自動駕駛事故權威揭秘：算法和軟件錯誤太多

自動駕駛的發展就像登月計劃。從傳感器到人工智能，經典的電子供應鏈形成了合作矩陣，致力于自動駕駛車輛的安全。為此，需要大量的硬件和軟件開發工作來確保對司機、乘客和行人的保護。雖然機器學習和AI可以發揮作用，但其有效性取決于輸入數據的質量。因此，除非自動駕駛車輛基于高性能、高可靠性的傳感器信號鏈，并始終提供最準確的數據作為生死決策的依據，否則不能認為是安全的。就像最初的登月一樣，安全自動駕駛車輛的道路上還有很多障礙。最近涉及自動駕駛車輛的事故鼓勵了反對者，他們認為車輛及其駕駛環境太復雜，變數太多，而算法和軟件仍然存在太多錯誤。可以理解的是，任何參與過ISO26262功能安全合規性驗證的人都會持懷疑態度。這種懷疑是有相關數據支持的。下圖對比了2017年五家自動駕駛車輛公司在硅谷測試的實際里程和次數(圖1)。2019年的數據還沒有匯總，但個別公司的報告可以上網查閱。但是，目標是明確的，當自動駕駛到來時，確保至關重要的安全是當務之急。美國加州車輛管理局(DMV)2018年的非官方數據顯示，在相同里程下，自動駕駛模式下的手動接管次數在減少，這也說明自動駕駛系統越來越強大。這一趨勢需要進一步加快。通過將協作和新思維放在首位，汽車制造商將直接與芯片供應商談判，傳感器制造商將與AI算法開發者討論傳感器融合。軟件開發商將與硬件提供商建立聯系，充分發揮他們的優勢。舊的關系正在改變，新的關系正在動態形成，以優化最終設計的性能、功能、可靠性、成本和安全性。*(圖1)加州五大自動駕駛廠商的測試數據:每次人類接管后自動駕駛系統的平均行駛里程(2017年12月至2018年10月)。在此期間，共有28家公司主動在加州的公共場所測試車輛。在此期間，自動駕駛模式下共行駛了2，036，296英里，發生了143，720起人為接管。生態系統正在尋找合適的模型，以便在此基礎上制造和測試完全自動駕駛的車輛，這些車輛可以用于快速涌現的新應用，如機器人出租車和長途卡車。在這個過程中，先進駕駛輔助系統(ADAS)使用的傳感器不斷改進，使得自動化程度迅速提高。這些傳感器技術包括攝像頭、激光探測和測距(LiDAR)、無線電探測和測距(雷達)、微機電傳感器(MEMS)、慣性測量單元(IMU)、超聲波和GPS，它們都為人工智能系統提供關鍵數據輸入，從而驅動真正的自動駕駛車輛。*(圖2)用于ADAS傳感和車輛導航的各種傳感技術通常獨立工作，并向駕駛員發出預警以便做出反應。*(圖3)為了保證自動駕駛車輛的安全，需要充分檢測當前和歷史狀態、環境特征以及車輛自身狀態(位置、速度、軌跡和機械狀況)。車輛的認知能力是預測安全性的基石。車輛的智能化程度通常用自動駕駛的水平來表示:L1和L2主要是預警系統，而L3或更高水平的車輛則被授權控制，以避免事故的發生。當車輛發展到L5時，方向盤將被取消，車輛將完全自動駕駛。在前幾代系統中，隨著車輛開始具有L2功能，每個傳感器系統都獨立工作。這些預警系統虛警率很高，造成了很多麻煩，所以經常被關閉。為了實現具有認知能力的全自動駕駛車輛，傳感器的數量將大幅增加。此外，性能和響應速度也必須大大提高(圖3和圖4)。在車輛上安裝更多傳感器后……，它還可以更好地監控和分析當前的機械狀況，如輪胎壓力、重量變化(例如，負載和空載，一名乘客或五名乘客)，以及其他可能影響制動和操縱的磨損因素。