原标题：自动驾驶汽车的实施基础

　　汽车行业正在为 2 级(踩油门或刹车)和 3 级(手离开方向盘)车辆提供高级驾驶员辅助系统 (ADAS) 的首批实施方案。尽管它正在努力开发从 L4(眼睛离开道路)到 L5(完全自动驾驶和自动驾驶)车辆的自动驾驶 (AD) 系统。事实证明，挑战比几年前的预期更加困难。

　　实施 AD 系统归结为在没有人工协助的情况下安全地将车辆从 A 点移动到 B 点。这可以通过称为驱动控制回路的三阶段状态机来完成，其中包括感知、运动规划和运动执行。感知学习和理解驾驶环境，以及车辆位置或其在地图上的定位。感知阶段将环境和定位数据提供给计算车辆轨迹的运动或路径规划，然后由运动执行执行。如果感知产生不准确的数据，那么轨迹就会有缺陷。在最坏的情况下，它会导致灾难性的结果。

　　成功的 AD 系统实施依赖于状态机架构，该架构可以准确地理解环境，制定有效的运动计划，并完美地执行其执行。

　　AD系统的七大基本要求

　　构建可行且完美的 L4 AD 控制回路的理想架构必须满足至少七个基本要求。

　　首先是在 PetaOps 范围内提供大量可用计算能力的能力。这里的关键是“可用”这个词。工程师需要知道的是在任何给定实例中可以使用多少理论上的 Ops。

　　其次是能够支持人工智能 (AI) 和数字信号处理 (DSP) 的组合。在具有 L4 能力的车辆中，除了导航数据外，通常还有 40 到 70 个传感器用于 AD 功能，包括雷达、激光雷达、摄像头和超声波传感器的组合。

　　所有这些传感器都会实时生成大量数据。例如，根据数据类型，算法处理可能需要纯 AI 来进行分割和对象检测，或者需要纯信号处理来进行聚类和变换、信号预处理、信号融合或 AI 和信号处理的组合，例如占用网格映射或感知融合。

　　必须考虑法律和责任方面。直到 L3，总是有一个人负责车辆。在 L4 级，车辆应该处于控制状态，并且能够像人类驾驶员在相同情况下一样操控车辆。

　　如果 L4 车辆发生事故，责任和义务在它们从驾驶员转移到 OEM 时成为一个问题，因为没有驾驶员。能够证明 AD 系统的可靠性和功能性变得至关重要。仅 AI 处理是不够的。答案是通过全面的解决方案来解决问题。

　　第三个要求是最小化延迟。典型的传感器循环时间为 30 毫秒。这意味着控制循环需要在 20 到 25 毫秒内完成其任务，以留出处理异常的余量。

　　四是降低能耗。所有主要汽车制造商都在从内燃机转向电动发动机。在不久的将来，道路上的所有车辆都将是电动的，重点将是尽量减少由于大量负载而对电池造成的负担。

　　目前预计可行的 L4 AD 架构每个可用 TeraOps 消耗约 0.1 W，从长远来看，预计会进一步降低。还有一个散热问题。汽车公司不希望处于需要设计特定的、奇特的散热解决方案的境地。

　　五是确保确定性处理。例如，在粒子过滤器中，工程师可能想要进行排序。他们对平均排序时间不感兴趣，但需要知道最小和最大排序时间，以确保他们在允许的时间内处理整个循环。

　　第六个要求是需要一个商业上可行的成本结构，以便从高端汽车迁移到中低端车型。今天，没有商业上可行的 L4/L5 解决方案可用。

　　第七是支持可重编程性。如今，软件定义车辆 (SDV) 已成为新一代车辆架构的一部分。然而，为了适应更新的机器学习算法，例如联邦学习和其他尚未出现的算法，重新编程也是必要的。今天使用的任何算法在未来两三年都不会相同。一个可行的解决方案必须能够处理这个问题。

　　图 1上述要求对于实现 L4 AD 控制回路至关重要。资料来源：VSORA

　　环境感知

　　随着车辆的移动，车辆周围的物体也会移动，从而迫使驾驶控制回路动态地重新计算运动计划。这种动态重新规划通常由局部运动规划器处理，该规划器使用全局规划器和周围环境信息生成最佳轨迹。这是因为需要进行短期环境预测以评估计划轨迹的有效性。

　　这可以通过不同的方式来完成。即，通过基于对象的表示、基于网格的表示或两者的组合。基于网格的表示允许处理具有大量对象的复杂场景，并且重要的是，在进行对象提取时对缺陷不太敏感，例如错误或遗漏的目标。

　　动态占用网格图 (DOGMa) 是本地环境的基于网格的表示。它估计网格中单个单元格的占用概率。它还考虑了每个单元的动力学属性：速度、加速度和转弯比。通过这样做，它可以预测近期的入住率。

