作者：前歐寶和德國大陸集團(tuán)CEO，Karl-Thomas Neumann,

以及安霸雷達(dá)技術(shù)副總裁兼總經(jīng)理Steven Hong

現(xiàn)如今，大多數(shù)自動駕駛汽車都依靠傳感器融合，即將毫米波雷達(dá)、激光雷達(dá)和攝像頭的多傳感器數(shù)據(jù)以一定的準(zhǔn)則進(jìn)行分析和綜合來收集環(huán)境信息。正如自動駕駛汽車行業(yè)巨頭們所證明的那樣，多傳感器融合提高了自動駕駛汽車系統(tǒng)的性能，讓車輛出行更安全。

但并非所有的傳感器融合都會產(chǎn)生相同的效果。雖然許多自動駕駛汽車制造商依靠 "目標(biāo)級"的傳感器融合，但只有集中式傳感器前融合才能為自動駕駛系統(tǒng)提供最佳駕駛決策所需的信息。接下來我們將進(jìn)一步解釋目標(biāo)級融合和集中式傳感器前融合之間的區(qū)別，以及解釋證明集中式前融合不可或缺的原因。

集中式傳感器前融合保留了原始傳感器數(shù)據(jù)可做出更精確的決策

自動駕駛系統(tǒng)通常依靠一套專門的傳感器來收集關(guān)于其環(huán)境的底層原始數(shù)據(jù)。每種類型的傳感器都有優(yōu)勢和劣勢，如圖所示：

融合了毫米波雷達(dá)、激光雷達(dá)和攝像頭多傳感器后可最大限度地提升所收集數(shù)據(jù)的質(zhì)量和數(shù)量，從而生成完整的環(huán)境圖像。

多傳感器融合，相對于傳感器單獨處理的優(yōu)勢已經(jīng)被自動駕駛汽車制造商普遍接受，但這種融合的方式通常發(fā)生在 “目標(biāo)級”的后處理階段。在這種模式下，物體數(shù)據(jù)的收集、處理、融合和分類都發(fā)生在傳感器層面。然而，數(shù)據(jù)綜合處理前，單個傳感器通過對信息的預(yù)先分別過濾，使得對自動駕駛決策所需的背景信息也幾乎都被剔除了，這使得目標(biāo)級融合很難滿足未來的自動駕駛算法的需要。

集中式傳感器前融合則很好地規(guī)避了此類風(fēng)險。毫米波雷達(dá)、激光雷達(dá)和攝像頭傳感器將底層原始數(shù)據(jù)發(fā)送到車輛中央域控制器進(jìn)行處理。這種方法最大限度地提高了自動駕駛系統(tǒng)獲取的信息量，使得算法能夠獲取全部的有價值的信息，從而能夠?qū)崿F(xiàn)比目標(biāo)級融合提供更好的決策。

AI增強(qiáng)型毫米波雷達(dá)通過集中化處理大幅提升自動駕駛系統(tǒng)的性能

如今，自動駕駛系統(tǒng)已經(jīng)集中式處理攝像頭數(shù)據(jù)。但當(dāng)涉及到毫米波雷達(dá)數(shù)據(jù)時，集中化處理仍然是不現(xiàn)實的。高性能的毫米波雷達(dá)通常需要數(shù)百個天線通道，這就大幅增加了產(chǎn)生的數(shù)據(jù)量。因此，本地處理就成了一個更具性價比的選擇。

然而，安霸的 AI 增強(qiáng)的毫米波雷達(dá)感知算法在不需要額外物理天線的情況下，可以提高雷達(dá)角分辨率和性能。來自較少信道的原始雷達(dá)數(shù)據(jù)可以通過使用標(biāo)準(zhǔn)汽車以太網(wǎng)等接口，以較低的成本傳送到中央處理器。當(dāng)自動駕駛系統(tǒng)將原始的 AI 增強(qiáng)雷達(dá)數(shù)據(jù)與原始攝像頭數(shù)據(jù)相融合時，它們就能充分利用這兩種互補(bǔ)的傳感方式來建立一個完整的環(huán)境圖像，使融合后的結(jié)果更加全面，超越任何單一傳感器所獲得的信息。

