布魯塞爾——在這里舉行的 AutoSens 2019 的結(jié)果是，技術(shù)創(chuàng)新并不缺乏，因為技術(shù)開發(fā)商、一級供應(yīng)商和原始設(shè)備制造商仍在尋找可以在任何道路條件下工作的“穩(wěn)健感知”——包括夜間、霧、雨、雪、黑冰、石油等。

盡管汽車行業(yè)還沒有找到靈丹妙藥，但許多公司都提出了他們新的感知技術(shù)和產(chǎn)品概念。

在今年布魯塞爾的 AutoSens 上，輔助駕駛 (ADAS) 而非自動駕駛汽車 (AV) 成為更受關(guān)注的焦點。

顯然，工程界不再否認(rèn)。許多人承認(rèn)，今天的可能性與最終推出商業(yè)人工智能驅(qū)動的自動駕駛汽車之間存在很大差距——沒有人類駕駛員參與其中。

需要明確的是，沒有人說自動駕駛汽車是不可能的。然而，VSI Labs 的創(chuàng)始人兼負(fù)責(zé)人 Phil Magney 預(yù)測，“4 級 [自動駕駛汽車] 將在高度受限的操作設(shè)計領(lǐng)域內(nèi)推出，[并建立在] 非常全面和徹底的安全案例之上?！?“高度受限的 ODD”，Magney 說，“我指的是特定的道路、特定的車道、特定的營業(yè)時間、特定的天氣條件、一天中的特定時間、特定的接送點等?！?/p>

當(dāng)被問及人工智能驅(qū)動的汽車是否會達到“常識性理解”——知道它實際上是在駕駛并理解其環(huán)境時，康奈爾大學(xué)專門研究人工智能的計算機科學(xué)教授巴特塞爾曼在會議的閉幕小組中表示： “至少需要 10 年……，可能需要 20 到 30 年。”

與此同時，在那些渴望制造 ADAS 和高度自動化汽車的人中，游戲的名稱在于他們?nèi)绾巫詈玫刈屲囕v看到。

Edge Case Research 首席技術(shù)官兼卡內(nèi)基梅隆大學(xué)教授 Phil Koopman 指出，每輛高度自動化車輛的基礎(chǔ)都是“感知”——知道物體在哪里。他解釋說，與人類駕駛員相比，自動駕駛汽車的弱點在于“預(yù)測”——了解上下文并預(yù)測它感知到的物體接下來可能會去哪里。

將智能移動到邊緣

在邊緣添加更多智能是會議上出現(xiàn)的新趨勢。許多供應(yīng)商通過在邊緣融合不同的感官數(shù)據(jù)（RGB 相機 + NIR；RGB + SWIR；RGB + 激光雷達；RGB + 雷達），在感官節(jié)點上添加更多智能。

然而，業(yè)內(nèi)人士對如何實現(xiàn)這一目標(biāo)似乎存在分歧。有些人提倡邊緣傳感器融合，而其他人，例如 Waymo，則更喜歡在中央處理器上對原始感官數(shù)據(jù)進行中央融合。

到 2020 年，隨著 Euro NCAP 將駕駛員監(jiān)控系統(tǒng) (DMS) 作為主要安全標(biāo)準(zhǔn)，許多新的監(jiān)控系統(tǒng)也出現(xiàn)在 AutoSens 上。這些系統(tǒng)不僅可以監(jiān)控駕駛員，還可以監(jiān)控車內(nèi)的乘客和其他物體。

一個典型的例子是安森美半導(dǎo)體推出的新型 RGB-IR 圖像傳感器與 Ambarella 先進的 RGB-IR 視頻處理 SoC 和 Eyeris 的車載場景理解 AI 軟件相結(jié)合。

近紅外與短波紅外

需要在黑暗中看到——無論是在車內(nèi)還是車外——表明使用了紅外。

安森美半導(dǎo)體的 RGB-IR 圖像傳感器采用 NIR（近紅外）技術(shù)，而同樣參展的 Trieye 則更進一步，展示了 SWIR（短波紅外）相機。

什么是短波紅外線（SWIR）？（來源：Trieye）

SWIR 的優(yōu)勢包括它能夠在任何天氣/光照條件下看到物體。更重要的是，SWIR 還可以提前識別道路危險，例如黑冰，因為 SWIR 可以檢測到由每種材料的化學(xué)和物理特性定義的獨特光譜響應(yīng)。

然而，由于用于構(gòu)建它的砷化銦鎵 (InGaAs) 成本極高，SWIR 相機的使用僅限于軍事、科學(xué)和航空航天應(yīng)用。Trieye 聲稱它已經(jīng)找到了一種使用 CMOS 工藝技術(shù)設(shè)計 SWIR 的方法?！斑@就是我們?nèi)〉玫耐黄啤＞拖癜雽?dǎo)體一樣，我們從第一天開始就使用 CMOS 來大批量制造 SWIR 相機，”Trieye 首席執(zhí)行官兼聯(lián)合創(chuàng)始人 Avi Bakal 說。與價格超過 8,000 美元的 InGaAs 傳感器相比，Bakal 表示，Trieye 相機的售價將“數(shù)十美元”。

SWIR 相機剝離（來源：Trieye）

缺乏注釋數(shù)據(jù)

人工智能面臨的最大挑戰(zhàn)之一是訓(xùn)練數(shù)據(jù)的短缺。更具體地說，“帶注釋的訓(xùn)練數(shù)據(jù)”，Magney 說?！巴评砟Ｐ椭慌c數(shù)據(jù)和收集數(shù)據(jù)的方式一樣好。當(dāng)然，訓(xùn)練數(shù)據(jù)需要用元數(shù)據(jù)進行標(biāo)記，這非常耗時。”

AutoSens 對 GAN（生成對抗網(wǎng)絡(luò)）方法進行了熱烈的討論。根據(jù) Magney 的說法，在 GAN 中，兩個神經(jīng)網(wǎng)絡(luò)競爭創(chuàng)建新數(shù)據(jù)。據(jù)報道，給定一個訓(xùn)練集，該技術(shù)學(xué)習(xí)生成具有與訓(xùn)練集相同統(tǒng)計數(shù)據(jù)的新數(shù)據(jù)。

例如，Drive.ai 正在使用深度學(xué)習(xí)來增強注釋數(shù)據(jù)的自動化，以加速繁瑣的數(shù)據(jù)標(biāo)記過程。

在 AutoSens 的一次演講中，Koopman 還談到了準(zhǔn)確注釋數(shù)據(jù)的艱巨挑戰(zhàn)。他懷疑很多數(shù)據(jù)仍然沒有標(biāo)記，因為只有少數(shù)大公司有能力做對。

事實上，參加展會的 AI 算法初創(chuàng)公司承認(rèn)支付第三方注釋數(shù)據(jù)所帶來的痛苦。