自动驾驶事故权威揭秘：算法和软件错误太多

自动驾驶的发展就像登月计划。从传感器到人工智能，经典的电子供应链形成了合作矩阵，致力于自动驾驶车辆的安全。为此，需要大量的硬件和软件开发工作来确保对司机、乘客和行人的保护。虽然机器学习和AI可以发挥作用，但其有效性取决于输入数据的质量。因此，除非自动驾驶车辆基于高性能、高可靠性的传感器信号链，并始终提供最准确的数据作为生死决策的依据，否则不能认为是安全的。就像最初的登月一样，安全自动驾驶车辆的道路上还有很多障碍。最近涉及自动驾驶车辆的事故鼓励了反对者，他们认为车辆及其驾驶环境太复杂，变数太多，而算法和软件仍然存在太多错误。可以理解的是，任何参与过ISO26262功能安全合规性验证的人都会持怀疑态度。这种怀疑是有相关数据支持的。下图对比了2017年五家自动驾驶车辆公司在硅谷测试的实际里程和次数(图1)。2019年的数据还没有汇总，但个别公司的报告可以上网查阅。但是，目标是明确的，当自动驾驶到来时，确保至关重要的安全是当务之急。美国加州车辆管理局(DMV)2018年的非官方数据显示，在相同里程下，自动驾驶模式下的手动接管次数在减少，这也说明自动驾驶系统越来越强大。这一趋势需要进一步加快。通过将协作和新思维放在首位，汽车制造商将直接与芯片供应商谈判，传感器制造商将与AI算法开发者讨论传感器融合。软件开发商将与硬件提供商建立联系，充分发挥他们的优势。旧的关系正在改变，新的关系正在动态形成，以优化最终设计的性能、功能、可靠性、成本和安全性。*(图1)加州五大自动驾驶厂商的测试数据:每次人类接管后自动驾驶系统的平均行驶里程(2017年12月至2018年10月)。在此期间，共有28家公司主动在加州的公共场所测试车辆。在此期间，自动驾驶模式下共行驶了2，036，296英里，发生了143，720起人为接管。生态系统正在寻找合适的模型，以便在此基础上制造和测试完全自动驾驶的车辆，这些车辆可以用于快速涌现的新应用，如机器人出租车和长途卡车。在这个过程中，先进驾驶辅助系统(ADAS)使用的传感器不断改进，使得自动化程度迅速提高。这些传感器技术包括摄像头、激光探测和测距(LiDAR)、无线电探测和测距(雷达)、微机电传感器(MEMS)、惯性测量单元(IMU)、超声波和GPS，它们都为人工智能系统提供关键数据输入，从而驱动真正的自动驾驶车辆。*(图2)用于ADAS传感和车辆导航的各种传感技术通常独立工作，并向驾驶员发出预警以便做出反应。*(图3)为了保证自动驾驶车辆的安全，需要充分检测当前和历史状态、环境特征以及车辆自身状态(位置、速度、轨迹和机械状况)。车辆的认知能力是预测安全性的基石。车辆的智能化程度通常用自动驾驶的水平来表示:L1和L2主要是预警系统，而L3或更高水平的车辆则被授权控制，以避免事故的发生。当车辆发展到L5时，方向盘将被取消，车辆将完全自动驾驶。在前几代系统中，随着车辆开始具有L2功能，每个传感器系统都独立工作。这些预警系统虚警率很高，造成了很多麻烦，所以经常被关闭。为了实现具有认知能力的全自动驾驶车辆，传感器的数量将大幅增加。此外，性能和响应速度也必须大大提高(图3和图4)。在车辆上安装更多传感器后……，它还可以更好地监控和分析当前的机械状况，如轮胎压力、重量变化(例如，负载和空载，一名乘客或五名乘客)，以及其他可能影响制动和操纵的磨损因素。有了更多的外部传感方式，车辆可以更全面地感知自己的行驶状况和周围环境。传感方式的改进使汽车能够识别环境的当前状态并了解历史状态。这来自于ENSCO航空航天科学与工程部门首席技术官Joseph Motola开发的原理。这种感知能力不仅可以完成一些简单的任务，如探索路况、识别坑洞等，还可以进行一些细致的分析，如一段时间内特定区域的事故类型和原因等。