有了更多的外部傳感方式，車輛可以更全面地感知自己的行駛狀況和周圍環境。傳感方式的改進使汽車能夠識別環境的當前狀態并了解歷史狀態。這來自于ENSCO航空航天科學與工程部門首席技術官Joseph Motola開發的原理。這種感知能力不僅可以完成一些簡單的任務，如探索路況、識別坑洞等，還可以進行一些細致的分析，如一段時間內特定區域的事故類型和原因等。當這些認知概念產生時，由于感知、處理、記憶能力和網絡連接的限制，它們似乎遙不可及。但是現在事情發生了很大的變化。現在，系統可以訪問這些歷史數據，并將其與車輛傳感器提供的實時數據相結合，以提供更多更準確的預防措施，從而避免事故的發生。例如，IMU可以檢測由坑洼或障礙物引起的突然跳躍或偏離。在過去，這些信息無處可傳，但現在通過實時連接，這些數據可以被發送到中央數據庫，并用于警告其他車輛有關坑洞或障礙物。相機、雷達、激光雷達等傳感器數據也是如此。這些數據被編譯、分析和融合，以便車輛可以使用這些數據來預測其駕駛環境。這使得車輛能夠成為一臺學習機器，并有望做出比人類更好、更安全的決定。*(圖4)自動駕駛水平和傳感器要求。多方面的決策和分析在改善車輛感知方面取得了很大的進步。重點是收集各種傳感器的數據，應用傳感器融合策略，最大限度地實現優勢互補，彌補各種條件下不同傳感器各自的弱點(圖5)。*(圖5)每種傳感器技術都有各自的優缺點，但只要有合適的傳感器融合策略，就可以取長補短。但是，要真正有效地解決行業面臨的問題，還有很多工作要做。例如，需要提高相機計算橫向速度(即物體在垂直于車輛行駛方向的路徑上移動的速度)的能力。然而，要實現足夠低的虛警率，即使是最好的機器學習算法也仍然需要大約300毫秒來檢測橫向移動。對于一輛時速60英里的車輛和一個走在車輛前面的行人來說，毫秒之差關系到人身傷害的嚴重程度，所以反應時間非常重要。300毫秒的延遲是由系統從連續視頻幀執行增量矢量計算所需的時間引起的。對于可靠的檢測，需要十個或更多的連續幀，但我們必須將其減少到一個或兩個連續幀，以便給車輛足夠的響應時間。雷達可以做到這一點。同樣，雷達在速度和目標探測方面也有很多優勢，比如方位角和俯仰角分辨率高，能夠“看見”周圍的物體，但也需要給車輛提供更多的反應時間。以測量400 km/h或更高的速度為目標，從77GHz到79GHz的一些開發工作取得了新的進展。這種水平測速看似極端，但要支持復雜的雙向車道行駛，其中對向行駛的車輛相對速度超過200 km/h，激光雷達可以彌補攝像頭和一般雷達的不足，是具有認知能力的全自動駕駛車輛必不可少的組成部分(圖6)。但它也面臨挑戰。激光雷達正在發展成為一種緊湊高效的固態設計，可以放置在車輛周圍的多個位置，以支持完整的360°覆蓋。它補充了一般的雷達和相機系統，提高了角分辨率和深度感知，并提供了更準確的三維環境圖像。但近紅外波段(IR)(850 nm至940 nm)對視網膜有害，因此其能量輸出在905 nm被嚴格規定為200 nJ/脈沖。通過遷移到波長超過1500 nm的短波紅外，光線被眼睛的整個表面吸收。這樣，有些限制……可以放松并調整到每脈沖8 mJ。1500 nm脈沖激光雷達系統的能級是905 nm激光雷達的4萬倍，探測距離是后者的4倍。