来源：内容由半导体行业观察（ID：icbank）编译自semiengineering
由于传感器的成本从 15 美元到 1,000 美元不等，汽车制造商开始质疑车辆至少在部分时间内需要多少传感器才能实现完全自动驾驶。
这些传感器用于收集有关周围环境的数据，包括图像、激光雷达、雷达、超声波和热传感器。一种类型的传感器是不够的，因为每一种都有其局限性。这是传感器融合背后的关键驱动力，它结合了多种类型的传感器以实现安全的自动驾驶。
所有 2 级或更高级别的车辆都依靠传感器“看到”周围环境并执行车道居中、自适应巡航控制、紧急制动和盲点警告等任务。到目前为止，OEM 正在采用截然不同的设计和部署方法。
2022 年 5 月，梅赛德斯-奔驰在德国推出了第一款能够进行 3 级自动驾驶的汽车。3 级自动驾驶是 S 级和 EQS 的一个选项，计划于 2024 年在美国推出。据该公司称，建立在驾驶辅助包（雷达和摄像头）基础上的 DRIVE PILOT 添加了新的传感器，包括激光雷达、前窗的高级立体摄像头和后窗的多功能摄像头。前驾驶室还增加了麦克风（特别是用于检测紧急车辆）和湿度传感器。总共安装了 30 个传感器来捕获安全自动驾驶所需的数据。
特斯拉走的是一条不同的道路。2021 年，特斯拉宣布其 Tesla Vision 纯摄像头自动驾驶技术战略将在 Model 3 和 Model Y 上实施，随后在 2022 年在 Model S 和 Model X 上实施。该公司还决定取消超声波传感器。
传感器限制
当今自动驾驶设计面临的挑战之一是不同传感器的限制。为了实现安全的自动驾驶，可能需要传感器融合。关键问题不仅是传感器的数量、类型和部署位置，还包括 AI/ML 技术应如何与传感器交互以分析数据以做出最佳驾驶决策。
图 1：为了克服传感器限制，可能需要传感器融合，将多个传感器组合起来进行自动驾驶，以实现最佳性能和安全性。
“自动驾驶广泛使用人工智能技术，” Rambus安全 IP 技术产品经理 Thierry Kouthon 表示. “自动驾驶，甚至是入门级的 ADAS 功能，都要求车辆表现出与人类驾驶员相当或更好的环境意识水平。首先，车辆必须识别其他车辆、行人和路边基础设施，并确定它们的正确位置。这需要 AI 深度学习技术能够很好地解决的模式识别功能。视觉模式识别是车辆密集使用的高级深度学习领域。此外，车辆必须能够始终计算其最佳轨迹和速度。这需要 AI 也能很好地解决的路线规划能力。这样，激光雷达和雷达就可以提供正确重建车辆环境所必需的距离信息。”
传感器融合，结合来自不同传感器的信息以更好地了解车辆环境，仍然是一个活跃的研究领域。
“每种类型的传感器都有局限性，”Kouthon 说。“相机非常适合物体识别，但提供的距离信息很差，而且图像处理需要大量的计算资源。相比之下，激光雷达和雷达提供出色的距离信息，但清晰度较差。此外，激光雷达在恶劣的天气条件下效果不佳。”
我们真正需要多少个传感器？
对于自动驾驶系统需要多少传感器的问题，没有简单的答案。原始设备制造商目前正试图解决这个问题。这里的其他考虑因素包括卡车在开阔的道路上行驶和城市机器人出租车有非常不同的需求。
“这是一项艰巨的计算，因为每个汽车原始设备制造商都有自己的架构，通过提供更好的空间定位、更长的距离和更高的可见度以及识别和分类物体然后区分各种物体的能力来保护车辆，”Cadence的 Tensilica Vision、雷达和激光雷达 DSP 产品管理和营销总监Amit Kumar 说。“这还取决于汽车制造商决定启用何种级别的自动驾驶（例如，提供广度）。简而言之，要实现部分自动驾驶，传感器的最小数量可以是 4 到 8 个各种类型。为了完全自动驾驶，今天使用了 12 个以上的传感器。”
Kumar 指出，在特斯拉的案例中，有 20 个传感器（8 个摄像头传感器加上 12 个 3 级或以下的超声波传感器），没有激光雷达或雷达。“该公司坚信计算机视觉，其传感器套件适用于 L3 Autonomy。媒体报道说，特斯拉可能会引入雷达来改进自动驾驶。”
Zoox 实施了四个激光雷达传感器，以及摄像头和雷达传感器的组合。这是一辆完全无人驾驶的车辆，车内没有驾驶员，目标是在地图清晰、易于理解的路线上行驶。商业部署尚未开始，但很快就会有一个有限的用例（不像乘用车那么广泛）。
Nuro 的自动驾驶送货车，审美不是那么重要，它使用了一个 360 度摄像头系统，有四个传感器，加上一个 360 度激光雷达传感器，四个雷达传感器，再加上超声波传感器。
实施这些系统没有简单的公式。
Synopsys汽车软件与安全高级经理 Chris Clark 表示：“您需要的传感器数量是组织可接受的风险水平，并且还取决于应用程序”'。“如果你正在开发机器人出租车，他们不仅需要用于道路安全的传感器，还需要车内的传感器来监控乘客在车内的行为以确保乘客安全。在这种情况下，我们将处于人口稠密和城市密度高的地区，该地区具有相当独特的特征，而不是用于高速公路行驶的车辆，在高速公路上您有更长的距离和更大的反应空间。在高速公路上，侵入车道的可能性较小。我不认为有一个固定的规则，你必须拥有三种不同类型的传感器和三个不同的摄像头来覆盖所有自动驾驶汽车的不同角度。”