当这些认知概念产生时，由于感知、处理、记忆能力和网络连接的限制，它们似乎遥不可及。但是现在事情发生了很大的变化。现在，系统可以访问这些历史数据，并将其与车辆传感器提供的实时数据相结合，以提供更多更准确的预防措施，从而避免事故的发生。例如，IMU可以检测由坑洼或障碍物引起的突然跳跃或偏离。在过去，这些信息无处可传，但现在通过实时连接，这些数据可以被发送到中央数据库，并用于警告其他车辆有关坑洞或障碍物。相机、雷达、激光雷达等传感器数据也是如此。这些数据被编译、分析和融合，以便车辆可以使用这些数据来预测其驾驶环境。这使得车辆能够成为一台学习机器，并有望做出比人类更好、更安全的决定。*(图4)自动驾驶水平和传感器要求。多方面的决策和分析在改善车辆感知方面取得了很大的进步。重点是收集各种传感器的数据，应用传感器融合策略，最大限度地实现优势互补，弥补各种条件下不同传感器各自的弱点(图5)。*(图5)每种传感器技术都有各自的优缺点，但只要有合适的传感器融合策略，就可以取长补短。但是，要真正有效地解决行业面临的问题，还有很多工作要做。例如，需要提高相机计算横向速度(即物体在垂直于车辆行驶方向的路径上移动的速度)的能力。然而，要实现足够低的虚警率，即使是最好的机器学习算法也仍然需要大约300毫秒来检测横向移动。对于一辆时速60英里的车辆和一个走在车辆前面的行人来说，毫秒之差关系到人身伤害的严重程度，所以反应时间非常重要。300毫秒的延迟是由系统从连续视频帧执行增量矢量计算所需的时间引起的。对于可靠的检测，需要十个或更多的连续帧，但我们必须将其减少到一个或两个连续帧，以便给车辆足够的响应时间。雷达可以做到这一点。同样，雷达在速度和目标探测方面也有很多优势，比如方位角和俯仰角分辨率高，能够“看见”周围的物体，但也需要给车辆提供更多的反应时间。以测量400 km/h或更高的速度为目标，从77GHz到79GHz的一些开发工作取得了新的进展。这种水平测速看似极端，但要支持复杂的双向车道行驶，其中对向行驶的车辆相对速度超过200 km/h，激光雷达可以弥补摄像头和一般雷达的不足，是具有认知能力的全自动驾驶车辆必不可少的组成部分(图6)。但它也面临挑战。激光雷达正在发展成为一种紧凑高效的固态设计，可以放置在车辆周围的多个位置，以支持完整的360°覆盖。它补充了一般的雷达和相机系统，提高了角分辨率和深度感知，并提供了更准确的三维环境图像。但近红外波段(IR)(850 nm至940 nm)对视网膜有害，因此其能量输出在905 nm被严格规定为200 nJ/脉冲。通过迁移到波长超过1500 nm的短波红外，光线被眼睛的整个表面吸收。这样，有些限制……可以放松并调整到每脉冲8 mJ。1500 nm脉冲激光雷达系统的能级是905 nm激光雷达的4万倍，探测距离是后者的4倍。此外，1500 nm系统可以更好地抵抗某些环境条件，如烟雾、灰尘和细气溶胶。1500 nm激光雷达的挑战是系统成本，这在很大程度上是由光伏探测器技术(现在是基于InGaAs技术)驱动的。获得高质量的解决方案，即高灵敏度、低暗电流和低电容，将是1500 nm激光雷达进步的关键技术。此外，随着激光雷达系统进入第二代和第三代，有必要使用针对应用进行优化的电路集成，以减小尺寸、功耗和整体系统成本。除了超声波、摄像头、雷达和激光雷达，其他传感技术也在实现全自动驾驶中发挥着关键作用。全球定位系统让车辆总是知道他们在哪里。尽管如此，仍有一些地方无法获得GPS信号，如隧道和高层建筑。这就是惯性测量单元发挥重要作用的地方。*(图6)全自动驾驶车辆主要依靠360°探测，需要使用先进的雷达、激光雷达、摄像头、惯性测量单元和超声波传感器。虽然经常被忽视，但是IMU非常稳定可靠，因为它依靠重力，而重力几乎不受环境条件的影响。