毫米波雷达和车联网在未来无人驾驶中的应用和比较
來源:來自新加坡南陽理工大學電氣與電子信息工程學院的陸億瀧教授,研究領(lǐng)域包括雷達、天線、微波工程、陣列信號處理、電磁計算、復雜問題的遺傳算法優(yōu)化等。
會議時間:2017年8月9日
恩智浦
恩智浦 半導體(NASDAQ:NXPI)致力于通過安全連接及基礎(chǔ)設施解決方案為人們更智慧、便捷的生活保駕護航。作為全球領(lǐng)先的嵌入式應用安全連接技術(shù)領(lǐng)導者,恩智浦不斷推動著互聯(lián)汽車、物聯(lián)終端等智能安全互聯(lián)應用市場的創(chuàng)新。
汽車的概念已經(jīng)變成了一個安全互聯(lián)、自駕機器人,能夠自動感知環(huán)境、思考和行動。
高級駕駛員輔助系統(tǒng)(ADAS)是汽車日益自動駕駛的基礎(chǔ)。恩智浦掌握了“自動駕駛機器人”技術(shù)的整個復雜性。我們的解決方案有助于確保每一段旅程都是安全和愉快的。
自動駕駛
車輛如何探測前方道路
- 安置于前臉隔柵上的長距離雷達,能夠保證和前方車輛保持統(tǒng)一的行車距離。其次,多個搭載機器視覺軟件的攝像頭,能夠讀取道路標線,識別周邊物體。這些數(shù)據(jù)會及時發(fā)送回后座的行車電腦上,從而電子化控制方向,確保車輛在車道中心。另外,為了增強車輛的全局意識,該系統(tǒng)還配備了短距離雷達、額外的超聲波傳感器和激光雷達。
汽車自動駕駛計劃
通用汽車計劃2020年之前推出全自動汽車,行駛在洲際公路等有出入控制的道路。
日本日產(chǎn)汽車宣布將在日本通過Leaf車型測試 一款高級的駕車輔助系統(tǒng)。
互聯(lián)網(wǎng)巨頭谷歌也欲從中分一杯羹。2012年5月,谷歌自動駕駛汽車拿到了美國首個自動駕駛車輛許可證,其無人駕駛汽車早已在加 利福尼亞州、內(nèi)華達州和佛羅里達州的道路上行駛了數(shù)十萬英里。GoogleCEO、聯(lián)合創(chuàng)始人佩奇此前表示,將在確保安全的情況下,令無人駕駛汽車逐漸進 入公共道路,預計10年內(nèi)可以完成。
自動駕駛分級
在區(qū)分自動駕駛和無人駕駛上面,美國國家公路交通安全管理局(簡稱NHTSA)給出了更為詳細的注釋,其將自動駕駛功能分為5個級別,0-4級。
0級:無自動化
沒有任何自動駕駛功能、技術(shù),司機對汽車所有功能擁有絕對控制權(quán);
1級:駕駛支援
向司機提供基本的技術(shù)性幫助,例如自適應巡航控制系統(tǒng)、自動緊急制動,司機占據(jù)主導位置,不過可以放棄部分控制權(quán)給系統(tǒng)管理。
2級:部分自動化
實現(xiàn)數(shù)種功能的自動控制,例如自動巡航控制或車道保持功能,司機和汽車來分享控制權(quán),不過,司機必須隨時待命,在系統(tǒng)退出的時候隨時接上;
3級:有條件自動化
在有限情況下實現(xiàn)自動控制,系統(tǒng)在某些條件下可以完全負責整個車輛的操控,但是當遇到緊急情況,還是需要司機對車輛進行接管;
4級:完全自動化(無人駕駛)
無需司機或乘客的干預,在無需人協(xié)助的情況下由出發(fā)地駛向目的地。
目前大部分傳統(tǒng)車企都停留在自動駕駛1級、2級、2.5級水平。
車聯(lián)網(wǎng)
車聯(lián)網(wǎng)(Internet of Vehicles)是由車輛位置、速度和路線等信息構(gòu)成的巨大交互網(wǎng)絡。通過GPS、RFID、傳感器、攝像頭圖像處理等裝置,車輛可以完成自身環(huán)境和狀態(tài)信息的采集;通過互聯(lián)網(wǎng)技術(shù),所有的車輛可以將自身的各種信息傳輸匯聚到中央處理器;通過計算機技術(shù),這些大量車輛的信息可以被分析和處理,從而計算出不同車輛的最佳路線、及時匯報路況和安排信號燈周期。
車聯(lián)萬物(V2X)技術(shù)支持汽車與周圍環(huán)境通信,使駕駛更安全、更高效。V2X能使無形變有形,因而可警告駕駛員道路危險,從而幫助減少交通傷害和死亡。除了提高安全性,V2X還有助于優(yōu)化交通流量,減少交通擁堵,減少交通對環(huán)境的影響。
- 「車聯(lián)網(wǎng)」的前景是什么?你所期待的車聯(lián)網(wǎng)世界是怎樣的?
