ADS系統(tǒng)分層架構(gòu)

ADS主要是由高速場景向城市道路場景演進來落地領(lǐng)航輔助NOA功能。隨著車輛傳感器等高性能硬件配置增加、大算力平臺的構(gòu)建、以及AI算法的泛化能力提升，NOA全場景的落地節(jié)奏在明顯加快。AI與場景的深度融合，推動ADS逐步實現(xiàn)從低速到高速，從載物到載人，從商用到民用，從階段一提供L2高級輔助駕駛和L3擁堵高速公路副駕駛，發(fā)展到階段二可以提供L3擁堵公路自動駕駛和L4高速公路自動駕駛，最終實現(xiàn)階段三的L4城郊與市區(qū)自動駕駛和L5商用無人駕駛。然而大量的分析表明，目前在很大的程度上自動駕駛車或者無人駕駛AVs的安全性能估計比人類駕駛明顯要差一個數(shù)量級，雖然可以適應(yīng)仿真和簡單低遮擋的約束真實場景，但仍難以應(yīng)對城市的復(fù)雜道路交通場景，包括惡劣天氣環(huán)境，定位信號缺失，目標(biāo)高度遮擋，有限全局視野，人車交互，車車交互，以及小尺寸目標(biāo)或干擾目標(biāo)等。場景動態(tài)適應(yīng)能力問題，即所謂“Long-Tail Challenge” 長尾挑戰(zhàn)，依舊是ADS當(dāng)前待解決的主要難題之一。AVs使用體驗數(shù)據(jù)顯示，在暴風(fēng)雨雪天氣，車輛的控制由于打滑和oversteering等原因，目前是遠(yuǎn)低于用戶期望的。
ADS算法的典型系統(tǒng)分層架構(gòu)如圖1所示，一般包括傳感層，感知層，定位層，決策層和控制層。每個層面采用傳統(tǒng)算法模型或者是與深度學(xué)習(xí)DNN模型相結(jié)合，從而實現(xiàn)ADS全程駕駛的人類可以接受的高可靠和高安全性，以及在這個基礎(chǔ)上提供最佳能耗比、最佳用車體驗、和用戶社交娛樂等基本功能。

圖 1. AI for AV: ADS技術(shù)棧案例 (Nageshrao, 2022)

ADS傳感層的不確定性挑戰(zhàn)

圖 2. ADS傳感層的不確定性與性能對比 (Khan, 2022)
如圖2所示，ADS部署的傳感器在極端惡劣場景(雨雪霧、低照度、高度遮擋、傳感器部分失效、主動或被動場景攻擊等)的影響程度是不一樣的。所以傳感器組合應(yīng)用可以來解決單傳感器的感知能力不足問題，常用的幾種組合是：Camera+LIDAR; Radar(3D, 4D)+Camera+LIDAR(LD, HD)；Radar+Camera。統(tǒng)計數(shù)據(jù)表明Radar+Camera是最常見組合。ADS傳感層總結(jié)如下:
· Camera：可以提供360環(huán)視和遠(yuǎn)距前后視角的環(huán)境語義表征，但需要一個照明環(huán)境，單目和多目Camera可以提供一定程度的目標(biāo)深度信息；受惡劣場景影響嚴(yán)重；鏡頭臟污會嚴(yán)重影響圖像質(zhì)量。
· LIDAR：可以提供場景的空間信息；但難以檢測有反光效應(yīng)的或者透明的物體；當(dāng)雨速高于40 mm/hr 到95 mm/hr，信號反射密度嚴(yán)重?fù)p失并產(chǎn)生雨枕現(xiàn)象；大雪天氣下可視距離縮短并產(chǎn)生反射干擾波形；濃霧場景會產(chǎn)生鬼影現(xiàn)象；溫差會產(chǎn)生額外時間延遲。
· Radar：對周圍車輛檢測準(zhǔn)確率高，可以提供目標(biāo)的速度信息，4D Radar還可以提供目標(biāo)高度的可靠信息；不適合做小目標(biāo)檢測；大雨濃霧和暴風(fēng)雪會產(chǎn)生接收信號強衰減和斑點噪聲，總體對環(huán)境的適應(yīng)性高。

ADS感知層的不確定性挑戰(zhàn)

