據(jù)外媒報道，華盛頓大學（UW）的信息處理實驗室（Information Processing Lab，IPL）開發(fā)出基于攝像頭和雷達的融合傳感器盒，可以像行車記錄儀一樣安裝在車輛中。目前，基于雷達的感知解決方案尚未實現(xiàn)商業(yè)化。

圖片來源：華盛頓大學

IPL研究人員表示，除了純攝像頭視覺（例如特斯拉的FSD）和激光雷達的光檢測（例如Waymo的自動駕駛出租車）之外，基于雷達的檢測和跟蹤更具成本效益和魯棒性。

該研究項目由華盛頓大學ECE教授Hwang Jenq-neng負責，思科（Cisco）贊助， IPL的研究人員開展。2019-2022年在華盛頓大學擔任項目負責人的Yizhou Wang博士表示，即使在暴雨和大雪等極端天氣條件下，基于雷達的感知也更加穩(wěn)健。

與需要大量人工標注和資本投資來訓練AI模型的特斯拉純攝像頭視覺相比，Wang教授稱雷達更穩(wěn)健且更具成本效益，因為它可以測量車輛與物體之間的 3D距離，檢測運動物體的速度，并能穿透非金屬材料，在惡劣天氣條件下獲得比激光雷達更清晰的圖像。鑒于2D攝像頭感知無法測量距離，分辨率非常高并能顯示物體準確相對位置的激光雷達無法檢測速度。

強大的聯(lián)邦AI模型

Wang的研究團隊沒有使用激光雷達來構建AI模型的基礎，也沒有使用大量人力來進行注釋，而是使用分別從攝像頭和雷達傳感器收集的數(shù)據(jù)作為地面實況來訓練每個網(wǎng)絡，因此能夠產(chǎn)生弱監(jiān)督的聯(lián)邦AI學習模型。

該融合感知解決方案基于攝像頭的經(jīng)典視覺圖像和雷達的3D信息，而不是人類的監(jiān)督標注，且聯(lián)合AI訓練使該解決方案比其他解決方案更強大。

負責為該項目部署融合傳感器的碩士生Andy Cheng表示，該融合傳感器獨立運行，因此每個系統(tǒng)也可作為備份系統(tǒng)（也稱為冗余）。

例如，當有暴風雪時，雷達網(wǎng)絡的性能優(yōu)于攝像頭網(wǎng)絡，并且可以單獨完成檢測和跟蹤，因為雷達網(wǎng)絡已通過聯(lián)邦學習進行了適當?shù)挠柧殹?

融合傳感商業(yè)化的局限性

然而，根據(jù)Wang和Cheng的說法，由于基于雷達的檢測解決方案仍存在局限性，因此重建3D雷達圖像，以及預處理雷達生成的包括幅度、相位和相位差等原始數(shù)據(jù)仍然面臨挑戰(zhàn)。

預處理會減慢整個系統(tǒng)的速度，如果系統(tǒng)要在實際流量中應用，任何延遲都可能會導致事故發(fā)生。Wang教授表示有兩種方法可以減少處理所需的時間。

Wang表示：“首先，原始數(shù)據(jù)的可視化可以寫入硬件，這需要更高的計算能力和超低延遲。其次，雷達生成的原始數(shù)據(jù)可以通過一種新的、更強大的神經(jīng)網(wǎng)絡進行可視化，可以直接將其用作輸入。”最終，雷達檢測和攝像頭檢測的綜合結果將使自動駕駛更加安全。

Wang指出，自動駕駛在安全性上不能妥協(xié)，基于融合傳感器的感知方案比單純的視覺系統(tǒng)更能保障駕駛者的安全。相對價格低廉并提供3D信息的雷達在自動駕駛汽車領域潛力巨大。