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。許多人承認，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)始人兼負責人 Phil Magney 預測，“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，康奈爾大學專門研究人工智能的計算機科學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?！?/p>

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“預測”——了解上下文并預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) 作為主要安全標準，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和物理特性定義的獨特光譜響應。

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、科學和航空航天應用。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?。就像半導體一樣，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)之一是訓練數(shù)據(jù)的短缺。更具體地說，“帶注釋的訓練數(shù)據(jù)”，Magney 說。“推理模型只與數(shù)據(jù)和收集數(shù)據(jù)的方式一樣好。當然，訓練數(shù)據(jù)需要用元數(shù)據(jù)進行標記，這非常耗時?！?/p>

AutoSens 對 GAN（生成對抗網(wǎng)絡）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)絡競爭創(chuàng)建新數(shù)據(jù)。據(jù)報道，給定一個訓練集，該技術(shù)學習生成具有與訓練集相同統(tǒng)計數(shù)據(jù)的新數(shù)據(jù)。

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

在 AutoSens 的一次演講中，Koopman 還談到了準確注釋數(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)公司承認支付第三方注釋數(shù)據(jù)所帶來的痛苦。