真正的自動駕駛進階，都是從傳感器開始的。
汽車的傳感器越來越多了。
近期小鵬汽車在廣州汽車展上發佈了新款電動汽車——小鵬P7，該車採用英偉達Xavier自動駕駛芯片，車外共有30個傳感器，其中有12個超聲波傳感器、5個毫米波雷達、13個攝像頭，是L3級別的自動駕駛。相較於以往的自動駕駛系統傳感器的配置，這次小鵬無疑在傳感器的數量上提升了一個量級。
對於自動駕駛而言，傳感器是靈魂所在。那麼傳感器的數量越多越好嗎？企業配置更多的傳感器又意欲何為呢？
傳感器越多越好？
眾所周知自動駕駛的實現包括幾個技術基礎：感知、決策和控制，感知部分主要就是通過搭載多種傳感器來感知周邊的環境，比如攝像頭、毫米波雷達、激光雷達等。那麼這是否意味著傳感器越多越好呢？
業內專注於輔助駕駛系統以及自動駕駛軟硬件一體化解決方案的安智汽車相關技術人員表示：“理論上，安裝的傳感器數量和種類越多，車輛就能夠有效地檢測出周圍環境中的風險和障礙物。但實際上，傳感器並非多多益善，除了成本因素之外，不合理的傳感器組合也會帶來相互之間的干擾。而除了感知傳感器外，車輛上還搭載控制傳感器、環境傳感器等，各類傳感器的信號傳輸、功耗散熱等都需要設計考慮。”
從目前已經在市面上銷售的車輛可以看到，以特斯拉、奧迪、福特、小鵬汽車、蔚來汽車等品牌汽車的自動駕駛級別往往在L2級別和L2級別-L3級別之間。其中特斯拉L2級別自動駕駛所搭載的傳感器數量為14個；特斯拉L2級別-L3級別之間的自動駕駛搭載的傳感器數量共計21個；奧迪L2級別-L3級別自動駕駛搭載的傳感器數量為23個；福特L2級別自動駕駛搭載傳感器數量為17個；小鵬G3採用“博世全家桶”L2級別自動駕駛方案，搭載傳感器共計有20個；而蔚來ES8為L3級別自動駕駛共計搭載23個傳感器。
可見L2級別的自動駕駛往往搭載的傳感器在20個以下，而L2級別-L3級別的自動駕駛所搭載的傳感器數量相對更多一些，在20個到25個之間。L4級別的自動駕駛傳感器又會是怎樣的呢？
據公開信息可知，長安汽車新一代L4級別自動駕駛車配置了6個激光雷達、5個毫米波雷達以及8個攝像頭；元戎啟行的L4級別自動駕駛方案，則搭載了8個車載相機、3個激光雷達、GNSS等多類傳感器以及相應的通信與數據同步控制器。可見儘管總體傳感器數量上少於L2級別以及L2-L3級別自動駕駛汽車的傳感器數量，但L4級別自動駕駛明顯搭載了更多的激光雷達。
當然這僅僅是從每家廠商所搭載的傳感器數量層面來看的，並不能證明什麼。每家廠商對於自動駕駛系統能夠實現的功能有不同的需求，所以搭載的傳感器數量自然有所不同。
傳感器方案與成本的博弈
馬斯克曾有云“自動駕駛汽車需要有強大的軟件支撐。”隨著自動駕駛、智能網聯的興起，汽車在軟件層面的迭代速度越來越快，
與此同時，具備的功能、模式也就越來越多。更重要的是，這些功能也受到了眾多消費者的喜愛。比如自動泊車模式，能夠自動記錄碰瓷、汽車被剮蹭的哨兵模式，可在停車場外一鍵讓你的汽車自動駕駛來找你的召喚模式，可以放心、短暫地把寵物放在車內的“狗狗模式”等，都讓用戶感到“真香”。
小鵬汽車就提到新推出的P7車型在自動泊車上可謂重兵投入。
