自動駕駛車如何避免交通傷亡意外？感測器融合技術給你答案！

人們對自動駕駛汽車的信心已經有所動搖...3月18日晚上10點多，一輛Uber自動駕駛車輛在亞利桑那州與一名行人相撞，並致其死亡。3月25日，一輛處於半自動駕駛模式的特斯拉Model X撞上美國加州山景城101高速公路中間的混凝土隔離帶上，隨後電池起火，車主身亡。

人們總是對未知的事物充滿恐懼。根據調研機構AAA（American Automation Association，美國汽車協會）最近的一份調查，78%的美國消費者表示他們害怕乘坐一輛完全自動駕駛的汽車上，還有54%的美國人甚至不願意與自動駕駛汽車共享道路，他們說那樣沒有安全感。

近年來，多起備受矚目的道路交通傷亡事故發生根據資料統計表明，完全自動駕駛汽車的技術還遠不成熟。加上“對新事物的恐懼”，種種負面新聞的影響，以及對自動駕駛汽車缺乏理解，人們確實仍較難擁抱全自動駕駛。

感測器融合演算法的出現，使自動駕駛更加可靠和安全，這將有助於民眾克服對全自動駕駛的恐懼。本文將為大家介紹五種感測器的相互融合，以及感測器與道路基礎設施的融合。在11月9日的

智慧駕駛的感測器融合技術培訓

中，來自北美通用汽車的專家也會深度講解各種感測器融合的演算法和應用案例。感測器融合演算法將消除人為錯誤，從而增加安全性並防止道路交通傷亡事故的發生。

“五”大於“一”

/感測器融合是將來自多個感測器的資料合併，其資料合併計算出的結果將優於單個感測器的資料結果。/

為了確保安全的駕駛體驗，全自動駕駛汽車需要以高精度和高準度來感知周圍環境。將數個感測器組合在一起，並以每秒1兆位元組的速度將來自感測器的資料融合在一起，讓駕駛員知道，車輛已經為所有可預想的道路場景做了充分的準備。

感測器融合具有數量的優勢

所有技術都是一把利弊並存的雙刃劍。在全自動駕駛汽車中，單個感測器很難作為一個獨立的系統運作。將每個感測的優勢融合，建立高質量的重疊資料模式，就可以使處理的資料儘可能準確。

/感測器融合系統結合了單個感測器的優點，構建了關於汽車所處的假設環境狀態。/

自動駕駛汽車的五個主要感測器型別

用於自動駕駛安全效能的最佳感測器組合：

超聲波感測器 - 檢測車輛附近的障礙物

GPS - 計算經度、緯度、速度和航線

角速度感測器 - 測量速度和車輪轉速

鐳射雷達 - 正確識別物體

相機 - 檢測、分類和確定與物體的間距

1）超聲波感測器

超聲波感測器對全自動駕駛車輛的安全性起到了不可或缺的作用。感測器發出聲波，從附近物體反彈回來。利用回彈過程的時間等資訊，感測器可以識別與物體的間距，靠近物體時，車輛便會發出提醒。

該技術適用於低速和中短距離的實際應用，例如制動輔助系統、自動泊車系統和限速識別系統等等。

2）GPS感測器

GPS是全球定位系統（GlobalPosition System）的簡稱。GPS在複雜的動態環境中，尤其在大城市，其多路徑反射的問題很顯著，導致獲得的GPS定位資訊很容易產生幾米的誤差。另外，由於GPS的更新頻率低（10Hz），在車輛快速行駛時很難給出精準的實時定位。單純依賴GPS的導航很有可能導致交通事故。將GPS所獲得的資料與其他感測器資訊相結合，使其成為多個感測器協同工作的重要組成部分，可以使GPS發揮其最大優勢，這也體現了感測器融合技術的重要性。

