隨著有越來越多汽車廠商開始將不同的感測器整合到先進(jìn)駕駛輔助系統(tǒng)(ADAS)/自動駕駛車輛，他們通常都會認(rèn)同「感測器融合(sensor fusion)」是高度自動化駕駛安全性的關(guān)鍵。

但不為人知的是，這些廠商所采用的資料──是原始(raw)資料或經(jīng)過處理的資料？ ──細(xì)節(jié)，以及他們在融合不同種類感測器資料時面臨的挑戰(zhàn)；如市場研究機(jī)構(gòu)Strategy Analytics汽車市場分析師Ian Riches所言：「目前的感測器融合并沒有在原始感測器資料上完成，通常每個感測器都會進(jìn)行自己的本地處理?！笶DA供應(yīng)商明導(dǎo)國際(Mentor Graphics)將在近日于美國底特律舉行的年度SAE World Congress汽車工程師大會上，展示如何將來自不同感測裝置──雷達(dá)、光達(dá)、視覺或超音波…等等─ ─的原始資料即時融合，以實現(xiàn)在感測精確度以及整體系統(tǒng)效益上的大幅提升。

Mentor Graphics正推出名為DRS360的自動駕駛平臺，號稱能將來自所有系統(tǒng)感測器之未經(jīng)過濾的資訊直接傳送到一個中央處理單元，然后將那些原始感測器資料在各個層級即時進(jìn)行融合；該公司副總裁暨嵌入式系統(tǒng)部門總經(jīng)理Glenn Perry接受EE Times采訪時，比較了「感測器融合」與「原始資料融合」的不同，指出兩者之間存在著「微妙卻非常重要的差異」。

一般來說，提供給汽車廠商的感測器是模組化設(shè)計，以預(yù)先處理資料；Strategy Analytics的Riches解釋：「舉例來說，從攝影機(jī)傳送至融合系統(tǒng)的資料并不會是實際的影像資料，而是對影像中重要區(qū)域的描述──像是哪里有一條白線、哪里有一輛車、哪里有交通號志…而所有的融合在這時候才以那些較高層級的資料進(jìn)行。Mentor認(rèn)為，擺脫各個終端節(jié)點(diǎn)使用之感測器模組的預(yù)處理微控制器，選用原始資料，能讓ADAS/自動駕駛車輛的設(shè)計工程師大幅提升即時性能，并降低整體系統(tǒng)成本與復(fù)雜度；此外也能利用所有擷取到的感測器資料，為車輛所在環(huán)境與駕駛路況建立最高解析度的模型。

為何原始資料融合很困難？

原始資料融合難在哪里？ Mentor的Perry表示，首先是每個感測器會產(chǎn)生資料流，而且是以不同的畫面更新率、不同的采樣率以及間隔時間：「這是一個異步(asynchronous)系統(tǒng)；」其次，不同類型的資料：「需要被統(tǒng)整為一致性的表述(cohesive representation)?！?/span>

例如攝影機(jī)的原始影像(2D)、光達(dá)的點(diǎn)云(point cloud，為3D)以及雷達(dá)的ADC輸出，這些都必須被融合到符合時間/空間的3D環(huán)境圖；而第三，如Perry所言，必須要被統(tǒng)整的：「是真正很龐大的資料流?！贯槍ξ粗该鞯?D資料集，Mentor還開發(fā)了取得專利的演算法，能實現(xiàn)將光達(dá)的空間位置資料、來自雷達(dá)的車輛速度資料，以及視覺裝置的物體偵測資料之融合。

Perry表示，過去在分散式的感測器資料模組中，每個感測器通常會丟棄一大堆資料；但集中化的解決方案采用未過濾之感測器資料，能確保精確度與可靠度的強(qiáng)化；他強(qiáng)調(diào)Mentor花費(fèi)兩年的時間進(jìn)行該平臺的開發(fā)：「對于系統(tǒng)效益的改善，我們自己都很驚訝──包括延遲的降低與處理性能的增加，都是由原始資料融合的演算法所實現(xiàn)?！?/span>