目标级集成与集中式传感器前集成的区别
如今,大多数自动驾驶汽车依靠传感器集成来收集环境信息,包括毫米波雷达、激光雷达和摄像头的多传感器数据。正如自动驾驶汽车行业巨头所证明的,多传感器集成提高了自动驾驶汽车系统的性能,使汽车旅行更加安全。
但并不是所有的传感器集成都会产生相同的效果。尽管许多自动驾驶汽车制造商依赖它们"目标级"传感器集成,但只有集中式传感器BTS737S3集成才能为自动驾驶系统提供最佳驾驶决策所需的信息。接下来,我们将进一步解释目标级集成与集中式传感器前集成的区别,以及集中式前集成不可或缺的原因。
集中式传感器的前融合保留了原始传感器数据,可以做出更准确的决策
自动驾驶系统通常依靠一套特殊的传感器来收集其环境的原始数据。每种传感器都有其优缺点,如图所示:
结合毫米波雷达、激光雷达和相机多传感器,可以最大限度地提高收集到的数据的质量和数量,从而产生完整的环境图像。
与传感器单独处理相比,多传感器集成的优势已被自动驾驶汽车制造商广泛接受,但这种集成通常发生在“目标级”后处理阶段。在这种模式下,物体数据的收集、处理、集成和分类都发生在传感器层面。然而,在综合数据处理之前,自动驾驶决策所需的背景信息几乎被消除,使得目标级集成难以满足未来自动驾驶算法的需求。
集中式传感器的前融合可以很好地避免这种风险。毫米波雷达、激光雷达和摄像头传感器将底部的原始数据发送到车辆中央域控制器进行处理。该方法最大限度地提高了自动驾驶系统获得的信息量,使算法获得所有有价值的信息,从而实现比目标级集成更好的决策。
AI通过集中处理,增强毫米波雷达大大提高了自动驾驶系统的性能
今天,自动驾驶系统专注于相机数据的处理。然而,当涉及到毫米波雷达数据时,集中处理仍然是不现实的。高性能毫米波雷达通常需要数百个天线通道,这大大提高了数据量。因此,本地处理已成为一种更具成本效益的选择。
然而,安巴AI增强的毫米波雷达感知算法可以在没有额外物理天线的情况下提高雷达角的分辨率和性能。通过标准汽车以太网和其他接口,原始雷达数据可以低成本传输到中央处理器。当自动驾驶系统是原始的时候AI当增强雷达数据与原始摄像头数据的集成时,可以充分利用这两种互补的传感方法构建完整的环境图像,使集成后的结果更加全面,超任何单个传感器获得的信息。
毫米波雷达的更新迭代有助于降低成本,显著提高自动驾驶系统的性能。当传统的低成本雷达大规模生产时,每毫米波雷达的价格可以低于50美元,低于激光雷达的目标成本。结合无处不在的低成本相机传感器,AI雷达提供了可接受的精度,这对大型商用自动驾驶汽车的大规模生产非常重要。激光雷达传感器和操作AI该算法的相机/毫米波雷达感知集成系统重叠。如果激光雷达的成本逐渐降低,它将被用作相机+毫米波雷达L4/L5自动驾驶系统中的安全冗余。
优先考虑中央处理架构,深化传感器集成,优化自动驾驶系统性能
目前目标级传感器集成有一定的局限性。这是因为前端传感器配备了本地处理器,限制了每个智能传感器的尺寸、功耗和资源分布,进一步限制了整个自动驾驶系统的性能。此外,大量的数据处理会迅速耗尽车辆的功率,缩短里程。
相反,算法优先的中央处理架构实现了深度和集中的传感器集成。该技术利用最先进的半导体工艺节点优化了自动驾驶系统的性能,主要是由于该技术在所有传感器上的动态分布处理能力,并根据驾驶场景提高了不同传感器和数据趋势的性能。中央处理器可以做出更智能、更准确的驾驶决策,以获得高质量、底层的原始数据。
自动驾驶汽车制造商可以使用低功耗毫米波雷达和摄像头传感器,特定的应用处理器和尖端算法,如安巴最近宣布的5纳米技术CV3AI大功率域控制芯片具有最佳的感知和路径规划性能,能效比最高。在降低电池消耗的同时,显著增加了每辆自动驾驶汽车的里程。购买电子元件现货商场
不要放弃传感器——投资于它们的整合
自动驾驶系统需要多样化的数据来做出正确的驾驶决策。只有深度和集中的传感器集成才能为自动驾驶系统的最佳性能和安全性提供广泛的数据。在我们理想的模型中…
1.低功耗,AI增强毫米波雷达、相机雷达和相机传感器与自动驾驶汽车周围的嵌入式处理器相连。
2.嵌入式处理器将原始检测级对象数据发送到中心域SoC。
3.使用AI,中央域处理器分析数据,以识别物体并做出驾驶决策。
集中式传感器前集成可以改善现有的先进集成结构,使传感器集成的自动驾驶汽车强大可靠。为了获得这些好处,自动驾驶汽车制造商必须投资于优先考虑算法的中央处理器和支持AI毫米波雷达和相机传感器。通过多方努力,AI在自主驾驶汽车发展的下一阶段,制造商可以迎来技术变革。