新闻中心

ADAS高级驾驶辅助系统的变革与真正的AI+ADAS

作者:华一汽车科技    来源:www.itas-hk.com    发布时间:2021-01-14 10:34    阅读:

一、ADAS的变革
 
自动驾驶
 
一直以来,基于机器学习的系统决策行为通常是一个黑盒子(目前更多基于深度学习的感知+模式决策),只能在一定程度上进行调试并用于功能测试。
 
越来越多的传感器或组件具有从机器学习(ML)技术中获取新的技术迭代的可能,这些过程通常是在大量数据上训练,尤其是自动驾驶技术研发。
 
从安全的角度来看,这类系统及其风险评估存在许多问题。没有一种简单的方法可以确定基于机器学习的系统的精确故障率。
 
对于SAE的L3-5级系统而言,机器学习用于感知、映射、融合和决策算法。这意味着,如果其中一个算法做出了错误的识别/决策,它可能会导致危险的后果。
 
而当前适用于ADAS(L3以下)功能安全标准主要用于确定性系统,仅限于可能导致系统或项目故障的危险和风险分析以及组件故障。
 
ISO 26262标准没有描述如何防止功能本身的错误决策。而新的ISO 26262标准第二版则试图解决这个问题并试图定义新的流程可以帮助控制这些系统故障风险。
 
现有的已经量产的车型,搭载的加速(自适应巡航控制系统、自动紧急制动和智能交通标志识别)和转向决策(车道保持、辅助和交通拥堵援助)是基于AI感知+传统决策模型。
 
而引入机器学习的决策不透明性,是安全保证的一个障碍,并降低了模型按预期运行的置信度。另一个不透明的问题是,必须解释事故发生的各种原因。
 
其次,是出错率。目前,许多检测系统的可信度存在争议。例如,车道检测系统可能无法检测到模糊的道路标记线,或者可能对柏油路车道进行错误的检测。
 
此外,即使错误率的估计值是准确的,它也不能反映系统在有限组输入后实际运行时的错误率,因为真正的错误率是基于无限组样本的。
 
而机器学习训练的基础,是通过对一组数据(交通标志、车道、车辆和人员)进行训练而创建的。这些数据被标记为可能遇到的操作输入的子集。
 
因此,训练集必然是不完整的,甚至不能保证它能代表可能的全部场景。另一个因素是,即使训练集具有代表性,它也可能不能充分代表安全关键案例,因为这些案例日常行驶过程中通常比较少见。
 
最后,就是系统的不稳定。DNN模型是功能更强大的机器学习模型,通常使用优化算法进行训练,优化算法可能有各种各样的优化
 
因此,使用相同的训练集可能得到不同的结果。这一特性使得调试模型或重用以前的安全评估的部分变得困难。
 
这方面,之前Mobileye有自己的一套安全战略,其区分了系统故障(即可以识别的故障)和正常运行故障(可能出现误检)。
 
减少感知故障的因素之一是Mobileye的REM技术,该技术提供在线众包数据,通过确保车辆即使在没有车道或车道模糊或被误导的情况下也能遵循安全的路径。
 
此外,Mobileye的决策算法不是基于一个没有事故的想法(因为有些事故可能是无法避免的。它的方法是避免造成事故的责任——换句话说,车辆的决策应该计算这样的路径/行为,而不是导致事故的责任。
 
最重要的是,该算法应响应其他道路上行驶车辆的错误,以确保其车辆的乘客的最高安全水平。比如,当发生由其他司机造成的事故前,当前车辆应作出适当的反应。
 
为了实现这一点,Mobileye制定了RSS模型。这个模型将“谁应该对事故负责”这一难题的“常识”逻辑化。
 
1、比如,与你前面的车保持安全的距离,这样如果它突然刹车,你就能及时停下来。
 
2、与你身边的车辆保持安全的距离,当你进行横向操控并切入另一辆车所在的车道时,你必须给另一辆车足够的空间来做出反应。
 
3、此外,还包括应该尊重“通行权”规则,对被遮挡的区域要特别注意。例如,一个孩子可能被阻挡在一辆停靠的汽车前面。
 
上述模型与过去的事故数据进行了验证,验证此类模型的一种方法是重现(比如,在仿真模拟中)现实生活中发生的事故场景。目前,Mobileye已经从超过600万起事故中提取了碰撞数据,并分成37个场景,覆盖了99.4%的事故。
 