此外，1500 nm系統可以更好地抵抗某些環境條件，如煙霧、灰塵和細氣溶膠。1500 nm激光雷達的挑戰是系統成本，這在很大程度上是由光伏探測器技術(現在是基于InGaAs技術)驅動的。獲得高質量的解決方案，即高靈敏度、低暗電流和低電容，將是1500 nm激光雷達進步的關鍵技術。此外，隨著激光雷達系統進入第二代和第三代，有必要使用針對應用進行優化的電路集成，以減小尺寸、功耗和整體系統成本。除了超聲波、攝像頭、雷達和激光雷達，其他傳感技術也在實現全自動駕駛中發揮著關鍵作用。全球定位系統讓車輛總是知道他們在哪里。盡管如此，仍有一些地方無法獲得GPS信號，如隧道和高層建筑。這就是慣性測量單元發揮重要作用的地方。*(圖6)全自動駕駛車輛主要依靠360°探測，需要使用先進的雷達、激光雷達、攝像頭、慣性測量單元和超聲波傳感器。雖然經常被忽視，但是IMU非常穩定可靠，因為它依靠重力，而重力幾乎不受環境條件的影響。這是非常有用的航位推算。在暫時沒有GPS信號的情況下，航位推算可以利用車速表和IMU的數據來檢測行駛距離和方向，并將這些數據疊加在高清地圖上。這使得自動駕駛車輛能夠保持正確的軌跡，直到GPS信號恢復。高質量的數據可以節省時間，拯救生命和這些傳感技術一樣重要。如果傳感器本身不可靠，輸出信號沒有被準確捕捉并作為高精度數據提供給上游，那么這些關鍵傳感器就會變得毫無意義，“如果輸入是垃圾，那么輸出一定是垃圾”這句話也就應驗了。為了保證傳感器的可靠性，即使是最先進的模擬信號鏈也必須不斷改進，對傳感器信號進行檢測、采集和數字轉換，使其準確度和精度不會隨著時間和溫度的變化而偏離。一些著名的問題(如偏置溫漂、相位噪聲、干擾等不穩定現象)可以通過采用合適的器件和設計方法得到很大的緩解。高精度/高質量的數據是機器學習和人工智能處理器得到適當訓練并做出正確決策的基礎。通常你沒有第二次機會重新開始。一旦保證了數據質量，各種傳感器融合方法和人工智能算法就能做出最佳反應。事實上，無論人工智能算法訓練得多么好，一旦模型被編譯并部署到網絡邊緣的設備上，其有效性就完全取決于高精度傳感器的可靠數據。這種傳感器模式、傳感器融合、信號處理和人工智能之間的相互作用，對開發具有智能和認知能力的自動駕駛汽車，以及確保駕駛員、乘客和行人的安全具有深遠的影響。但是，如果沒有高度可靠、準確、高精度的傳感器信息(這是安全自動駕駛車輛的基礎)，一切都沒有意義。像任何先進技術一樣，我們在這個領域做得越多，我們就會發現需要解決的復雜用例越多。這種復雜性將繼續給現有技術帶來問題，因此我們期待下一代傳感器和傳感器融合算法來解決這些問題。就像最初登月一樣，我們也對整個自動駕駛汽車實施計劃抱有很大的期望，希望這能給社會帶來深刻的變化和持久的影響。從輔助駕駛發展到自動駕駛，不僅會大大提高交通安全，還會顯著提高生產力。而這樣的未來完全依賴于傳感器，其他一切都將基于傳感器。ADI公司對自動駕駛汽車提出的一些看法:1。司機、乘客和行人的安全，自動駕駛& amp；如何贏得消費者的信任為了無人駕駛汽車能夠上路行駛，自動駕駛生態系統需要克服的首要問題就是安全性——既要保證實際行駛的安全性，又要消除人們對安全性的擔憂。全自動駕駛預計要到2030年甚至更久才能實現，因為有無數的工程問題需要解決。