隨著自動(dòng)駕駛的普及，互聯(lián)車(chē)輛產(chǎn)生的數(shù)據(jù)成為汽車(chē)行業(yè)的驅(qū)動(dòng)因素和約束因素。雖然我們不能低估收集信息的重要性，但目前一輛車(chē)的信息量接近每小時(shí)25GB。而隨著自主性水平的提高，互聯(lián)汽車(chē)之間交換的數(shù)據(jù)千兆字節(jié)數(shù)將進(jìn)一步增加。像這樣大量的數(shù)據(jù)造成了處理問(wèn)題。為了解決這個(gè)問(wèn)題，架構(gòu)和數(shù)據(jù)都必須變得更加復(fù)雜。這就是多傳感器融合和數(shù)據(jù)壓縮在使整個(gè)自治系統(tǒng)工作中發(fā)揮重要作用的地方。

快速、無(wú)縫的數(shù)據(jù)處理對(duì)于追求更高水平自動(dòng)駕駛的汽車(chē)制造商來(lái)說(shuō)是最關(guān)鍵和最具挑戰(zhàn)性的任務(wù)。Intellias是許多原始設(shè)備制造商和一級(jí)公司值得信賴(lài)的合作伙伴，致力于研究能夠最有效地處理數(shù)據(jù)流的最佳硬件和軟件解決方案。在本文中，我們將分享我們的數(shù)據(jù)專(zhuān)業(yè)知識(shí)，以解開(kāi)信息如何在自動(dòng)駕駛汽車(chē)中傳播的困惑，以及使用人工智能和深度學(xué)習(xí)優(yōu)化數(shù)據(jù)的方法。

在本文中，您將了解：

（1）用于機(jī)器學(xué)習(xí)的優(yōu)化數(shù)據(jù)集

（2）數(shù)據(jù)壓縮方法

（3）人工智能在傳感器融合和數(shù)據(jù)壓縮中的應(yīng)用

（4）基于人工智能的自動(dòng)駕駛汽車(chē)多傳感器數(shù)據(jù)融合

（5）數(shù)據(jù)壓縮的深度學(xué)習(xí)方法

（6）如何將壓縮數(shù)據(jù)發(fā)送到云

為機(jī)器學(xué)習(xí)創(chuàng)建優(yōu)化的數(shù)據(jù)集：

工作原理：從多個(gè)傳感器收集原始數(shù)據(jù)后，必須對(duì)其進(jìn)行充分處理。請(qǐng)記住，自治級(jí)別越高，需要的傳感器就越多。處理包括幾個(gè)階段：

數(shù)據(jù)清理：通過(guò)應(yīng)用各種基于規(guī)則或模型的技術(shù)，發(fā)現(xiàn)不完整或不準(zhǔn)確的輸入，并糾正原始傳感器數(shù)據(jù)中的錯(cuò)誤

數(shù)據(jù)融合：將來(lái)自不同來(lái)源的數(shù)據(jù)以及相關(guān)數(shù)據(jù)庫(kù)的信息結(jié)合起來(lái)，以確保高水平的準(zhǔn)確性

數(shù)據(jù)壓縮：通過(guò)減少冗余來(lái)減少存儲(chǔ)空間和傳輸?shù)臄?shù)據(jù)量，即刪除重復(fù)的或?qū)氋F的數(shù)據(jù)；使用不同的數(shù)據(jù)表示和近似技術(shù)，即傳輸更少的數(shù)據(jù)而不丟失數(shù)據(jù)，傳輸緊湊的模型而不是原始數(shù)據(jù)

要準(zhǔn)確地確定一輛自動(dòng)駕駛汽車(chē)在每一個(gè)特定時(shí)刻所需要的所有必要和足夠的數(shù)據(jù)是相當(dāng)困難的。特定的先決條件有助于車(chē)輛的AI與傳感器協(xié)同工作，逐漸了解使用什么數(shù)據(jù)以及何時(shí)使用。但是，前提條件不能實(shí)時(shí)更新。對(duì)于機(jī)器學(xué)習(xí)引擎來(lái)說(shuō)，識(shí)別關(guān)鍵任務(wù)操作所需的數(shù)據(jù)并進(jìn)行局部分析是非常重要的。因此，要運(yùn)行數(shù)據(jù)處理，AI必須：