这是非常有用的航位推算。在暂时没有GPS信号的情况下，航位推算可以利用车速表和IMU的数据来检测行驶距离和方向，并将这些数据叠加在高清地图上。这使得自动驾驶车辆能够保持正确的轨迹，直到GPS信号恢复。高质量的数据可以节省时间，拯救生命和这些传感技术一样重要。如果传感器本身不可靠，输出信号没有被准确捕捉并作为高精度数据提供给上游，那么这些关键传感器就会变得毫无意义，“如果输入是垃圾，那么输出一定是垃圾”这句话也就应验了。为了保证传感器的可靠性，即使是最先进的模拟信号链也必须不断改进，对传感器信号进行检测、采集和数字转换，使其准确度和精度不会随着时间和温度的变化而偏离。一些著名的问题(如偏置温漂、相位噪声、干扰等不稳定现象)可以通过采用合适的器件和设计方法得到很大的缓解。高精度/高质量的数据是机器学习和人工智能处理器得到适当训练并做出正确决策的基础。通常你没有第二次机会重新开始。一旦保证了数据质量，各种传感器融合方法和人工智能算法就能做出最佳反应。事实上，无论人工智能算法训练得多么好，一旦模型被编译并部署到网络边缘的设备上，其有效性就完全取决于高精度传感器的可靠数据。这种传感器模式、传感器融合、信号处理和人工智能之间的相互作用，对开发具有智能和认知能力的自动驾驶汽车，以及确保驾驶员、乘客和行人的安全具有深远的影响。但是，如果没有高度可靠、准确、高精度的传感器信息(这是安全自动驾驶车辆的基础)，一切都没有意义。像任何先进技术一样，我们在这个领域做得越多，我们就会发现需要解决的复杂用例越多。这种复杂性将继续给现有技术带来问题，因此我们期待下一代传感器和传感器融合算法来解决这些问题。就像最初登月一样，我们也对整个自动驾驶汽车实施计划抱有很大的期望，希望这能给社会带来深刻的变化和持久的影响。从辅助驾驶发展到自动驾驶，不仅会大大提高交通安全，还会显著提高生产力。而这样的未来完全依赖于传感器，其他一切都将基于传感器。ADI公司对自动驾驶汽车提出的一些看法:1。司机、乘客和行人的安全，自动驾驶& amp；如何赢得消费者的信任为了无人驾驶汽车能够上路行驶，自动驾驶生态系统需要克服的首要问题就是安全性——既要保证实际行驶的安全性，又要消除人们对安全性的担忧。全自动驾驶预计要到2030年甚至更久才能实现，因为有无数的工程问题需要解决。可以说，安全一直是包括汽车制造商、科技公司、AI供应商、政策制定者和学术界在内的自动驾驶生态系统中亟待解决的重要问题之一。为了实现全自动驾驶，需要采用多功能系统级的方法，为汽车提供实时的360度安全屏障。通过融合来自摄像头、雷达、激光雷达和高性能运动传感器的数据，汽车可以准确感知车身周围的路况，并始终基于安全考虑做出正确的决策。如今摄像头已经成为汽车的标配，但为了构筑这360度的安全屏障，雷达、激光雷达等技术势必成为新一代汽车的标配。2.传感器技术、IMU、人工智能和机器学习能力技术的突破对于人工智能导航系统非常重要，包括摄像头、激光雷达、雷达、微机电系统(惯性MEMS)、超声波和全球定位系统(GPS)，有助于实现更高水平的车辆自主。拥有这些功能的汽车可以更好地感知周围环境，这对于解决安全问题非常重要，安全可谓是自动驾驶生态系统中最重要的话题。除了支持更强大的车辆传感系统，这些传感器还可以监控影响制动和操控的机械条件和相关维护因素。要让自动驾驶汽车具备全面的认知能力，不仅要以传感器为标配，还要大幅增加其数量，从而大幅提升性能，缩短响应时间。自动驾驶的发展就像登月计划。从传感器到人工智能，经典的电子供应链形成了合作矩阵，致力于自动驾驶车辆的安全。为此，需要大量的硬件和软件开发工作来确保对司机、乘客和行人的保护。虽然机器学习和AI可以发挥作用，但其有效性取决于输入数据的质量。