不过，有多少传感器将取决于该车辆将要解决的用例。
“在机器人出租车的例子中，必须使用激光雷达和普通摄像头，以及超声波或雷达，因为密度太大而无法处理，”Clark说。“此外，我们需要包括一个用于 V2X 的传感器，流入车辆的数据将与车辆在周围环境中看到的数据保持一致。在公路卡车运输解决方案中，将使用不同类型的传感器。除非我们正在做类似团队合作的事情，否则超声波在高速公路上的用处不大，但这不是前瞻性传感器。相反，它可能是前视和后视传感器，这样我们就可以连接到所有团队资产。但激光雷达和雷达变得更加重要，因为卡车在高速公路上行驶时必须考虑距离和范围。”
另一个考虑因素是所需的分析级别。“有这么多数据要处理，我们必须决定其中有多少数据是重要的，”他说。“这就是传感器的类型和功能变得有趣的地方。例如，如果激光雷达传感器可以在周期的早期进行本地分析，这将减少流回传感器融合以进行额外分析的数据量。减少数据量又会降低系统设计的总计算能力和成本。否则，车辆将需要以整合计算环境或专注于传感器网格化和分析的专用 ECU 的形式进行额外处理。”
成本始终是一个问题
传感器融合可能很昂贵。在早期，由多个单元组成的激光雷达系统的成本可能高达 80,000 美元。高成本来自设备中的机械部件。如今，成本要低得多，一些制造商预计在未来的某个时候，它可能会低至每件 200 到 300 美元。新兴的热传感器技术将在几千美元的范围内。总体而言，原始设备制造商将继续面临降低传感器部署总成本的压力。使用更多摄像头代替激光雷达系统将有助于原始设备制造商降低制造成本。
“在城市环境中，安全的基本定义是消除所有可避免的碰撞，” Siemens Digital Industries Software混合和虚拟系统副总裁 David Fritz 说。所需的最小传感器数量取决于用例。一些人认为，在未来，智慧城市基础设施将变得更加复杂和无处不在，从而减少城市环境中对车载传感的需求。”
车对车通信也可能对传感器产生影响。
“在这里，机载传感器的数量可能会减少，但我们还没有做到这一点，”Fritz 观察到。“此外，在某些情况下，AV 必须假设所有外部信息由于电源故障或其他中断而变得不可用。因此，车辆始终需要配备一组传感器——不仅适用于城市地区，也适用于农村地区。我们一直致力于的许多设计都需要在车辆外部安装八个摄像头，在内部安装几个摄像头。前置两个摄像头，经过适当校准，我们可以实现低延迟、高分辨率立体视觉，提供物体的深度范围，从而减少对雷达的需求。我们在车辆的前部、后部和两侧都这样做，以获得完整的 360° 视角。”
当所有摄像头执行对象检测和分类时，关键信息将被传递到中央计算系统以做出控制决策。
“如果基础设施或其他车辆信息可用，它会与来自车载传感器的信息融合，以生成更全面的 3D 视图，从而做出更好的决策，”Fritz 说。“在车内，额外的摄像头用于监控驾驶员，还可以检测遗留物体等占用情况。可能添加一个低成本雷达来处理恶劣天气情况，例如有雾或下雨的情况，是传感器套件的高级补充。我们最近没有看到大量使用激光雷达。在某些情况下，激光雷达性能会受到回波和反射的影响。最初，自动驾驶原型严重依赖激光雷达数据的 GPU 处理，但最近更智能的架构越来越倾向于高分辨率，
优化传感器融合可能很复杂。您如何知道哪种组合能为您带来最佳性能？除了进行功能测试外，原始设备制造商还依赖 Ansys 和西门子等公司提供建模和仿真解决方案，以测试各种传感器组合的结果，以实现最佳性能。
增强技术影响未来的传感器设计
智能基础设施中的 V2X、5G、高级数字地图和 GPS 等增强技术将实现自动驾驶，而车载传感器更少。但要让这些技术得到提升，自动驾驶需要整个汽车行业的支持，以及智慧城市的发展。
“各种增强技术服务于不同的目的，” Arteris IP解决方案和业务开发副总裁 Frank Schirrmeister 指出。“开发人员通常会结合多个来创建安全便捷的用户体验。例如，用于路径规划的地图信息数字孪生可以在能见度有限的条件下创造更安全的体验，以增强基于传感器信息的车内本地决策。V2V 和 V2X 信息可以补充车内本地可用的信息以做出安全决策，增加冗余并创建更多数据点以作为安全决策的基础。”
此外，车联网有望实现车辆与路边基础设施之间的实时协作，这需要超可靠低延迟通信 (URLLC) 等技术。
“这些需求导致各种人工智能技术在流量预测、5G 资源分配、拥塞控制等方面的应用，”Kouthon 说。“换句话说，人工智能可以优化和减少自动驾驶对网络基础设施造成的沉重负担。我们希望原始设备制造商使用软件定义的车辆架构构建自动驾驶汽车，其中 ECU 被虚拟化并通过无线方式更新。数字双胞胎技术对于在非常接近真实车辆的车辆云模拟上测试软件和更新至关重要。”