毫米波雷達(dá)的更新迭代有助于降低成本，也大幅地提高自動駕駛系統(tǒng)的性能。傳統(tǒng)的低成本雷達(dá)量產(chǎn)時，每個毫米波雷達(dá)的價格可以低于 50 美元，比激光雷達(dá)的目標(biāo)成本低一個數(shù)量級。與無處不在的低成本攝像頭傳感器相結(jié)合，AI 雷達(dá)提供了可接受的精確度，這對大規(guī)模商業(yè)化的自動駕駛汽車量產(chǎn)至關(guān)重要。而激光雷達(dá)傳感器與運行 AI 算法的攝像頭/毫米波雷達(dá)感知融合系統(tǒng)相重疊，如果激光雷達(dá)的成本逐漸下降，將可作為攝像頭 + 毫米波雷達(dá)在 L4/L5 自動駕駛系統(tǒng)中的安全冗余。

算法優(yōu)先的中央處理架構(gòu)深化傳感器融合以優(yōu)化自動駕駛系統(tǒng)性能

現(xiàn)行的目標(biāo)級傳感器融合有一定局限性。這是因為前端傳感器都帶有本地處理器，從而限制了每個智能傳感器的尺寸、功耗和資源分布，從而進(jìn)一步限制了整個自動駕駛系統(tǒng)的性能。此外，大量數(shù)據(jù)處理會快速耗盡車輛的動力并縮短其行駛里程。

相反，算法優(yōu)先的中央處理架構(gòu)實現(xiàn)了我們稱之為深度、集中式的傳感器前融合。該技術(shù)利用最先進(jìn)的半導(dǎo)體工藝節(jié)點優(yōu)化了自動駕駛系統(tǒng)的性能，這主要是因為該技術(shù)在所有傳感器上動態(tài)分布的處理能力，以及能根據(jù)駕駛場景提升不同傳感器和數(shù)據(jù)動向的性能。通過獲取高質(zhì)量、底層原始數(shù)據(jù)，中央處理器可以做出更智能、更準(zhǔn)確的駕駛決策。

自動駕駛汽車制造商可以使用低功耗毫米波雷達(dá)和攝像頭傳感器，并結(jié)合尖端的算法優(yōu)先的特定應(yīng)用處理器，如安霸最近宣布的 5 納米制程 CV3 AI 大算力域控制芯片，具備最佳感知和路徑規(guī)劃性能、具有最高的能效比，顯著增加每輛自動駕駛汽車行駛里程的同時，降低電池消耗。

不要拋棄傳感器——投資于它們的融合

自動駕駛系統(tǒng)需要多樣化的數(shù)據(jù)才能做出正確的駕駛決策，只有深度、集中式的傳感器融合才能提供最佳自動駕駛系統(tǒng)的性能和安全所需的廣泛數(shù)據(jù)。在我們的理想模型中…

低功耗、AI 增強(qiáng)的毫米波雷達(dá)和攝像頭傳感器在本地與自動駕駛汽車外圍的嵌入式處理器相連。

嵌入式處理器將原始檢測級對象數(shù)據(jù)發(fā)送到中央域SoC。

使用 AI、中央域處理器分析組合的數(shù)據(jù)以識別物體，做出駕駛決策。

集中式傳感器前融合可以改進(jìn)現(xiàn)有的高層級融合架構(gòu)，讓使用傳感器融合的自動駕駛汽車強(qiáng)大而可靠。為了獲得這些好處，自動駕駛汽車制造商必須投資算法優(yōu)先的中央處理器，以及支持 AI 的毫米波雷達(dá)和攝像頭傳感器。通過多方努力，AI 制造商可以迎來下一階段的自動駕駛汽車發(fā)展的技術(shù)變革。