可以說，安全一直是包括汽車制造商、科技公司、AI供應商、政策制定者和學術界在內的自動駕駛生態系統中亟待解決的重要問題之一。為了實現全自動駕駛，需要采用多功能系統級的方法，為汽車提供實時的360度安全屏障。通過融合來自攝像頭、雷達、激光雷達和高性能運動傳感器的數據，汽車可以準確感知車身周圍的路況，并始終基于安全考慮做出正確的決策。如今攝像頭已經成為汽車的標配，但為了構筑這360度的安全屏障，雷達、激光雷達等技術勢必成為新一代汽車的標配。2.傳感器技術、IMU、人工智能和機器學習能力技術的突破對于人工智能導航系統非常重要，包括攝像頭、激光雷達、雷達、微機電系統(慣性MEMS)、超聲波和全球定位系統(GPS)，有助于實現更高水平的車輛自主。擁有這些功能的汽車可以更好地感知周圍環境，這對于解決安全問題非常重要，安全可謂是自動駕駛生態系統中最重要的話題。除了支持更強大的車輛傳感系統，這些傳感器還可以監控影響制動和操控的機械條件和相關維護因素。要讓自動駕駛汽車具備全面的認知能力，不僅要以傳感器為標配，還要大幅增加其數量，從而大幅提升性能，縮短響應時間。自動駕駛的發展就像登月計劃。從傳感器到人工智能，經典的電子供應鏈形成了合作矩陣，致力于自動駕駛車輛的安全。為此，需要大量的硬件和軟件開發工作來確保對司機、乘客和行人的保護。雖然機器學習和AI可以發揮作用，但其有效性取決于輸入數據的質量。因此，除非自動駕駛車輛基于高性能、高可靠性的傳感器信號鏈，并始終提供最準確的數據作為生死決策的依據，否則不能認為是安全的。就像最初的登月一樣，安全自動駕駛車輛的道路上還有很多障礙。最近涉及自動駕駛車輛的事故鼓勵了反對者，他們認為車輛及其駕駛環境太復雜，變數太多，而算法和軟件仍然存在太多錯誤。可以理解的是，任何參與過ISO26262功能安全合規性驗證的人都會持懷疑態度。這種懷疑是有相關數據支持的。下圖對比了2017年五家自動駕駛車輛公司在硅谷測試的實際里程和次數(圖1)。2019年的數據還沒有匯總，但個別公司的報告可以上網查閱。但是，目標是明確的，當自動駕駛到來時，確保至關重要的安全是當務之急。美國加州車輛管理局(DMV)2018年的非官方數據顯示，在相同里程下，自動駕駛模式下的手動接管次數在減少，這也說明自動駕駛系統越來越強大。這一趨勢需要進一步加快。通過將協作和新思維放在首位，汽車制造商將直接與芯片供應商談判，傳感器制造商將與AI算法開發者討論傳感器融合。軟件開發商將與硬件提供商建立聯系，充分發揮他們的優勢。舊的關系正在改變，新的關系正在動態形成，以優化最終設計的性能、功能、可靠性、成本和安全性。*(圖1)加州五大自動駕駛廠商的測試數據:每次人類接管后自動駕駛系統的平均行駛里程(2017年12月至2018年10月)。在此期間，共有28個公司……anies主動在加州的公共場所測試車輛。在此期間，自動駕駛模式下共行駛了2，036，296英里，發生了143，720起人為接管。生態系統正在尋找合適的模型，以便在此基礎上制造和測試完全自動駕駛的車輛，這些車輛可以用于快速涌現的新應用，如機器人出租車和長途卡車。在這個過程中，先進駕駛輔助系統(ADAS)使用的傳感器不斷改進，使得自動化程度迅速提高。這些傳感器技術包括攝像頭、激光探測和測距(LiDAR)、無線電探測和測距(雷達)、微機電傳感器(MEMS)、慣性測量單元(IMU)、超聲波和GPS，它們都為人工智能系統提供關鍵數據輸入，從而驅動真正的自動駕駛車輛。