（1）識(shí)別所有格式的數(shù)據(jù)（來(lái)自所有傳感器）

（2）全方位分析中傳感器融合算法的實(shí)現(xiàn)

（3）識(shí)別關(guān)鍵任務(wù)操作的數(shù)據(jù)并在本地進(jìn)行分析

（4）壓縮非關(guān)鍵數(shù)據(jù)

（5）當(dāng)不太重要的通信可用時(shí)，計(jì)劃將壓縮數(shù)據(jù)上載到云

（6）當(dāng)需要分析非關(guān)鍵數(shù)據(jù)時(shí)，從云中調(diào)用遺留數(shù)據(jù)

要像這樣運(yùn)行處理過(guò)程，自動(dòng)駕駛汽車(chē)必須擁有強(qiáng)大而昂貴的機(jī)器學(xué)習(xí)引擎。但要進(jìn)入大眾市場(chǎng)，汽車(chē)制造商必須尋找優(yōu)化數(shù)據(jù)和降低汽車(chē)價(jià)格的方法。為了實(shí)現(xiàn)這一目標(biāo)，需要先進(jìn)的數(shù)據(jù)壓縮和數(shù)據(jù)融合技術(shù)，以及車(chē)輛和云后端之間高效的雙向通信。

利用人工智能進(jìn)行傳感器融合和數(shù)據(jù)壓縮

由于基于人工智能的自動(dòng)駕駛汽車(chē)有多個(gè)傳感器——攝像頭、聲納、激光雷達(dá)等，因此必須采用融合和壓縮連接汽車(chē)數(shù)據(jù)陣列的技術(shù)。這是一個(gè)惡性循環(huán)：一輛自動(dòng)駕駛汽車(chē)要實(shí)現(xiàn)無(wú)縫運(yùn)行，就需要大量的輸入，而這需要龐大的計(jì)算處理能力、更多的處理器，以及汽車(chē)內(nèi)部更多的存儲(chǔ)空間。它增加了成本、重量和車(chē)輛的人工智能系統(tǒng)的復(fù)雜性。如何解決這個(gè)問(wèn)題？

融合來(lái)自多個(gè)物聯(lián)網(wǎng)設(shè)備的數(shù)據(jù)后，您將收到大量信息，這些信息被推送到系統(tǒng)中，供人工智能進(jìn)行分析。為了處理這些數(shù)據(jù)量，使用了各種壓縮技術(shù)。在這些技術(shù)的幫助下，信息經(jīng)過(guò)編碼和壓縮，然后解碼和解壓縮以供使用。有所謂的無(wú)損壓縮和有損壓縮方法：在第一種情況下，您可以恢復(fù)原來(lái)保存的所有信息，而在第二種情況下，一些數(shù)據(jù)丟失。

為了保證通信帶寬和處理能力，融合中心必須對(duì)數(shù)據(jù)進(jìn)行壓縮。

基于人工智能的自動(dòng)駕駛汽車(chē)的多傳感器數(shù)據(jù)融合

讓我們回顧一下傳感器融合及其重要性。傳感器融合的前提是合并來(lái)自不同來(lái)源的數(shù)據(jù)，以形成準(zhǔn)確和全面的感知。傳感器融合對(duì)于車(chē)輛的人工智能做出智能和準(zhǔn)確的決策至關(guān)重要。

自動(dòng)駕駛汽車(chē)的傳感器融合

多傳感器數(shù)據(jù)融合既可以是來(lái)自相似傳感器的同質(zhì)數(shù)據(jù)，也可以是來(lái)自不同類(lèi)型傳感器的基于到達(dá)時(shí)間的異質(zhì)數(shù)據(jù)。多傳感器數(shù)據(jù)融合也有不同的層次：

信號(hào)電平：在這個(gè)電平上，融合產(chǎn)生一個(gè)質(zhì)量更好的新信號(hào)

