技術據稱可以學習產生與訓練集相同統計特性的新資料。

例如，Drive.ai正利用深度學習來加強標記資料的自動化，從而加速繁瑣的資料標記過程。

Koopman在AutoSens大會的演講中也談到了準確標記資料的巨大挑戰。他懷疑目前很多資料仍然未經標記，因為要能準確地執行這項任務只有少數幾家大公司能夠負擔得起。

參展AutoSens的AI演算法新創公司也坦承，向第三方公司支付資料標記的費用的確帶來沉重的壓力。

GAN是一種途徑。但Edge Case Research提出了另一種方法，無需標記所有資料即可加速開發更安全的感知軟體。該公司近日推出了一款稱為Hologram的工具，提供一個AI感知壓力測試和風險分析的系統。Koopman稱，Hologram無需標記高達千兆位元組(PB)的資料，只需執行兩次，就可收集更多資料或做更多訓練，以警告哪裡有“疑點”，以及哪裡“最好回頭再檢查一番”。

此次大會還提出了另一個議題，如果汽車OEM更換了用於資料訓練的攝影機和感測器，將會對於帶標記的資料集帶來什麼影響？

Algolux營銷和策略夥伴關係副QuattroporteDavid Tokic告訴《EE Times》，從事ADAS和AV研發的汽車工程師關注於兩件事：一是在各種條件下的穩健感知；其次是準確且可擴充套件的視覺模型。

目前部署在ADAS或AV中的典型攝影機系統差異很大，不同的鏡頭(提供不同的視野)、感測器和影像訊號處理，提供的引數完全不同。通常一家技術公司會選擇一種攝影機系統，收集一個大型資料集，並對其進行標記和訓練，以建構適應該攝影機系統的準確神經網路模型。

但是，當OEM更換了原來訓練資料所用的攝影機會有什麼影響？這一改變可能會影響感知的準確性，因為神經網路模型已經適應原來的攝影機，現在卻要處理一組新的原始資料。

OEM是否需要重新訓練其資料集？

Tesla、Waymo、GM/Cruise在其AV中使用了大量攝影機。（來源：Algolux）

針對影象感測器是否可更換，VSI Labs的Magney說：“除非規格相同，否則最好不要更換。例如，在VSI Labs，我們為FLIR紅外線熱影像儀訓練了自己的神經網路，並且收集與我們所部署的熱影像儀規格相同的訓練影像。之後我們確實曾經更換過感測器，但其規格完全相同。”

不過，Algolux聲稱開發了一種新方法，可以“在幾天之內”轉換這些先前建立的資料集。Tokic說，該公司的Atlas攝影機優化套件能夠了解“先驗資料”——即攝影機和感測器的特性，再將其應用到檢測層而實現了這一方法。Tokic說：“我們的使命是讓OEM能夠自己選擇攝影機。”

AI硬體

過去幾年來湧現了眾多的AI處理器新創公司，掀起了AI浪潮，並引發業界宣稱硬體復興時代已經到來。其中許多AI晶片新創公司將ADAS和AV定為其目標市場。

例如，針對這一新興的AI加速器市場，Ceva在AutoSens大會上首度亮相其全新AI核心和‘Invite API’。

然而，奇怪的是，除了英偉達(Nvidia)和英特爾(Intel)/Mobileye設計的晶片，以及特斯拉(Tesla)開發僅供內部使用的“全自動駕駛(FSD)計算機”晶片之外，新一代的多功能車輛尚未開始部署新的AI晶片。

另一方面，安森美半導體在AutoSens上釋出了RGB+IR攝影機，這表明安森美/Eyeris團隊已經選擇Ambarella的SoC作為其AI處理器，用於車載監控任務。

Eyeris首席技術官Modar Alaoui坦言，業界通常不會認為Ambarella是一家AI加速器公司，而是傳統的視訊壓縮和計算機視覺晶片業者。他說：“除了Ambarella的CV2AQ SoC，我們找不到其它任何能夠支援10個神經網路、功耗低於5W且每秒可擷取30格視訊(由6支攝影機用於車內監控)的AI晶片，以執行Eyeris的AI車載監測演算法。”Ambarella的晶片由於滿足了這些要求而獲得青睞，擊敗了其它所有正在大肆宣傳的加速器。

不過，Alaoui希望到明年1月在拉斯韋加斯舉行的國際消費電子展(CES)之前，該公司的AI軟體可以移植到另外三個硬體平臺上。

同時，安森美半導體強調，駕駛人和乘客監控應用需要具備“在可變光照的情況——從Sunny直射到漆黑一片——均可擷取影像”的能力。該公司稱，憑藉其出色的NIR響應，“RGB-IR CMOS影象感測器使用3.0µm背照式(BSI)和3重曝光的高動態範圍(HDR)技術，可提供全高解析(HD) 1,080p的輸出。”這些感測器對於RGB和IR光敏感，可以在日光下擷取彩色影像，並在NIR照明條件下擷取單色IR影像。