*(圖2)用于ADAS傳感和車輛導航的各種傳感技術通常獨立工作，并向駕駛員發出預警以便做出反應。*(圖3)為了保證自動駕駛車輛的安全，需要充分檢測當前和歷史狀態、環境特征以及車輛自身狀態(位置、速度、軌跡和機械狀況)。車輛的認知能力是預測安全性的基石。車輛的智能化程度通常用自動駕駛的水平來表示:L1和L2主要是預警系統，而L3或更高水平的車輛則被授權控制，以避免事故的發生。當車輛發展到L5時，方向盤將被取消，車輛將完全自動駕駛。在前幾代系統中，隨著車輛開始具有L2功能，每個傳感器系統都獨立工作。這些預警系統虛警率很高，造成了很多麻煩，所以經常被關閉。為了實現具有認知能力的全自動駕駛車輛，傳感器的數量將大幅增加。此外，性能和響應速度也必須大大提高(圖3和圖4)。在車輛上安裝更多傳感器后，它還可以更好地監測和分析當前的機械狀況，如輪胎壓力、重量變化(例如，負載和空載，一名乘客或五名乘客)，以及其他可能影響制動和操縱的磨損因素。有了更多的外部傳感方式，車輛可以更全面地感知自己的行駛狀況和周圍環境。傳感方式的改進使汽車能夠識別環境的當前狀態并了解歷史狀態。這來自于ENSCO航空航天科學與工程部門首席技術官Joseph Motola開發的原理。這種感知能力不僅可以完成一些簡單的任務，如探索路況、識別坑洞等，還可以進行一些細致的分析，如一段時間內特定區域的事故類型和原因等。當這些認知概念產生時，由于感知、處理、記憶能力和網絡連接的限制，它們似乎遙不可及。但是現在事情發生了很大的變化。現在，系統可以訪問這些歷史數據，并將其與車輛傳感器提供的實時數據相結合，以提供更多更準確的預防措施，從而避免事故的發生。例如，IMU可以檢測由坑洼或障礙物引起的突然跳躍或偏離。在過去，這些信息無處可傳，但現在通過實時連接，這些數據可以被發送到中央數據庫，并用于警告其他車輛有關坑洞或障礙物。相機、雷達、激光雷達等傳感器數據也是如此。這些數據被編譯、分析和融合，以便車輛可以使用這些數據來預測其駕駛環境。這使得車輛能夠成為一臺學習機器，并有望做出比人類更好、更安全的決定。*(圖4)自動駕駛水平和傳感器要求。多方面的決策和分析在改善車輛感知方面取得了很大的進步。重點是收集各種傳感器的數據，應用傳感器融合策略，最大限度地實現優勢互補，彌補各種條件下不同傳感器各自的弱點(圖5)。*(圖5)每種傳感器技術都有各自的優缺點，但只要有合適的傳感器融合策略，就可以取長補短。但是，要真正有效地解決行業面臨的問題，還有很多工作要做。例如，有必要發送即時消息……超過相機計算橫向速度(即物體在垂直于車輛行駛方向的路徑上移動的速度)的能力。然而，要實現足夠低的虛警率，即使是最好的機器學習算法也仍然需要大約300毫秒來檢測橫向移動。對于一輛時速60英里的車輛和一個走在車輛前面的行人來說，毫秒之差關系到人身傷害的嚴重程度，所以反應時間非常重要。300毫秒的延遲是由系統從連續視頻幀執行增量矢量計算所需的時間引起的。對于可靠的檢測，需要十個或更多的連續幀，但我們必須將其減少到一個或兩個連續幀，以便給車輛足夠的響應時間。雷達可以做到這一點。同樣，雷達在速度和目標探測方面也有很多優勢，比如方位角和俯仰角分辨率高，能夠“看見”周圍的物體，但也需要給車輛提供更多的反應時間。