對(duì)象級(jí)：基于對(duì)象的融合生成融合圖像，通過(guò)聚類(lèi)確定每個(gè)信號(hào)數(shù)據(jù)類(lèi)型

特征級(jí)：在這個(gè)級(jí)別上的融合需要識(shí)別來(lái)自不同數(shù)據(jù)源的對(duì)象

決策層：這個(gè)層次上的融合需要多個(gè)算法的結(jié)果的組合

目前，汽車(chē)制造商正在使用特征級(jí)和決策級(jí)多傳感器數(shù)據(jù)融合。然而，這還不足以達(dá)到更高層次的自治。為了獲得更廣泛的環(huán)境感知和更好的上下文輸入，必須采用基于信號(hào)的融合技術(shù)。

這引發(fā)了第二個(gè)挑戰(zhàn)：人工智能必須完成的處理越復(fù)雜，它需要的能力就越大。自動(dòng)駕駛汽車(chē)需要更多的處理器和內(nèi)存，這會(huì)增加成本和更大的能源消耗。更關(guān)鍵的是，融合和解釋來(lái)自如此多不同傳感器的數(shù)據(jù)將需要更多的時(shí)間，人工智能的反應(yīng)在路上是無(wú)法改變的。這就是為什么數(shù)據(jù)壓縮對(duì)自動(dòng)駕駛車(chē)輛的重要性不亞于融合。

調(diào)查數(shù)據(jù)壓縮方法

傳感器產(chǎn)生的數(shù)據(jù)類(lèi)型和數(shù)量各不相同?？纯磥?lái)自L(fǎng)ucid Motors的Stephen Heinrich的估計(jì)，差異可能非常大：

由于攝像機(jī)占用了數(shù)據(jù)交換通道的大部分，因此它是壓縮的首選。如前所述，視頻和激光雷達(dá)數(shù)據(jù)壓縮可以是無(wú)損和有損的。讓我們?cè)敿?xì)說(shuō)明一下Intellias如何利用深度學(xué)習(xí)方法進(jìn)行數(shù)據(jù)壓縮。

無(wú)損壓縮方法解決了兩個(gè)關(guān)鍵問(wèn)題：

1.將真實(shí)數(shù)據(jù)分布近似于模型。

2.開(kāi)發(fā)一種實(shí)用的壓縮算法稱(chēng)為熵編碼方案。

我們可以從ImageNet中100幅圖像的壓縮比來(lái)近似無(wú)損視頻編碼的預(yù)期效率：

對(duì)于LIDAR，數(shù)據(jù)壓縮的方法有：

ilLASCompression

LASZip

LZMA或Lempel-Ziv-Markov鏈算法

壓縮POINT10

為了改進(jìn)數(shù)據(jù)壓縮，我們實(shí)現(xiàn)了深度學(xué)習(xí)技術(shù)。最近的BB-ANS方法利用了潛在變量模型。這個(gè)模型定義了未觀察到的隨機(jī)變量，用來(lái)表示原始數(shù)據(jù)的分布。例如，在圖像的情況下，像素的分布可能依賴(lài)于邊緣和紋理的位置，這是潛在變量。

對(duì)于有損壓縮方法，采用無(wú)監(jiān)督學(xué)習(xí)方法進(jìn)行圖像建模。我們使用變分自動(dòng)編碼器（VAEs）、PixelCNN和PixelRNN模型來(lái)學(xué)習(xí)潛在圖像表示。在這種情況下，交換一個(gè)較小的編碼向量，然后解碼。

為了將有價(jià)值和快速變化的信息從不那么有價(jià)值和更靜態(tài)的信息中分離出來(lái)，采用了一種有損和無(wú)損方法的組合。當(dāng)我們想要優(yōu)化數(shù)據(jù)時(shí)，我們使用一種無(wú)損的方法來(lái)傳輸和壓縮大量的高度動(dòng)態(tài)和關(guān)鍵的信息。較不精確但更緊湊的數(shù)據(jù)傳輸將應(yīng)用于描述靜態(tài)環(huán)境或非關(guān)鍵背景的圖像。

