ADAS系统长篇综述（下）
ADAS系統長篇綜述（下）
四．ADAS架構設計的進化階梯
前面談到的產品的商業化推廣滲透和產品的功能演進滲透，目的是讓大家去概念化。當然，最后的贏家一定是實干者，能夠在具體技術實現路徑上進行深度耕耘。這就是本節要討論的內容：技術供應和生態系統方面的思考。
畢竟ADAS是一個復雜的技術系統，要理解其中的核心矛盾本質，才能講的清楚其演進趨勢。做高度抽象的話，ADAS系統主要分解為三個核心能力：
§ 看得清（感知）
§ 算得動（算力）
§ 行得準（控制）
按照這個基本邏輯再往下講ADAS架構的核心部件解析，分解剝洋蔥，內部結構就會呈現，按照功能top-down分層為：
剝洋蔥：ADAS系統架構和層次化分解
- 智能功能
- 傳感能力（攝像頭、雷達、超聲波）
- 定位系統（IMU、GPS、輪速計、RTK、地圖）
- 芯片算力
- 安全保底（緊急剎車AEB、駕駛員狀態檢測）
- 冗余（制動、轉向、計算和傳感單元的冗余）
繼續，如果以上top-down分解可以看作是放大鏡下的視角，進一步，我們還可以搬出顯微鏡，對系統架構實現方式進行更加具體的細分。但在這里我們卻遇到了難題：站在不同的視角，甚至不同時期，你就會發現，系統的架構實現方式過于龐雜，遠遠超過上面剝洋蔥的比喻。
然而，雖然架構五花八門，但總有一些進化的脈絡存在。近期，我對行業主流架構進行了大量觀察，并通過與諸多專家的交流，就找到這樣一條相對清晰的架構進化樹，不同代技術之間，顯現出了量化的差異性。
四代ADAS系統架構和核心部件演進圖
第一代L2架構。其特點是：
§ 主推ACC、LCC、AutoSteer功能
§ 技術架構上采用前向感知系統
§ 通常包括1個百萬像素左右的攝像頭、1個前向毫米波雷達、12個超聲波雷達可以做自動泊車和盲區檢測
§ 算力平臺在幾百GOPS和1TOPS之間
§ 米級定位系統（常規IMU、導航GPS、導航地圖）
§ 安全保底采用緊急剎車AEB；最好有剎車冗余。
典型案例：
§ Autopilot 1.0
第二代L2+架構。其特點是：
§ 主推ACC、LCC、AutoSteer功能，增強盲區檢測、主動變道甚至紅綠燈檢測功能
§ 系統架構在感知和算力上做升級，比如在1.0的基礎上升級感知系統為增強前向感知
§ 主流架構包括一個三目前向攝像頭（比如30度左右窄視角、50度左右中視角、180左右度寬視角），三目攝像頭是由Mobileye引入的視覺系統設計，在原來單目攝像頭的基礎上增加了一個遠距離窄視角的攝像頭用于長距離目標追蹤和交通標志及地面障礙物的提前標識。同時還增加了一個近距離寬視角的攝像頭用于探測周圍的行人和汽車人。不僅通過不同視角給出更廣泛的環境圖像信息以做到多車道檢測和十字路口信息檢測等
§ 1-5個毫米波雷達，有些只采用前向雷達，有些產品同時采用4個角雷達，12個超聲波雷達
§ 算力同步提升為1-20 TOPS
§ 定位定位硬件系統不變，精度米級，導航地圖升級到ADAS地圖
§ 安全層面可以考慮增加環視4個攝像頭做到360環視
典型案例：
基于EyeQ3感知，< 1TOPS算力的系統：
§ Autopilot 1.0
§ Volvo Pilot Assist 3.0 (分離出去的Zenuity)
基于EyeQ4感知，2.5TOPS算力的系統：
§ GM Super Cruise 2.0
§ NIO Pilot
§ BMW X5
§
理想ONE
§ VW
§ FCA
§ Audi
§ 采用博世的奔馳、上汽、長安的XPilot 2.0等系統
第三代L2++/L3架構。其特點是：
§ 功能層面大的升級到高速自主駕駛、城市擁堵駕駛和自主泊車功能
§ 系統架構全方位大的升級，感知系統由前向增強感知升級為360感知
§ 采用8個攝像頭，5個毫米波雷達和12個超聲波雷達，個別產品甚至采用前向lidar，不管是攝像頭還是毫米波都可以做到360無死角感知覆蓋，實現雙感知系統，最好感知系統之間還有一定的冗余關系，比如自動駕駛攝像頭和環視攝像頭互為冗余
§ 感知的提升需要算力的同步提升到20-200 TOPS
§ 高速自主駕駛做到主動變道需要定位系統至少是亞米級定位，升級為IMU Pro、雙邊帶GPS、RTK和HDMap。隨著新基建的推行，中國有可能是最先實現RTK量產使用的。關于GPS是單邊帶還是雙邊帶，不同專家有不同意見，我個人傾向雙邊帶，可靠性更強。
§ 安全層面包括AEB、360環視，增加駕駛員檢測系統（DSM）來對駕駛功能做輔助，形成人+車智能閉環；冗余要求更高，增加計算和控制單元的冗余備份。