　　DOGMa 是一种用于执行短期环境预测的强大方法。

　　要想在感知阶段实现精准稳定的车辆定位，车辆的传感器和道路基础设施必须协同处理。给定环境地图，粒子滤波算法可以估计 AD 车辆在移动和感知环境时的位置和方向。粒子过滤器使用称为粒子的多个样本来了解占据网格中一个单元格的对象。粒子滤波器是一种有效表示任意非高斯分布的方法。由于粒子是随机产生的，如果粒子数量足够多，它们就可以准确地表示非高斯噪声的性质。

　　为了填充占用网格图，为每种类型的传感器收集的传感器数据要经过许多预处理步骤，例如地面识别和光线追踪。然后使用预处理的数据为每种传感器类型创建测量网格。最后，所有传感器类型的所有测量网格和导航数据组合成一个完整的测量网格，粒子过滤器可以对其进行操作。

　　粒子过滤器为单个单元格中的每个粒子捕获许多不同的参数。通过对数据进行聚类，它可以跟踪更大的对象，从而简化进一步的处理阶段，并允许处理例如对象部分或完全隐藏的情况。

　　基于公开的博士论文“A Random Finite Set Approach for Dynamic Occupancy Grid Maps with Real-Time Application”的系统是一个很好的模型。在一个示例中，DSP 实现在每个循环中使用 800 万个单元、1600 万个粒子和 150 万个新粒子。为了处理这个问题，一个单芯片 DSP 配置使用了 1,024 个运行频率为 2 GHz 的 ALU。

　　粒子过滤器实现

　　粒子滤波器的典型商业实施很可能会使用激光雷达、雷达和摄像头的组合。在此示例中，该芯片仅处理通过从 KITTI 数据库中的各种场景获取的 LIDAR 点云捕获的 LIDAR 数据，KITTI 数据库是一个广泛使用的开放数据库，源自德国卡尔斯鲁厄理工学院。使用点云，芯片执行地面识别，使用 Bresenham 的线算法进行光线追踪，然后创建测量网格。遵循一组类似的步骤，将其他传感器与 LIDAR 数据融合将是一项简单的任务。

　　设置了一个 10×10 厘米单元格大小的网格。对于 800 万个单元，网格为 280×280 米。处理后的数据，其中每个细胞被识别出的粒子及其各自的速度，以不同的方式显示信息。一种方法是显示处理后的数据视频流并将其与参考视频进行比较。更重要的是能够创建 360 度视图，其中车辆(自我车辆)位于网格中心，每个方向的视野为 140 米(图 2)。

　　图 2这是 DOGMa 和粒子滤波器通过 AD 处理器处理 KITTI 场景 18 的结果的视频流表示。左侧的视频流显示了驾驶员对环境或参考视图的视图以及在不同方向上移动的车辆。网格设置为 10×10 厘米的单元格大小。对于 800 万个单元，它是一个 280×280 m 的网格。在右侧，上图显示了处理后的数据视频流与参考视频的对比。底部图是 360 度视图，其中自我车辆位于网格的中心，每个方向的视野为 140 m。资料来源：VSORA

　　它被称为动态占用网格映射。为了跟随车辆和物体的运动，网格的各种元素都被人工着色。具体来说，白色意味着地面上没有障碍物。灰色表示未知区域。黑色表示静止的物体。任何颜色都表示动态对象，其中特定的颜色显示该对象的移动方向，例如黄色向后移动、红色向右转和蓝色向前移动。

　　顶部区域显示了与视频相同的驾驶员视图，但输出是基于通过粒子过滤器实现处理后生成的数据。在这里还可以看到每个动态对象的以米/秒为单位的速度。

　　随着车辆的移动，还会提供有关周围区域的信息。越来越多的灰色变为白色，表明这已被确定为空闲空间。它没有完全着色，因为粒子过滤器执行一些预测未来的元素或跟踪隐藏的粒子。如果一辆车挡住了另一辆车或另一个物体的视野，并不一定意味着那个物体已经消失了。这只是意味着它不在视野范围内，并且正在决定跟踪该对象多长时间。

　　处理粒子过滤器是计算密集型的。CPU、GPU 和 FPGA 等传统处理引擎通常无法提供任务所需的“可用”性能，并且它们的延迟超过了 AD 应用程序的最大分配时间。在这里，专用 ASIC 可以完成要求很高的工作。

　　在这种情况下，粒子过滤器的处理使用了 1,024 个 ALU 中的 87%，这也得益于 ALU 核心本机指令的高效率。总延迟为 6 毫秒，这是实现自动驾驶车辆的有效方法。

　　Jan Pantzar 是 VSORA 的销售和营销副总裁，VSORA 是一家位于法国的 AI 和 ADAS 应用 IP 和芯片解决方案供应商。

　　Lauro Rizzatti 博士是硬件仿真方面的验证顾问和行业专家。