據小鵬汽車自動駕駛副總裁吳新宙介紹，小鵬P7前置有4顆環視攝像頭，就是為了實現自動泊車功能。他說：“泊車對於一般的國內整車廠來說不是那麼大的痛點，它們在這一層面的關注點也不高，但我們做了很多嘗試，分析顯示4顆環視攝像頭非常必要，因為必須要保證泊車足夠安全，你不想錯過哪怕離車10釐米遠的盲區，這對於我們來說不能接受。”其希望汽車實現在車庫中完成低速自動駕駛，在哪怕沒有GPS的情況下，自動開到屬於車主的車位上，實現自動泊車。此前蔚來ES8也推出了自動泊車的功能。
可見越來越多的功能之下，汽車搭載的傳感器也就越多，然而對於廠商而言，量產的成本如何控制是一個難題。此外傳感器越多，對於計算能力的要求就越高。
因此長遠來看，一味地堆傳感器肯定不是最優解決方式，業內人士認為未來自動駕駛所搭載的傳感器將會進一步輕量化、少量化且會朝著低成本的方向發展，而實現這一效果的技術路徑則是——多傳感器融合。
多傳感器融合
所謂多傳感器融合是指，利用計算機技術將來自多個傳感器或者多源的信息和數據，在一定的準則下加以自動分析和綜合，以完成所需要的決策和估計而進行的信息處理過程。對於自動駕駛而言，汽車通過安裝在車身四周不同的傳感器來收集到眾多的視覺數據、周圍物體運動速度數據等，這些數據是從不同的角度來描述現實世界中同一樣或者不同樣的物體。多傳感器融合的核心任務就是，利用不同種傳感器的優勢，同時最小化或弱化每種傳感器的弱點，做出最“聰明的決策”。
目前有幾種方法處理這些傳感器收集回來的數據：
第一種，絕對排序法。這種方法就是事先決定傳感器的排序，比如攝像頭的級別高於雷達、或者雷達級別高於攝像頭。那麼在傳感器融合過程中，子系統預先確定了排序，比如攝像頭級別高於雷達，那麼當攝像頭檢測到了物體而雷達沒有檢測到的時候，雷達的檢測結果則不納入考慮範圍也是允許的。該方法簡單、容易實現、相應速度也很快，但缺點在於不夠嚴謹。
第二種，情況排序法。該方法與絕對排序法相似，不同的在於，根據所處的環節，排名先後可以變化。比如提前設置好，下雨天氣時，攝像頭容易受到雨水乾擾所以攝像頭的優先級降低，雷達的級別高於攝像頭。不過即便情況排序法是絕對排序法的一個升級，但仍然不夠全面嚴謹。
第三種，平等投票法。允許每個傳感器進行投票且投票能力都是平等的，然後利用一個計數算法，該算法與投票結果相匹配。 如果傳感器的某個閾值都同意檢測到某個物體，而某些閾值不同意，那麼允許這個閾值決定人工智能系統做出判斷。當然，該方法還是有所欠缺。
第四種，加權投票法。該方法在平等投票法上做了升級，增加了權重，也就是提前假設一些傳感器比另外一些傳感器的權重更高。
第五種，爭論法。讓每個傳感器“爭論”為何它們的報告是最合適準確的。
第六種，優先到達法。即系統不會等待其他傳感器報告，以優先報告結果的傳感器為準，以此加快傳感器融合工作。該方法的優點是迅速，缺點則是存在安全隱患。
第七種，最可靠法。即跟蹤每一個傳感器的可靠性，當傳感器之間的數據存在爭議時，以相信最可靠的傳感器為準。
此外還有其他方法。當然多傳感器融合中，這些方法可以同時使用。不過眼下對於眾多整車廠而言，多傳感器融合依舊處於不斷摸索階段，企業仍需要通過堆傳感器來實現一些功能。
目前據大陸集團預測，到2020年全球ADAS市場規模或將達到1324億元，其中傳感器市場規模約佔據整體市場規模的76%。無論是高階自動駕駛產品還是低階自動駕駛產品，都需要攝像頭、毫米波雷達等產品，而隨著智能駕駛向更高階進化，傳感器產商們的市場空間必然也會越來越大。當然，這一切的前提是產品性能足夠好。
更多優質內容，請持續關注鎂客網~
閱讀更多 鎂客網 的文章