因此，除非自动驾驶车辆基于高性能、高可靠性的传感器信号链，并始终提供最准确的数据作为生死决策的依据，否则不能认为是安全的。就像最初的登月一样，安全自动驾驶车辆的道路上还有很多障碍。最近涉及自动驾驶车辆的事故鼓励了反对者，他们认为车辆及其驾驶环境太复杂，变数太多，而算法和软件仍然存在太多错误。可以理解的是，任何参与过ISO26262功能安全合规性验证的人都会持怀疑态度。这种怀疑是有相关数据支持的。下图对比了2017年五家自动驾驶车辆公司在硅谷测试的实际里程和次数(图1)。2019年的数据还没有汇总，但个别公司的报告可以上网查阅。但是，目标是明确的，当自动驾驶到来时，确保至关重要的安全是当务之急。美国加州车辆管理局(DMV)2018年的非官方数据显示，在相同里程下，自动驾驶模式下的手动接管次数在减少，这也说明自动驾驶系统越来越强大。这一趋势需要进一步加快。通过将协作和新思维放在首位，汽车制造商将直接与芯片供应商谈判，传感器制造商将与AI算法开发者讨论传感器融合。软件开发商将与硬件提供商建立联系，充分发挥他们的优势。旧的关系正在改变，新的关系正在动态形成，以优化最终设计的性能、功能、可靠性、成本和安全性。*(图1)加州五大自动驾驶厂商的测试数据:每次人类接管后自动驾驶系统的平均行驶里程(2017年12月至2018年10月)。在此期间，共有28个公司……anies主动在加州的公共场所测试车辆。在此期间，自动驾驶模式下共行驶了2，036，296英里，发生了143，720起人为接管。生态系统正在寻找合适的模型，以便在此基础上制造和测试完全自动驾驶的车辆，这些车辆可以用于快速涌现的新应用，如机器人出租车和长途卡车。在这个过程中，先进驾驶辅助系统(ADAS)使用的传感器不断改进，使得自动化程度迅速提高。这些传感器技术包括摄像头、激光探测和测距(LiDAR)、无线电探测和测距(雷达)、微机电传感器(MEMS)、惯性测量单元(IMU)、超声波和GPS，它们都为人工智能系统提供关键数据输入，从而驱动真正的自动驾驶车辆。*(图2)用于ADAS传感和车辆导航的各种传感技术通常独立工作，并向驾驶员发出预警以便做出反应。*(图3)为了保证自动驾驶车辆的安全，需要充分检测当前和历史状态、环境特征以及车辆自身状态(位置、速度、轨迹和机械状况)。车辆的认知能力是预测安全性的基石。车辆的智能化程度通常用自动驾驶的水平来表示:L1和L2主要是预警系统，而L3或更高水平的车辆则被授权控制，以避免事故的发生。当车辆发展到L5时，方向盘将被取消，车辆将完全自动驾驶。在前几代系统中，随着车辆开始具有L2功能，每个传感器系统都独立工作。这些预警系统虚警率很高，造成了很多麻烦，所以经常被关闭。为了实现具有认知能力的全自动驾驶车辆，传感器的数量将大幅增加。此外，性能和响应速度也必须大大提高(图3和图4)。在车辆上安装更多传感器后，它还可以更好地监测和分析当前的机械状况，如轮胎压力、重量变化(例如，负载和空载，一名乘客或五名乘客)，以及其他可能影响制动和操纵的磨损因素。有了更多的外部传感方式，车辆可以更全面地感知自己的行驶状况和周围环境。传感方式的改进使汽车能够识别环境的当前状态并了解历史状态。这来自于ENSCO航空航天科学与工程部门首席技术官Joseph Motola开发的原理。这种感知能力不仅可以完成一些简单的任务，如探索路况、识别坑洞等，还可以进行一些细致的分析，如一段时间内特定区域的事故类型和原因等。当这些认知概念产生时，由于感知、处理、记忆能力和网络连接的限制，它们似乎遥不可及。但是现在事情发生了很大的变化。现在，系统可以访问这些历史数据，并将其与车辆传感器提供的实时数据相结合，以提供更多更准确的预防措施，从而避免事故的发生。例如，IMU可以检测由坑洼或障碍物引起的突然跳跃或偏离。