以測量400 km/h或更高的速度為目標，從77GHz到79GHz的一些開發工作取得了新的進展。這種水平測速看似極端，但要支持復雜的雙向車道行駛，其中對向行駛的車輛相對速度超過200 km/h，激光雷達可以彌補攝像頭和一般雷達的不足，是具有認知能力的全自動駕駛車輛必不可少的組成部分(圖6)。但它也面臨挑戰。激光雷達正在發展成為一種緊湊高效的固態設計，可以放置在車輛周圍的多個位置，以支持完整的360°覆蓋。它補充了一般的雷達和相機系統，提高了角分辨率和深度感知，并提供了更準確的三維環境圖像。但近紅外波段(IR)(850 nm至940 nm)對視網膜有害，因此其能量輸出在905 nm被嚴格規定為200 nJ/脈沖。通過遷移到波長超過1500 nm的短波紅外，光線被眼睛的整個表面吸收。這樣就可以放寬一些限制，調整到每脈沖8 mJ。1500 nm脈沖激光雷達系統的能級是905 nm激光雷達的4萬倍，探測距離是后者的4倍。此外，1500 nm系統可以更好地抵抗某些環境條件，如煙霧、灰塵和細氣溶膠。1500 nm激光雷達的挑戰是系統成本，這在很大程度上是由光伏探測器技術(現在是基于InGaAs技術)驅動的。獲得高質量的解決方案，即高靈敏度、低暗電流和低電容，將是1500 nm激光雷達進步的關鍵技術。此外，隨著激光雷達系統進入第二代和第三代，有必要使用針對應用進行優化的電路集成，以減小尺寸、功耗和整體系統成本。除了超聲波、攝像頭、雷達和激光雷達，其他傳感技術也在實現全自動駕駛中發揮著關鍵作用。全球定位系統讓車輛總是知道他們在哪里。盡管如此，仍有一些地方無法獲得GPS信號，如隧道和高層建筑。這就是慣性測量單元發揮重要作用的地方。*(圖6)全自動駕駛車輛主要依靠360°探測，需要使用先進的雷達、激光雷達、攝像頭、慣性測量單元和超聲波傳感器。雖然經常被忽視，但是IMU非常穩定可靠，因為它依靠重力，而重力幾乎不受環境條件的影響。這是非常有用的航位推算。在暫時沒有GPS信號的情況下，航位推算可以利用車速表和IMU的數據來檢測行駛距離和方向，并將這些數據疊加在高清地圖上。這使得自動駕駛車輛能夠保持正確的軌跡，直到GPS信號恢復。高質量的數據可以節省時間，拯救生命和這些傳感技術一樣重要。如果傳感器本身不可靠，輸出信號沒有被準確捕捉并作為高精度數據提供給上游，那么這些關鍵傳感器就會變得毫無意義，“如果輸入是垃圾，那么輸出一定是垃圾”這句話也就應驗了。為了保證傳感器的可靠性，即使是最先進的模擬信號鏈也必須不斷改進，對傳感器信號進行檢測、采集和數字轉換，使其準確度和精度不會隨著時間和溫度的變化而偏離。一些著名的問題(如偏置溫度漂移、相位噪聲、干擾和其他不穩定……enomena)可以通過采用適當的器件和設計方法得到很大的緩解。高精度/高質量的數據是機器學習和人工智能處理器得到適當訓練并做出正確決策的基礎。通常你沒有第二次機會重新開始。一旦保證了數據質量，各種傳感器融合方法和人工智能算法就能做出最佳反應。事實上，無論人工智能算法訓練得多么好，一旦模型被編譯并部署到網絡邊緣的設備上，其有效性就完全取決于高精度傳感器的可靠數據。這種傳感器模式、傳感器融合、信號處理和人工智能之間的相互作用，對開發具有智能和認知能力的自動駕駛汽車，以及確保駕駛員、乘客和行人的安全具有深遠的影響。