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。

*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絡，因此能夠產生弱監(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*。

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，雷達網絡的性能優(yōu)于攝像頭網絡，并且可以單獨完成檢測和跟蹤，因為雷達網絡已通過聯(lián)邦學習進行了適當?shù)挠柧殹?/p>

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*的神經網絡進行可視化，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。

來源：傳感器專家網