在过去，这些信息无处可传，但现在通过实时连接，这些数据可以被发送到中央数据库，并用于警告其他车辆有关坑洞或障碍物。相机、雷达、激光雷达等传感器数据也是如此。这些数据被编译、分析和融合，以便车辆可以使用这些数据来预测其驾驶环境。这使得车辆能够成为一台学习机器，并有望做出比人类更好、更安全的决定。*(图4)自动驾驶水平和传感器要求。多方面的决策和分析在改善车辆感知方面取得了很大的进步。重点是收集各种传感器的数据，应用传感器融合策略，最大限度地实现优势互补，弥补各种条件下不同传感器各自的弱点(图5)。*(图5)每种传感器技术都有各自的优缺点，但只要有合适的传感器融合策略，就可以取长补短。但是，要真正有效地解决行业面临的问题，还有很多工作要做。例如，有必要发送即时消息……超过相机计算横向速度(即物体在垂直于车辆行驶方向的路径上移动的速度)的能力。然而，要实现足够低的虚警率，即使是最好的机器学习算法也仍然需要大约300毫秒来检测横向移动。对于一辆时速60英里的车辆和一个走在车辆前面的行人来说，毫秒之差关系到人身伤害的严重程度，所以反应时间非常重要。300毫秒的延迟是由系统从连续视频帧执行增量矢量计算所需的时间引起的。对于可靠的检测，需要十个或更多的连续帧，但我们必须将其减少到一个或两个连续帧，以便给车辆足够的响应时间。雷达可以做到这一点。同样，雷达在速度和目标探测方面也有很多优势，比如方位角和俯仰角分辨率高，能够“看见”周围的物体，但也需要给车辆提供更多的反应时间。以测量400 km/h或更高的速度为目标，从77GHz到79GHz的一些开发工作取得了新的进展。这种水平测速看似极端，但要支持复杂的双向车道行驶，其中对向行驶的车辆相对速度超过200 km/h，激光雷达可以弥补摄像头和一般雷达的不足，是具有认知能力的全自动驾驶车辆必不可少的组成部分(图6)。但它也面临挑战。激光雷达正在发展成为一种紧凑高效的固态设计，可以放置在车辆周围的多个位置，以支持完整的360°覆盖。它补充了一般的雷达和相机系统，提高了角分辨率和深度感知，并提供了更准确的三维环境图像。但近红外波段(IR)(850 nm至940 nm)对视网膜有害，因此其能量输出在905 nm被严格规定为200 nJ/脉冲。通过迁移到波长超过1500 nm的短波红外，光线被眼睛的整个表面吸收。这样就可以放宽一些限制，调整到每脉冲8 mJ。1500 nm脉冲激光雷达系统的能级是905 nm激光雷达的4万倍，探测距离是后者的4倍。此外，1500 nm系统可以更好地抵抗某些环境条件，如烟雾、灰尘和细气溶胶。1500 nm激光雷达的挑战是系统成本，这在很大程度上是由光伏探测器技术(现在是基于InGaAs技术)驱动的。获得高质量的解决方案，即高灵敏度、低暗电流和低电容，将是1500 nm激光雷达进步的关键技术。此外，随着激光雷达系统进入第二代和第三代，有必要使用针对应用进行优化的电路集成，以减小尺寸、功耗和整体系统成本。除了超声波、摄像头、雷达和激光雷达，其他传感技术也在实现全自动驾驶中发挥着关键作用。全球定位系统让车辆总是知道他们在哪里。尽管如此，仍有一些地方无法获得GPS信号，如隧道和高层建筑。这就是惯性测量单元发挥重要作用的地方。*(图6)全自动驾驶车辆主要依靠360°探测，需要使用先进的雷达、激光雷达、摄像头、惯性测量单元和超声波传感器。虽然经常被忽视，但是IMU非常稳定可靠，因为它依靠重力，而重力几乎不受环境条件的影响。这是非常有用的航位推算。在暂时没有GPS信号的情况下，航位推算可以利用车速表和IMU的数据来检测行驶距离和方向，并将这些数据叠加在高清地图上。这使得自动驾驶车辆能够保持正确的轨迹，直到GPS信号恢复。高质量的数据可以节省时间，拯救生命和这些传感技术一样重要。