但是，如果沒有高度可靠、準確、高精度的傳感器信息(這是安全自動駕駛車輛的基礎)，一切都沒有意義。像任何先進技術一樣，我們在這個領域做得越多，我們就會發現需要解決的復雜用例越多。這種復雜性將繼續給現有技術帶來問題，因此我們期待下一代傳感器和傳感器融合算法來解決這些問題。就像最初登月一樣，我們也對整個自動駕駛汽車實施計劃抱有很大的期望，希望這能給社會帶來深刻的變化和持久的影響。從輔助駕駛發展到自動駕駛，不僅會大大提高交通安全，還會顯著提高生產力。而這樣的未來完全依賴于傳感器，其他一切都將基于傳感器。ADI公司對自動駕駛汽車提出的一些看法:1。司機、乘客和行人的安全，自動駕駛& amp；如何贏得消費者的信任為了無人駕駛汽車能夠上路行駛，自動駕駛生態系統需要克服的首要問題就是安全性——既要保證實際行駛的安全性，又要消除人們對安全性的擔憂。全自動駕駛預計要到2030年甚至更久才能實現，因為有無數的工程問題需要解決。可以說，安全一直是包括汽車制造商、科技公司、AI供應商、政策制定者和學術界在內的自動駕駛生態系統中亟待解決的重要問題之一。為了實現全自動駕駛，需要采用多功能系統級的方法，為汽車提供實時的360度安全屏障。通過融合來自攝像頭、雷達、激光雷達和高性能運動傳感器的數據，汽車可以準確感知車身周圍的路況，并始終基于安全考慮做出正確的決策。如今攝像頭已經成為汽車的標配，但為了構筑這360度的安全屏障，雷達、激光雷達等技術勢必成為新一代汽車的標配。2.傳感器技術、IMU、人工智能和機器學習能力技術的突破對于人工智能導航系統非常重要，包括攝像頭、激光雷達、雷達、微機電系統(慣性MEMS)、超聲波和全球定位系統(GPS)，有助于實現更高水平的車輛自主。擁有這些功能的汽車可以更好地感知周圍環境，這對于解決安全問題非常重要，安全可謂是自動駕駛生態系統中最重要的話題。除了支持更強大的車輛傳感系統，這些傳感器還可以監控影響制動和操控的機械條件和相關維護因素。要讓自動駕駛汽車具備全面的認知能力，不僅要以傳感器為標配，還要大幅增加其數量，從而大幅提升性能，縮短響應時間。ADI公司正在研究一些適用于未來汽車的技術，包括短程和遠程激光雷達和成像雷達解決方案，這些解決方案可以提供差異化的傳感檢測，大幅降低誤報率，縮短響應時間，使我們更接近安全和高度自動駕駛的愿景。目前業界已經聚焦L3+自動駕駛，這也有助于推動未來L5自動駕駛所需傳感技術的發展。L3+級別介于ADAS(1-3級)和全自動駕駛(4-5級)之間，兼顧實用性和高性能。L3+級應用，包括高速公路自動駕駛和AEB+技術，需要更高性能的傳感器提供支持，使車輛不僅能剎車，還能轉彎，避免交通事故。這種關鍵的傳感器架構將成為未來建造全自動駕駛汽車的基礎。3.企業如何利用自動駕駛汽車的技術賦能商業模式創新？自動駕駛市場的新技術催生了許多令人興奮的潛在商業模式創新。自動駕駛汽車可以簡化交通和服務，以安全和低成本的方式造福人類，這是企業和社區和諧運行的基礎，也有助于提高易用性和生產力。基于自動駕駛汽車的功能，一些公司正在努力重新定義人們享受相關服務的方式。從物流車到公共交通，再到共享出行服務，自動駕駛可以改變人們的出行方式，為人們的出行增加更多選擇，更好地利用我們的時間。