ADS感知層的主要應(yīng)用場景包括高速公路，城郊與市區(qū)道路；十字路口，交通環(huán)島，潮汐公路；隧道，停車場等，其主要任務(wù)是基于多模的2D/3D人車物目標(biāo)識別，動態(tài)目標(biāo)跟蹤與速度識別，交通標(biāo)志識別，車道線識別，紅綠燈識別，路面可行駛區(qū)域語義分割，路面障礙檢測，盲區(qū)檢測，交通事件檢測，司機打瞌睡檢測等。與此對應(yīng)的核心產(chǎn)品特性包括：碰撞預(yù)警，緊急剎車，車道偏離預(yù)警，傳感部分失效預(yù)警；車道變道，車道并道，路口通行，行為預(yù)測，軌跡預(yù)測，軌跡規(guī)劃；車速控制，轉(zhuǎn)向控制等等。
ADS感知層的第一個挑戰(zhàn)是可感知目標(biāo)距離的挑戰(zhàn)。遠(yuǎn)距離(250-300米)目標(biāo)感知任務(wù)對高速行駛AVs的安全響應(yīng)速度是至關(guān)重要的。對3D目標(biāo)識別等視覺任務(wù)可說，隨著感知距離增加，抽取高密度特征的AI主干網(wǎng)絡(luò)的計算復(fù)雜度會按照二次元速度增加，對算力需求也加速度增加。從圖3的對比還可以看出，采用長距LIDAR可以提升感知距離，特征點可以覆蓋更大的區(qū)域但更稀疏，同時也會產(chǎn)生”Centre Feature Missing(CFM)”即點云空心化或者叫黑洞的問題，極端場景包括近距離的超大車輛的中心特征缺失。解決CFM挑戰(zhàn)問題的一般方法是在BEV特征空間依賴卷積操作通過特征發(fā)散來提供中心區(qū)域的感知場，或者通過點云中非空的區(qū)域來預(yù)測中間空心區(qū)目標(biāo)，代價是目標(biāo)預(yù)測誤差和不確定性的輸出結(jié)果，或者通過連通域打標(biāo)簽CCL進行Instance Point Group進行插值和濾波，以及整個點云的超分變率Super-Resolution來改善性能。

圖 3. 短距LIDAR點云(紅色，75米)與長距LIDAR點云(藍(lán)色，200米)對比案例 (Fan, 2022)
ADS感知層的第二個挑戰(zhàn)是目標(biāo)遮擋即感知盲區(qū)的挑戰(zhàn)。單純依賴AVs自身360全方位近距感知和遠(yuǎn)距感知，很難能夠讓ADS從理論上完全超越人類的駕駛水平，通過預(yù)測預(yù)警達到更低的交通事故率和提供更好的人身安全。如圖4所示的對比案例，可以看出車路協(xié)同可以有效解決盲區(qū)與上述所說的長距感知的挑戰(zhàn)，但對應(yīng)的缺點也不言而喻，部署的成本與長期可靠運營費用以及如何防網(wǎng)絡(luò)攻擊問題，這決定了對鄉(xiāng)村和偏遠(yuǎn)地區(qū)的場景，需要尋求AVs自身的多模感知認(rèn)知決策能力提升。

圖 4. 獨立感知與車路協(xié)同感知對比案例 (Mao, 2022)

圖 5. 多視覺的目標(biāo)多模感知與融合識別案例 (Mao, 2022)
如圖5所示，V2X的可行解決方案包括交通要道部署的RSU Camera，LiDAR, 或者Radar，對算法設(shè)計來說，需要解決海量點云數(shù)據(jù)的壓縮與實時傳輸，以及針對接收數(shù)據(jù)的時間軸同步，多模感知與特征融合目標(biāo)識別等。目前這個領(lǐng)域基于Transformer在BEV空間進行多任務(wù)多模態(tài)的融合感知已經(jīng)有了一些長足進展，融合的方式也可以自由組合，包括多視覺的Camera視頻融合，以及 Camera與LiDAR或者Radar的組合融合模式，對點云數(shù)據(jù)的超分變率會改善融合效果，但融合對延遲非常敏感。
ADS感知層的第三個挑戰(zhàn)是惡劣場景的挑戰(zhàn)。如圖6所示，4D 高清Radar發(fā)送的毫米波，可以有效穿越雨滴和雪花，不受低照與雨雪霧天氣影響，但會受到多徑干擾問題影響，總體來說對環(huán)境的適應(yīng)性高，單獨或者組合應(yīng)用對2D/3D目標(biāo)檢測非常有優(yōu)勢，同時還可以提供高精度的目標(biāo)高度和速度信息，可以有助于ADS的預(yù)測規(guī)劃性能提升。

圖 6. 4D Radar，Camera， LiDAR點云的3D目標(biāo)檢測識別對比案例 (Paek, 2022)