超越駕駛人監控系統

Alaoui宣稱Eyeris的AI軟體可以執行復雜的身體與臉部分析、監控乘客活動並進行目標檢測。他補充說：“除了駕駛人監控，Eyeris的AI軟體還可以監控車內的一切，包括座椅表面和方向盤”，他強調該公司的進展已經超過Seeing Machines所能成就的效能了。

不過，Seeing Machines歐洲客戶方案總監Laurent Emmerich對此難以苟同。他認為：“超越監控駕駛人以外，涵蓋在車輛內部的更多目標是一個很自然的發展過程，我們也正朝此目標前進中。”

他補充說，相較於新創公司，Seeing Machines的優勢在於，“過去20年累積的AI專業知識為我們的計算機視覺技術奠定了堅實的基礎”。目前，Seeing Machines的駕駛人監控系統已經成功被“6家汽車製造商採用，並設計於9種程式中。”

此外，Seeing Machines還開發了自家的硬體——Fovio駕駛人監控晶片。那麼，該晶片是否也能用於未來的車載監控系統？Emmerich解釋說，該晶片IP將應用於可配置的硬體平臺。

冗餘

為了提高車輛的感知能力，以及增加冗餘以確保安全性，需要將多種不同形式的感測器組裝在車輛中。

法國新創公司Outsight在AutoSens上推出一款由多個感測器組成的高整合產品。該公司聯合創辦人、Whitings前首席技術官Cédric Hutchings解釋說，Outsight的感測器融合盒旨在“透過理解提供感知，了解整個環境(包括道路上的冰、雪、油漬等)並按實際情況進行處理。”他補充說，“我們甚至可以採用有效的高光譜感測技術，為路面材料進行分類。”

但Hutchings並未透露Outsight的融合盒中具體採用了哪些公司的感測器，“由於我們還在調整合適的規格引數和應用，目前還無法公開我們的主要合作伙伴。”

Hutchings解釋說，Outsight的感測器融合盒計劃於2020年第一季出樣給Tier-1供貨商和OEM。該產品將作為一個新增的獨立系統，為確保安全性和“真冗餘”(true redundancy)提供“非關聯性資料”。

該融合盒採用不依賴“機器學習”的途徑，提供確定的結果以使其“可加以驗證”。

另外，Aeye也針對ADAS/AV市場推出其iDAR產品，這是一款融合了HD攝影機的固態MEMS光達。AEye產品管理副QuattroporteAravind Ratnam表示，透過結合兩種感測器並嵌入AI，這款可實時執行的系統能夠“解決某些極端情況”。

Aeye解釋說，iDAR系統旨在將2D攝影機的畫素(RGB)和3D光達資料“立體畫素”(XYZ)結合起來，以提供一種新的實時感測器資料型別，從而為AV路徑規劃系統提供更快速、更準確、更長距離和更智慧的資訊。

AEye AE110的產品效能與產業基準比較。（來源：AEye）

Ratnam在簡報中提到AEye研究了各種用例，“我們研究了300個場景，挑選了56種合適的用例，並進一步縮減至20個場景。”這20個場景中的攝影機、光達和AI的融合最能發揮作用。

Ratnam展示了這樣一種場景：一個小孩忽然不知從哪裡竄出來，追著一個球衝到街道中央——正好在一輛車的前面。此時，位於邊緣的攝影機融合光達可以更快速作業，從而縮短了車輛的反應時間。他指出：“我們的iDAR平臺可提供非常快的計算速度。”

針對邊緣感測器融合的優勢，Waymo的一位與會工程師表示並不確定是否會有實質性的改變。他並提問：“邊緣融合帶來的速度提升會達到幾微秒的差別嗎？我不確定。”

AEye深信iDAR能為Tier-1供貨商提供更多附加價值。Ratnam強調：“我們與Hella和LG等主要的合作伙伴密切合作，因而能夠大幅降低iDAR的成本，目前我們的3D光達價格已經降低到與ADAS差不多了。”

Ratnam說，在接下來的3到6個月內，AEye將完成嵌入AI的車用級RGB和光達融合系統，而且價格將會“低於1,000美元”。

車用光達系統出貨量。（來源：IHS Markit）

IHS Markit汽車半導體和感測器資深分析師Dexin Chen向與會者表示，光達供貨商一直在“過度營銷，吹噓效能。”他指出，“未來可以宣傳的是光達帶來的物理優勢，但能否真正商業化才是決定因素。現在業界更需要的是標準化、聯盟和夥伴關係、供應鏈管理，以及AI合作伙伴。”