典型案例：
§ Autopilot hardware 2.0 （1R8V + 10 TOPS Nvidia Pascal）
§ Autopilot hardware 3.0（1R8V +144TOPS FSD）
§ XPilot 3.0（5R8V+30TOPS Nvidia Xavier）
§ Aion LX ADiGo（EyeQ4+ Lidar+5Radar+TI TDA4, 5R3V1L+10.5TOPS）
§ BMW iNext（2 EyeQ5 + 2 Intel Denverton CPU + Lidar + 4 Radar, 即5R6V1L+ 32TOPS）
§ Audi A8 （EyeQ3+Lidar+5 Radar+NVIDIA Tegra K1， 即5R3V1L+2TOPS）
注：上面我將浮點的FLOPS統一算為目前主流針對DNN有效的最大TOPS（比如將32位浮點計算能力轉化為8比特整數計算算力）
第四代L4架構。其特點是：
§ 功能層做到特定場景L3或者L4，徹底解放人類的時間，浸入式智能全方位爆發到AR/VR的實現和其它消費類業務。
§ 感知系統上采用更高精度的攝像頭比如800萬像素，同時增加Lidar，除了單車智能，增加車路協同V2X和5G
§ 算力預測達200-2000 TOPS（2000TOPS是英偉達最新推出的安培架構GPU）
§ 亞米級定位系統
§ 安全冗余層面更加扎實，比如增加電源冗余等。這個層面的整套系統下來要達到幾百瓦的功耗，很可能要采用水冷來保證系統的散熱和可靠性。
典型案例：
還沒有大規模量產的產品，參見各種L4-L5的無人駕駛車輛。
值得期待的有：
§ Volvo XC90 2022年版本，目標是高速公路全自動駕駛Highway Pilot（https://www.caranddriver.com/news/a32381082/volvo-xc90-autonomous-highway-pilot-future/）Volvo CTO Henrik
Green提到，“Volvo將會為駕駛負責，人類可以解放雙手，雙眼也無需盯著路面。我們會通過OTA逐步擴展自動駕駛的覆蓋場景和區域，這是一個逐步的過程。”
§ BMW iNext Ultra （3 EyeQ5 + 24-core Intel Xeon CPU + 4 Radar +7 Camera + 5 Lidar， 系統配置還配備fallback和安全帽子系統，堪稱奢華陣容）BMW計劃在2021年啟動一個500輛規模的無人駕駛車隊，目標是L4甚至L5級無人駕駛，除此之外，在對外銷售的乘用車上會實現L3。據說iNext整車售價高達8萬美金，對標特斯拉高端品牌model S，不知道自動駕駛系統會售價幾何，很期待！
英偉達的高端計算平臺專門針對無人駕駛打造，第一代Drive PX Pegasus, 算力高達320TOPS(8比特算力)， 功耗500瓦；最新推出的第二代Drive
AGX Orin算力高達2000TOPS(8比特算力)，
功耗高達750瓦。妥妥的小型服務器穿上了汽車的外衣，就是平時大家說的電腦加輪子吧。
ADAS家族的豐富性和異構性，在此已經展現得淋漓盡致——在ADAS的動物世界里，沒有標準答案，更像是一場在成本把控和差異化之間的平衡和角逐。
在追求智能體驗的驅使下，高端產品設計依然在奢侈豪華技術陣容里面帶頭奔跑，驗證了智能車將會作為一個新型技術平臺支撐起ADAS技術生態的演進。
五．Q&A：ADAS設計核心問題
問：Fall back理念指什么？
i.系統設計需要有一定的層級概念，按照我們的安全帽層+孩童層+高級智能進階，在成本允許的情況下，最好不同層有不同的硬件子系統支持，才能達到安全性和可靠性最大化。
ii.高級智能建立在安全保底的基礎上，高級智能遇到意外和故障時，降級到低級孩童智能層上，最終由滿足NCAP的底層系統作為安全保底層。
iii.最新出爐的BMW iNext系統設計提供了很好的設計案例。
BMW iNext的L3系統的智能分級和fallback冗余機制
問：如何理解可伸縮的系統架構？
i.整車設計通常講究中高低配置，不同配置的價格、功能不同，ADAS作為其中的一個關鍵功能模塊，大部分整車項目還是要求有中高低配置之分，這就要求ADAS架構設計有可伸縮的能力：自動駕駛系統的算力、傳感器數等可適當“減配”。
ii.華為在他們的架構設計中運用了此概念，并由高端開始設計，可刪減為低端系統。
問：如何選擇攝像頭參數?