反過(guò)來(lái)，背景為應(yīng)用深度學(xué)習(xí)模型進(jìn)行目標(biāo)檢測(cè)和跟蹤開(kāi)辟了可能性。在這種情況下，感興趣的對(duì)象以更高的質(zhì)量和速度轉(zhuǎn)移，而其他所有東西都保持較低的質(zhì)量。

其他用于傳感器數(shù)據(jù)壓縮的深度學(xué)習(xí)方法包括注意力模型，它用于減少數(shù)據(jù)規(guī)模并指出最有價(jià)值的信息，以及Golomb-Rice編碼，一種基于熵、波動(dòng)性/持久性、多樣性/均勻性、初始數(shù)據(jù)規(guī)模等的數(shù)據(jù)壓縮方法。這些方法被認(rèn)為是有損壓縮，通常指的是多維尺度。它們對(duì)于數(shù)字多維數(shù)據(jù)是有效的。

盡管即使是簡(jiǎn)單的數(shù)據(jù)壓縮方法也可以顯著節(jié)省帶寬，但高級(jí)ML增強(qiáng)的維數(shù)縮減更具前景。通過(guò)這種縮減，連接車(chē)輛之間傳輸?shù)臄?shù)據(jù)量減少了一半。此外，當(dāng)編碼或壓縮信息被發(fā)送到云端時(shí)，傳輸數(shù)據(jù)的大小也會(huì)減少兩倍。

將壓縮數(shù)據(jù)發(fā)送到云

非關(guān)鍵數(shù)據(jù)，即長(zhǎng)響應(yīng)時(shí)間參考數(shù)據(jù)，未經(jīng)本地處理，被壓縮并發(fā)送到云。用于存儲(chǔ)數(shù)據(jù)的云平臺(tái)必須能夠承載生成的數(shù)據(jù)陣列。當(dāng)涉及到自動(dòng)駕駛汽車(chē)時(shí)，計(jì)算成本很少被提及，但它們應(yīng)該被考慮在內(nèi)：例如，通用汽車(chē)（GM）斥資2.88億美元新建了兩個(gè)存儲(chǔ)和處理汽車(chē)數(shù)據(jù)的倉(cāng)庫(kù)。

這正是谷歌云數(shù)據(jù)融合解決方案等產(chǎn)品派上用場(chǎng)的地方。在此解決方案的幫助下，來(lái)自不同來(lái)源的數(shù)據(jù)可以融合到中央數(shù)據(jù)倉(cāng)庫(kù)中。融合云允許構(gòu)建數(shù)據(jù)管道并對(duì)其進(jìn)行轉(zhuǎn)換，而無(wú)需編寫(xiě)任何代碼。

云數(shù)據(jù)融合解決方案

Intellias汽車(chē)專(zhuān)家將該解決方案作為數(shù)據(jù)分析的骨干，以及大數(shù)據(jù)應(yīng)用的開(kāi)發(fā)和運(yùn)行。

總的來(lái)說(shuō)，傳感器融合和數(shù)據(jù)壓縮是汽車(chē)行業(yè)走向更高水平自主的關(guān)鍵課題。為了達(dá)到第三級(jí)甚至更高的水平，自動(dòng)駕駛汽車(chē)必須使用大量的傳感器，以及它們產(chǎn)生的大量數(shù)據(jù)。

為了實(shí)現(xiàn)這一點(diǎn)，數(shù)據(jù)流程應(yīng)從生成階段到存儲(chǔ)階段和非關(guān)鍵洞察的貨幣化階段進(jìn)行優(yōu)化。像Intellias這樣的高科技公司利用深度學(xué)習(xí)技術(shù)改進(jìn)數(shù)據(jù)壓縮，并致力于找出最有效的多傳感器融合方法。這一切都是為了幫助原始設(shè)備制造商降低自動(dòng)駕駛汽車(chē)的價(jià)格，從而使其更容易進(jìn)入大眾市場(chǎng)。

原文鏈接：

https://www.intellias.com/the-way-of-data-how-sensor-fusion-and-data-compression-empower-autonomous-driving/

編輯：jq