毫米波雷达和车联网在未来无人驾驶中的应用和比较

来源:来自新加坡南阳理工大学电气与电子信息工程学院的陆亿泷教授,研究领域包括雷达、天线、微波工程、阵列信号处理、电磁计算、复杂问题的遗传算法优化等。
会议时间:2017年8月9日

恩智浦

  • 恩智浦 半导体(NASDAQ:NXPI)致力于通过安全连接及基础设施解决方案为人们更智慧、便捷的生活保驾护航。作为全球领先的嵌入式应用安全连接技术领导者,恩智浦不断推动着互联汽车、物联终端等智能安全互联应用市场的创新。

  • 汽车的概念已经变成了一个安全互联、自驾机器人,能够自动感知环境、思考和行动。

  • 高级驾驶员辅助系统(ADAS)是汽车日益自动驾驶的基础。恩智浦掌握了“自动驾驶机器人”技术的整个复杂性。我们的解决方案有助于确保每一段旅程都是安全和愉快的。

自动驾驶

车辆如何探测前方道路

  • 安置于前脸隔栅上的长距离雷达,能够保证和前方车辆保持统一的行车距离。其次,多个搭载机器视觉软件的摄像头,能够读取道路标线,识别周边物体。这些数据会及时发送回后座的行车电脑上,从而电子化控制方向,确保车辆在车道中心。另外,为了增强车辆的全局意识,该系统还配备了短距离雷达、额外的超声波传感器和激光雷达。

汽车自动驾驶计划

  • 通用汽车计划2020年之前推出全自动汽车,行驶在洲际公路等有出入控制的道路。

  • 日本日产汽车宣布将在日本通过Leaf车型测试 一款高级的驾车辅助系统。

  • 互联网巨头谷歌也欲从中分一杯羹。2012年5月,谷歌自动驾驶汽车拿到了美国首个自动驾驶车辆许可证,其无人驾驶汽车早已在加 利福尼亚州、内华达州和佛罗里达州的道路上行驶了数十万英里。GoogleCEO、联合创始人佩奇此前表示,将在确保安全的情况下,令无人驾驶汽车逐渐进 入公共道路,预计10年内可以完成。

自动驾驶分级

在区分自动驾驶和无人驾驶上面,美国国家公路交通安全管理局(简称NHTSA)给出了更为详细的注释,其将自动驾驶功能分为5个级别,0-4级。

  • 0级:无自动化

    没有任何自动驾驶功能、技术,司机对汽车所有功能拥有绝对控制权;

  • 1级:驾驶支援

    向司机提供基本的技术性帮助,例如自适应巡航控制系统、自动紧急制动,司机占据主导位置,不过可以放弃部分控制权给系统管理。

  • 2级:部分自动化

    实现数种功能的自动控制,例如自动巡航控制或车道保持功能,司机和汽车来分享控制权,不过,司机必须随时待命,在系统退出的时候随时接上;

  • 3级:有条件自动化

    在有限情况下实现自动控制,系统在某些条件下可以完全负责整个车辆的操控,但是当遇到紧急情况,还是需要司机对车辆进行接管;

  • 4级:完全自动化(无人驾驶)

    无需司机或乘客的干预,在无需人协助的情况下由出发地驶向目的地。

目前大部分传统车企都停留在自动驾驶1级、2级、2.5级水平。

车联网

  • 车联网(Internet of Vehicles)是由车辆位置、速度和路线等信息构成的巨大交互网络。通过GPS、RFID、传感器、摄像头图像处理等装置,车辆可以完成自身环境和状态信息的采集;通过互联网技术,所有的车辆可以将自身的各种信息传输汇聚到中央处理器;通过计算机技术,这些大量车辆的信息可以被分析和处理,从而计算出不同车辆的最佳路线、及时汇报路况和安排信号灯周期。

  • 车联万物(V2X)技术支持汽车与周围环境通信,使驾驶更安全、更高效。V2X能使无形变有形,因而可警告驾驶员道路危险,从而帮助减少交通伤害和死亡。除了提高安全性,V2X还有助于优化交通流量,减少交通拥堵,减少交通对环境的影响。

雷达

雷达用于辅助自动驾驶,目前还不能完全用于驾驶。

  • 雷达(RADAR),英文「Radio Detection and Ranging」

  • 按工作波长分类

    米波雷达、分米波雷达、厘米波雷达、毫米波雷达、激光/红外雷达……

    • 普通的雷达存在角度和距离精度低的问题
    • 激光雷达达到纳米精度,但是成本高、受天气(如雨雪、雾霾等)影响较大

雷达的频段

  • SRRShort Range Radar):24-24.25GHZ,带宽0.25GHZ,误差:0.6m

  • SRRLRRLong Range Radar):76-77GHZ,带宽1GHZ,误差:0.15m

  • 未来(LRR,SRR):77-81GHZ,带宽4GHZ,误差:0.0375m

老师分析:随着雷达带宽的增加,变成原来的四倍,雷达检测的距离变长,精度变高;另外目前摄像头速率增加(目前已研制出是当前最快的1000倍速率的摄像头,且存储小,通过视频帧差来存储),两者结合完全能够超越激光雷达的效果,且成本低于激光雷达。所以说激光雷达的前景可能不太好。

扩展

  • 目前他们相关的项目是:“智能交通测试平台”,2014-2018,其成果可能会在新加坡2019年的“世界智能交流大会”上展示

  • 有人将人工智能分为:深度学习超限学习机

  • IAIS 2016 黄广斌:超限学习机(ELM)和图像处理

    • 2004年南洋理工大学黄广斌副教授提出一套全新的学习理论和方法:Extreme Learning Machines (ELM,超限学习机)。
    • ELM突破了前30年流行的前馈神经网络以及近20年广泛应用的支撑向量机(SVM)的理论和技术瓶颈。和ELM相比,支撑向量机及其演伸方法只是提供次优学习方案。
    • ELM和SVM/LS-SVM, Deep Learning(深度学习)相比,准确率高,简单易用,学习速度可以快几千到几万倍
    • ELM理论最近也得到了生物和脑神经学的直接生物验证,弥补了机器学习和脑学习机制之间的空白,解决了计算机之父冯·诺依曼(John von Neumann)60年前的关于人脑和计算机结构和能力的困惑。
    • 超限学习机(ELM)和深度学习(DL)的有机结合是个新的机器学习趋势。超限学习机和广泛流行的学习技术(比如传统的人工神经网络,支持向量机)相比,速度快(可以达到几百到几万倍)并且准确率高
    • 初步研究显示在某些应用中(比如手写体识别,手语识别,交通路牌识别,3D图形分析等),ELM与DL相比可进一步提高准确率,并且大幅度降低训练时间(相比较深度学习基于GPU的1-2天训练时间,ELM在普通计算机上的训练时间缩短到几分钟或更少)。
    • ELM理论可以给深度学习中广泛应用的局部吸收(Local Receptive Fields)提供理论支持。

ELM对未来机器学习的发展趋势和影响:

  • 从机器学习工程到机器学习科学的转折点;

  • 机器学习和生物学习机制的汇合趋势;

  • 从人(和其他生命体)的智能到机器智能;

  • 从物联网(IoT)到智能物的联网(Internet of Intelligent Things)以及有别于人类社会的智能体社会(Society of Intelligent Things);

  • 在智能制造的应用 (比如3D快速打印上的开拓性应用) 。

提出布局普适学习和普适智能。