雷達
雷達用于輔助自動駕駛,目前還不能完全用于駕駛。
雷達(RADAR),英文「Radio Detection and Ranging」
按工作波長分類
米波雷達、分米波雷達、厘米波雷達、毫米波雷達、激光/紅外雷達……
- 普通的雷達存在角度和距離精度低的問題
- 激光雷達達到納米精度,但是成本高、受天氣(如雨雪、霧霾等)影響較大
雷達的頻段
SRR(Short Range Radar):24-24.25GHZ,帶寬0.25GHZ,誤差:0.6m
SRR,LRR(Long Range Radar):76-77GHZ,帶寬1GHZ,誤差:0.15m
未來(LRR,SRR):77-81GHZ,帶寬4GHZ,誤差:0.0375m
老師分析:隨著雷達帶寬的增加,變成原來的四倍,雷達檢測的距離變長,精度變高;另外目前攝像頭速率增加(目前已研制出是當前最快的1000倍速率的攝像頭,且存儲小,通過視頻幀差來存儲),兩者結(jié)合完全能夠超越激光雷達的效果,且成本低于激光雷達。所以說激光雷達的前景可能不太好。
擴展
目前他們相關(guān)的項目是:“智能交通測試平臺”,2014-2018,其成果可能會在新加坡2019年的“世界智能交流大會”上展示
有人將人工智能分為:深度學習和超限學習機。
IAIS 2016 黃廣斌:超限學習機(ELM)和圖像處理
- 2004年南洋理工大學黃廣斌副教授提出一套全新的學習理論和方法:Extreme Learning Machines (ELM,超限學習機)。
- ELM突破了前30年流行的前饋神經(jīng)網(wǎng)絡以及近20年廣泛應用的支撐向量機(SVM)的理論和技術(shù)瓶頸。和ELM相比,支撐向量機及其演伸方法只是提供次優(yōu)學習方案。
- ELM和SVM/LS-SVM, Deep Learning(深度學習)相比,準確率高,簡單易用,學習速度可以快幾千到幾萬倍。
- ELM理論最近也得到了生物和腦神經(jīng)學的直接生物驗證,彌補了機器學習和腦學習機制之間的空白,解決了計算機之父馮·諾依曼(John von Neumann)60年前的關(guān)于人腦和計算機結(jié)構(gòu)和能力的困惑。
- 超限學習機(ELM)和深度學習(DL)的有機結(jié)合是個新的機器學習趨勢。超限學習機和廣泛流行的學習技術(shù)(比如傳統(tǒng)的人工神經(jīng)網(wǎng)絡,支持向量機)相比,速度快(可以達到幾百到幾萬倍)并且準確率高。
- 初步研究顯示在某些應用中(比如手寫體識別,手語識別,交通路牌識別,3D圖形分析等),ELM與DL相比可進一步提高準確率,并且大幅度降低訓練時間(相比較深度學習基于GPU的1-2天訓練時間,ELM在普通計算機上的訓練時間縮短到幾分鐘或更少)。
- ELM理論可以給深度學習中廣泛應用的局部吸收(Local Receptive Fields)提供理論支持。
ELM對未來機器學習的發(fā)展趨勢和影響:
從機器學習工程到機器學習科學的轉(zhuǎn)折點;
機器學習和生物學習機制的匯合趨勢;
從人(和其他生命體)的智能到機器智能;
從物聯(lián)網(wǎng)(IoT)到智能物的聯(lián)網(wǎng)(Internet of Intelligent Things)以及有別于人類社會的智能體社會(Society of Intelligent Things);
在智能制造的應用 (比如3D快速打印上的開拓性應用) 。
提出布局普適學習和普適智能。
總結(jié)
以上是生活随笔為你收集整理的毫米波雷达和车联网在未来无人驾驶中的应用和比较的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 印度贸易部长:苹果希望将其“印度造”产品
- 下一篇: 诺顿母公司 Gen Digital 发声