如果传感器本身不可靠，输出信号没有被准确捕捉并作为高精度数据提供给上游，那么这些关键传感器就会变得毫无意义，“如果输入是垃圾，那么输出一定是垃圾”这句话也就应验了。为了保证传感器的可靠性，即使是最先进的模拟信号链也必须不断改进，对传感器信号进行检测、采集和数字转换，使其准确度和精度不会随着时间和温度的变化而偏离。一些著名的问题(如偏置温度漂移、相位噪声、干扰和其他不稳定……enomena)可以通过采用适当的器件和设计方法得到很大的缓解。高精度/高质量的数据是机器学习和人工智能处理器得到适当训练并做出正确决策的基础。通常你没有第二次机会重新开始。一旦保证了数据质量，各种传感器融合方法和人工智能算法就能做出最佳反应。事实上，无论人工智能算法训练得多么好，一旦模型被编译并部署到网络边缘的设备上，其有效性就完全取决于高精度传感器的可靠数据。这种传感器模式、传感器融合、信号处理和人工智能之间的相互作用，对开发具有智能和认知能力的自动驾驶汽车，以及确保驾驶员、乘客和行人的安全具有深远的影响。但是，如果没有高度可靠、准确、高精度的传感器信息(这是安全自动驾驶车辆的基础)，一切都没有意义。像任何先进技术一样，我们在这个领域做得越多，我们就会发现需要解决的复杂用例越多。这种复杂性将继续给现有技术带来问题，因此我们期待下一代传感器和传感器融合算法来解决这些问题。就像最初登月一样，我们也对整个自动驾驶汽车实施计划抱有很大的期望，希望这能给社会带来深刻的变化和持久的影响。从辅助驾驶发展到自动驾驶，不仅会大大提高交通安全，还会显著提高生产力。而这样的未来完全依赖于传感器，其他一切都将基于传感器。ADI公司对自动驾驶汽车提出的一些看法:1。司机、乘客和行人的安全，自动驾驶& amp；如何赢得消费者的信任为了无人驾驶汽车能够上路行驶，自动驾驶生态系统需要克服的首要问题就是安全性——既要保证实际行驶的安全性，又要消除人们对安全性的担忧。全自动驾驶预计要到2030年甚至更久才能实现，因为有无数的工程问题需要解决。可以说，安全一直是包括汽车制造商、科技公司、AI供应商、政策制定者和学术界在内的自动驾驶生态系统中亟待解决的重要问题之一。为了实现全自动驾驶，需要采用多功能系统级的方法，为汽车提供实时的360度安全屏障。通过融合来自摄像头、雷达、激光雷达和高性能运动传感器的数据，汽车可以准确感知车身周围的路况，并始终基于安全考虑做出正确的决策。如今摄像头已经成为汽车的标配，但为了构筑这360度的安全屏障，雷达、激光雷达等技术势必成为新一代汽车的标配。2.传感器技术、IMU、人工智能和机器学习能力技术的突破对于人工智能导航系统非常重要，包括摄像头、激光雷达、雷达、微机电系统(惯性MEMS)、超声波和全球定位系统(GPS)，有助于实现更高水平的车辆自主。拥有这些功能的汽车可以更好地感知周围环境，这对于解决安全问题非常重要，安全可谓是自动驾驶生态系统中最重要的话题。除了支持更强大的车辆传感系统，这些传感器还可以监控影响制动和操控的机械条件和相关维护因素。要让自动驾驶汽车具备全面的认知能力，不仅要以传感器为标配，还要大幅增加其数量，从而大幅提升性能，缩短响应时间。ADI公司正在研究一些适用于未来汽车的技术，包括短程和远程激光雷达和成像雷达解决方案，这些解决方案可以提供差异化的传感检测，大幅降低误报率，缩短响应时间，使我们更接近安全和高度自动驾驶的愿景。目前业界已经聚焦L3+自动驾驶，这也有助于推动未来L5自动驾驶所需传感技术的发展。L3+级别介于ADAS(1-3级)和全自动驾驶(4-5级)之间，兼顾实用性和高性能。L3+级应用，包括高速公路自动驾驶和AEB+技术，需要更高性能的传感器提供支持，使车辆不仅能刹车，还能转弯，避免交通事故。这种关键的传感器架构将成为未来建造全自动驾驶汽车的基础。3.企业如何利用自动驾驶汽车的技术赋能商业模式创新？