現在的老年人也想隨時自由出行，但在自動駕駛汽車時代，他們可以獨立出行，無需求助。4.負擔能力，測試計劃，城市優先——現實中，我們要實現自動駕駛還有很長的路要走。為了實現經濟和安全的全自動駕駛汽車，我們仍然需要應對許多挑戰，如技術，基礎設施和消費者的接受程度。傳感和計算技術尚未成為汽車的標準，其功能需要進一步完善，才能實現自動駕駛汽車始終安全行駛的目標。除了汽車本身，新的基礎設施技術，如車輛間和車輛間基礎設施通信(統稱為“V2X”)，也必須得到更廣泛的部署。盡管我們有……尚未實現全自動駕駛，L3+級自動駕駛性能優異，功能實用，讓我們前進了一步，可以為大眾提供更強大的技術。L3+應用所需的高度自動駕駛技術將成為自動駕駛汽車生態系統的焦點，因為這種關鍵的傳感器架構將為全自動駕駛汽車的更廣泛部署奠定基礎。雖然目前全自動駕駛汽車還沒有普及，但在自動化工業設備等其他應用領域，其基礎技術也越來越成熟。技術在這些應用領域不斷打磨和發展，未來在成本、尺寸、重量、功耗等方面都能滿足汽車應用的需求，得到更廣泛的應用。ADI公司正在研究一些適用于未來汽車的技術，包括短程和遠程激光雷達和成像雷達解決方案，這些解決方案可以提供差異化的傳感檢測，大幅降低誤報率，縮短響應時間，使我們更接近安全和高度自動駕駛的愿景。目前業界已經聚焦L3+自動駕駛，這也有助于推動未來L5自動駕駛所需傳感技術的發展。L3+級別介于ADAS(1-3級)和全自動駕駛(4-5級)之間，兼顧實用性和高性能。L3+級應用，包括高速公路自動駕駛和AEB+技術，需要更高性能的傳感器提供支持，使車輛不僅能剎車，還能轉彎，避免交通事故。這種關鍵的傳感器架構將成為未來建造全自動駕駛汽車的基礎。3.企業如何利用自動駕駛汽車的技術賦能商業模式創新？自動駕駛市場的新技術催生了許多令人興奮的潛在商業模式創新。自動駕駛汽車可以簡化交通和服務，以安全和低成本的方式造福人類，這是企業和社區和諧運行的基礎，也有助于提高易用性和生產力。基于自動駕駛汽車的功能，一些公司正在努力重新定義人們享受相關服務的方式。從物流車到公共交通，再到共享出行服務，自動駕駛可以改變人們的出行方式，為人們的出行增加更多選擇，更好地利用我們的時間。現在的老年人也想隨時自由出行，但在自動駕駛汽車時代，他們可以獨立出行，無需求助。4.負擔能力，測試計劃，城市優先——現實中，我們要實現自動駕駛還有很長的路要走。為了實現經濟和安全的全自動駕駛汽車，我們仍然需要應對許多挑戰，如技術，基礎設施和消費者的接受程度。傳感和計算技術尚未成為汽車的標準，其功能需要進一步完善，才能實現自動駕駛汽車始終安全行駛的目標。除了汽車本身，新的基礎設施技術，如車輛間和車輛間基礎設施通信(統稱為“V2X”)，也必須得到更廣泛的部署。雖然我們還沒有實現全自動駕駛，但是L3+級的自動駕駛性能優異，功能實用，讓我們前進了一步，可以為大眾提供更強大的技術。L3+應用所需的高度自動駕駛技術將成為自動駕駛汽車生態系統的焦點，因為這種關鍵的傳感器架構將為全自動駕駛汽車的更廣泛部署奠定基礎。雖然目前全自動駕駛汽車還沒有普及，但在自動化工業設備等其他應用領域，其基礎技術也越來越成熟。技術在這些應用領域不斷打磨和發展，未來在成本、尺寸、重量、功耗等方面都能滿足汽車應用的需求，得到更廣泛的應用。

標簽：發現遠程

汽車資訊熱門資訊