真正的挑战是用数学公式来描述驾驶规则,并定义非常主观的驾驶模式(例如,变道)。基于这些定义,可以创建系统限制,不允许决策系统发起危险行为,并始终遵循规则。
 
这种方法唯一明显的缺点是,系统无法快速学习道路环境以及驾驶员行为模式的变化。显然,SCC-ML的模式,是基于机器学习进行驾驶员行为和ADAS功能之间的自学习。
 
传感器融合算法和决策算法,无论是加速、制动还是转向,目前仍然是基于确定性模型开发,但这将在下一代自动辅助系统中发生改变。
 
二、真正的AI+ADAS
实际上,尽管完全自动驾驶距离真正量产还有很长的时间,但是一些在自动驾驶上用的技术,比如机器学习、深度神经网络技术等等可以帮助ADAS提升用户体验。
 
最典型的,就是特斯拉的“阴影模式”。通过基于车辆的驾驶数据,并结合后期的大数据训练来优化决策模型。这种技术,尤其对于ADAS中不可预测性的感知,更加重要。
 
比如,在城市环境中,探测行人、发出警报并对他们有时不可预测的行为采取行动,无疑是ADAS最具挑战性的任务之一。
 
ADAS
 
在这种情况下,ADAS系统的全部潜力可以通过行人跟踪、方向和意图预测来实现。
 
但实际上,对行人的实际检测并不一定要提取出人的全部特征,而是要识别出一个物体是人。然而,对于意图预测,行人模型的上下文信息应该被纳入。
 
由于环境复杂,待分析的情况多种多样,传统的确定性算法容易出现多次误检。由于ADAS对假阳性检测的响应可能会导致严重的后果,所以将错误检测减少到最低限度是对性能的严格要求。
 
基于机器学习的算法则提供了更好的解决方案,比如使用级联分类器,每个分类器被训练来模拟行人的不同身体部分。
 
比如,基于梯度直方图和haar特征的算法来检测目标。这些方法以前已经被证明能够实时操作,适合于ADAS所需的快速响应时间。
 
一个候选对象作为行人的识别是通过几个分类器的多数票来完成的。对结果施加严格的阈值可以限制假阳性检测的水平。当上下文信息可以集成到系统中时,识别值的调整是非常重要的。
 
例如,在城市和乡村道路上驾驶不需要相同的警戒级别。因此,汽车在这两种环境中的定位可以用来动态调整ADAS中的警报级别。
 
不过,类似的AI技术,更多停留在感知层,而在ADAS功能层,很可能成为市场的关键差异和重要的收入来源。
 
由于处理器、传感器、映射和软件算法等技术的集成,ADAS的可能性是无限的。以预警的形式出现,会是AI的第一步应用。接下来的升级,就是与制动、转向或其他与安全相关的决策中落地。
 
由机器学习支持的决策算法,将能够促进与自动驾驶车辆相关的许多其他任务,比如:人工智能神经网络与传感器融合,然后提供最好的驾驶决策可能。
 
在过去,像十字路口这样的道路场景是一项复杂的任务,涉及太多的规则,对传统的计算决策模型来说,这些问题现在都可以逐步基于神经网络训练来解决。
 
同时,ADAS将继续成为实现自动驾驶的桥梁。数据显示,接近90%的交通事故都是由人为失误造成的,其中包括识别错误(比例最大)和决策错误。
 
一些行业人士表示,过去汽车内部不同算法的管理和使用方式将发生翻天覆地的变化。卷积神经网络,甚至是深度神经网络在识别和分类物体上非常有效。然而,决策人工智能还没有很好的融入。
 
刹车力度和行程多少合适,或者应该转向多大的角度,是继续前进还是避让,这都是解决目前ADAS体验和安全性的核心关键问题。
 
现代汽车选择的渐进路线,是基于驾驶员行为模式的智能决策,这是目前看起来一种合理的模式,从而规避相对激进的模式(直接用L4降维)。

 

文章转载请保留原文网址:http://www.itas-hk.com/news/hyzx/1062.html


上一篇:智能汽车+智能家居,汽车将改变未来生活?

下一篇:疫情寒冬之后,竟是无人驾驶汽车的“春天”?


液晶仪表 返回列表