自动驾驶市场的新技术催生了许多令人兴奋的潜在商业模式创新。自动驾驶汽车可以简化交通和服务，以安全和低成本的方式造福人类，这是企业和社区和谐运行的基础，也有助于提高易用性和生产力。基于自动驾驶汽车的功能，一些公司正在努力重新定义人们享受相关服务的方式。从物流车到公共交通，再到共享出行服务，自动驾驶可以改变人们的出行方式，为人们的出行增加更多选择，更好地利用我们的时间。现在的老年人也想随时自由出行，但在自动驾驶汽车时代，他们可以独立出行，无需求助。4.负担能力，测试计划，城市优先——现实中，我们要实现自动驾驶还有很长的路要走。为了实现经济和安全的全自动驾驶汽车，我们仍然需要应对许多挑战，如技术，基础设施和消费者的接受程度。传感和计算技术尚未成为汽车的标准，其功能需要进一步完善，才能实现自动驾驶汽车始终安全行驶的目标。除了汽车本身，新的基础设施技术，如车辆间和车辆间基础设施通信(统称为“V2X”)，也必须得到更广泛的部署。尽管我们有……尚未实现全自动驾驶，L3+级自动驾驶性能优异，功能实用，让我们前进了一步，可以为大众提供更强大的技术。L3+应用所需的高度自动驾驶技术将成为自动驾驶汽车生态系统的焦点，因为这种关键的传感器架构将为全自动驾驶汽车的更广泛部署奠定基础。虽然目前全自动驾驶汽车还没有普及，但在自动化工业设备等其他应用领域，其基础技术也越来越成熟。技术在这些应用领域不断打磨和发展，未来在成本、尺寸、重量、功耗等方面都能满足汽车应用的需求，得到更广泛的应用。ADI公司正在研究一些适用于未来汽车的技术，包括短程和远程激光雷达和成像雷达解决方案，这些解决方案可以提供差异化的传感检测，大幅降低误报率，缩短响应时间，使我们更接近安全和高度自动驾驶的愿景。目前业界已经聚焦L3+自动驾驶，这也有助于推动未来L5自动驾驶所需传感技术的发展。L3+级别介于ADAS(1-3级)和全自动驾驶(4-5级)之间，兼顾实用性和高性能。L3+级应用，包括高速公路自动驾驶和AEB+技术，需要更高性能的传感器提供支持，使车辆不仅能刹车，还能转弯，避免交通事故。这种关键的传感器架构将成为未来建造全自动驾驶汽车的基础。3.企业如何利用自动驾驶汽车的技术赋能商业模式创新？自动驾驶市场的新技术催生了许多令人兴奋的潜在商业模式创新。自动驾驶汽车可以简化交通和服务，以安全和低成本的方式造福人类，这是企业和社区和谐运行的基础，也有助于提高易用性和生产力。基于自动驾驶汽车的功能，一些公司正在努力重新定义人们享受相关服务的方式。从物流车到公共交通，再到共享出行服务，自动驾驶可以改变人们的出行方式，为人们的出行增加更多选择，更好地利用我们的时间。现在的老年人也想随时自由出行，但在自动驾驶汽车时代，他们可以独立出行，无需求助。4.负担能力，测试计划，城市优先——现实中，我们要实现自动驾驶还有很长的路要走。为了实现经济和安全的全自动驾驶汽车，我们仍然需要应对许多挑战，如技术，基础设施和消费者的接受程度。传感和计算技术尚未成为汽车的标准，其功能需要进一步完善，才能实现自动驾驶汽车始终安全行驶的目标。除了汽车本身，新的基础设施技术，如车辆间和车辆间基础设施通信(统称为“V2X”)，也必须得到更广泛的部署。虽然我们还没有实现全自动驾驶，但是L3+级的自动驾驶性能优异，功能实用，让我们前进了一步，可以为大众提供更强大的技术。L3+应用所需的高度自动驾驶技术将成为自动驾驶汽车生态系统的焦点，因为这种关键的传感器架构将为全自动驾驶汽车的更广泛部署奠定基础。虽然目前全自动驾驶汽车还没有普及，但在自动化工业设备等其他应用领域，其基础技术也越来越成熟。技术在这些应用领域不断打磨和发展，未来在成本、尺寸、重量、功耗等方面都能满足汽车应用的需求，得到更广泛的应用。

标签：发现远程

汽车资讯热门资讯