i. Bayer模式，RCCC低光度好，但是色彩不夠，紅綠燈看不見；RCCB在低光和色彩中是個平衡；RGGB，低光度最差。不同的攝像頭根據功能需求采用最合適的Bayer模式。
ii. 像素，分前向和側向不同，目前的業界主流前向在由100萬進化到200萬，未來兩年像素依然會增加。根據功能需求來計算自己的系統需要的像素，比如需要看200米，根據AI算法每個物體至少需要20*20個像素的經驗值，換算出來所需像素。從實用的角度200萬像素對于L2+和L2++足夠了。RoboTaxi也許會采用更高分辨率，比如800萬像素，這些高端攝像頭可以靈活配置以滿足全場景的識別需要，比如用像素換取更高性特殊光照下的成像性能。
iii. 長寬比，16：9 和4：3是常見配置，理論上根據自己不同系統之間的一致性來最合適，比如上代采用了16：9，后代依然延續。這樣大數據能夠延續，上一代積累下一代需要的糧食，保證研發需求和大數據正向積累。
問：雙目視覺感知系統怎么樣？
雙目指通過兩個攝像頭一起工作，在感知系統上增加檢測距離信息的目的，通常日本斯巴魯和德系奔馳最喜歡雙目系統。近幾年由于以Mobileye為首的供應商采用了三目一體的感知解決方案，獲得了比雙目更加豐富的環境信息；再加上以特斯拉為代表的采用AI算法通過刷海量數據達到了很好的效果，感覺雙目已經慢慢成為小眾方向了。
問：要不要采用Lidar？
i. Lidar我并不是專家，我的理解為：目前任何一個單一傳感器都有局限，基于視覺的感知方案可能在有些場景的三維信息計算上會有些不完善，采用Lidar能夠在視覺+毫米波雷達的基礎上，將感知的信息精度和三維信息進一步提升，比如由2σ（97.73%）提升到3σ（99.87%）。所以高端奢侈品牌會通過增加Lidar用成本場景覆蓋率換取安全提升。
ii. 寶馬首席架構師Simon Fürst提到：“iNext主要依靠激光雷達估算道路曲率，激光雷達制作的地圖也可以提供曲率，也有助于定位”。
iii. 廣汽智能駕駛部長郭繼舜提到：“采用Lidar增強功能安全級別，傳感器的異構冗余，克服毫米波雷達對金屬目標虛警的天然劣勢”。
iv. Volvo XC90正在調研讓Lidar作為標配來促進ADAS的功能演進。
六．總結
撼動傳統行業的新型科技都有一個共同特點：產品推出以后，一項或多項生產工作的成本降到幾乎為零。一旦事物的發展落入"零原則"的范疇，那這項技術必將大概率商業化。汽車公司偏愛這種思路——其主要原因，就是硬件優勢很大，該方案可以延長他們對方向盤的掌控時間——即汽車行業的主導權。
但這一原則被特斯拉Autopilot給打破了，Autopilot給汽車帶來了前所未有的軟件屬性和可生長的智能體驗，同步也帶來了接近一半的整車利潤。
智能駕駛是人工智能觸碰實體經濟的一個影響最大的案例，人工智能和大數據的匯入，將汽車變成了一個具備增值空間的信息技術平臺和新型服務入口，軟件屬性前景一片輝煌。
這個變革本質上將人類過往半個世紀的計算機、互聯網、交互等技術進步都要濃縮到汽車這個新的載體上，打造一個嶄新的技術創新生態。最重要的是讓原本低頻迭代的汽車產品，變成一個高頻迭代的技術平臺，蘊含了巨大的商機。變革深遠，多維跨界、技術壁壘高、高端人才需求集中，需要十年磨一劍的勇氣和決心。
變革成功的汽車公司未來將是一個科技公司、大數據公司、軟件公司、出行服務公司，贏得未來的閃亮入場券。
所以我們看到了特斯拉硬件預埋的商業邏輯：從0到1打造一個未來信息平臺和服務生態，形成技術護城河、快速創新的閉環和商業壟斷。從特斯拉Autopilot到Robotaxi，RoboTruck，都是這一路線的產物，成為一個個活生生的汽車涅槃案例。
跟Elon共同經營Paypal的Peter Thiel在《從0到1》這本書里面提到：
壟斷生意是一個健康的存在，只有在早期形成壁壘的創業公司才能潛下心縱向深耕，推進技術的真正進步。
特斯拉用十年完成了從0到1，現在大家紛紛入場，希望完成從1到N，推動智能電車的普及。在這個新的賽道上，技術創新是本質，各個車企選擇什么突破口、什么打法、用多少投入和時間、如何形成自己的差異化、真正輸出什么價值，是啟程前最需要思考的核心問題。
ADAS本身是復雜系統工程，且從1到N的過程中面臨大量競爭，已經占據先機者可能還會降維打擊，這條路要走通并不容易。
正如同凱文·凱利所說：
技術，是人的"第二肌膚"，一直是，將來也是。
每一個技術預言家都是夢想家，他們研究汽車，走進ADAS科學，是想知道技術的本質是什么，未來長成什么樣。
總結
以上是生活随笔為你收集整理的ADAS系统长篇综述（下）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 各种经典透镜投影模型
- 下一篇： 各种光学仪器成像技术（上）