3）角速度感測器

速度感測器

是透過測量縱向和垂直軸上的加速度，記錄車輪的轉速，並將這些資料傳輸到自動駕駛安全系統。

角度感測器

是用於確定前輪的位置。當該資料與其他資料結合，就可以計算出自動駕駛車輛的動態。

當無法準確進行地理定位時（例如在穿過隧道時），速度和角度的資料組合將被組合計算來進行航位推算（Dead Reckoning）

/航位推算系統（Dead Reckoning System，DRS）是較常用的自主式車輛定位技術，利用

距離感測器

和方位感測器測量出車輛的行駛距離、速度和方位。在知道當前時刻位置的條件下，透過測量移動的距離和方位，推算下一時刻位置的方法。/

4）LIDAR感測器

為了解決測距的問題，引入了鐳射雷達這種感測器。常常應用在Level 3級別以上的無人車。鐳射雷達的工作原理是利用可見和

近紅外光波

（多為950nm波段附近的

紅外光

）發射、反射和接收來探測物體。

利用鐳射返回的時間和波長的差異，一是可以用於3D建模進行環境感知，二是可以同步建圖，實現導航和加強車輛的定位精度。

5）車載攝像頭

安全自動駕駛的關鍵是能夠準確的感知和區分移動環境中的障礙物。

最經濟有效的解決方案是使用車載攝像頭。常用的是後視鏡和

360度相機

，它們將提供來自汽車外部的環境影象。

車載攝像機的大致原理是：首先，採集影象進行處理，將圖片轉換為

二維資料

；然後，進行模式識別，透過影象匹配進行識別，如識別車輛行駛環境中的車輛、行人、車道線、交通標誌等；接下來，依據物體的運動模式或使用雙目定位，以估算目標物體與本車的相對距離和相對速度。

資料採集和感測器融合的重要性

感測器融合的資料對於全自動駕駛的安全性來說至關重要。

來自感測器的資訊進入遙測過程，並被傳送到接收裝置，如機載系統或用於監視的通訊中心。這種資料的交換可以在自動駕駛系統中自行進行配置，以預測和適應車輛的狀態，完全不需要人工干預。

這對於汽車廠商來說就是一座“金礦”。所以各大廠商都在致力於打造卓越的自動駕駛汽車，並訓練新一代的

機器學習演算法

。

為了擁有一個完全自動化的系統，以確保乘客和道路上其他人的安全，使用多感測器資料融合將使自動駕駛汽車更安全、更快速、更高效。

要將來自多個感測器的資料完美“合併”在一起，以產生更可靠更準確的資訊，這需要使用感測器融合演算法來計算。

其中一個演算法被稱為

卡爾曼濾波器

。

卡爾曼濾波

（Kalman filtering）一種利用線性系統狀態方程，透過系統輸入輸出觀測資料，對系統狀態進行最優估計的演算法。簡單來說，卡爾曼濾波器是一個“optimal recursive data processing algorithm（最最佳化自迴歸資料處理演算法）”。對於解決很大部分的問題，它是最優且效率最高甚至是最有用的。Kalman濾波在測量方差已知的情況下能夠從一系列存在測量噪聲的資料中，估計動態系統的狀態。由於卡爾曼濾波器容易在計算機中實現計算，並能夠對現場採集的資料進行實時的更新和處理， Kalman濾波是目前應用最為廣泛的濾波方法。

交通意外逐漸減少

今天，聲波、光波、地理定位、視覺和速度的感測器的資料融合在了一起，大大降低了人為駕駛車輛中意外死亡的風險。先進的感測器融合技術專為無人駕駛汽車的全自動化而開發，現在已經逐步被各大汽車廠商所應用，即將走進您的生活中。

實時資料更新，瞬間做出安全決策的能力，擁有比你的大腦更全面的感知能力，這就是最先進的感測器融合技術帶給你的全自動安全駕駛體驗。你可以放下你的恐懼，擁抱新興的交通未來。

一個更安全，更快的無人駕駛世界即將到來。你，準備好了嗎？