当初,特斯拉以其续航里程、自动驾驶、直营销售等模式迅速赢得了中国市场,但现在,特斯拉引发的自动驾驶问题越来越多。技术的发展让自动驾驶成为可能,但对于纷纷入局智能电动车领域的企业来说,自动驾驶仍有很长的路要走。那么自动驾驶如何成为真正的人工智能,小编也分享一些观点给大家。

自动驾驶汽车需要智能传感器,通过摄像机、激光雷达、雷达和超声波等捕捉大量数据,并提供实时反馈,如交通状况、事件、天气状况、道路标志、交通信号等。这需要每秒数万亿次的运算来同时处理多个具有挑战性的任务,例如对象提取、检测、分割、跟踪等。最后,自动驾驶做到高速处理、可靠性和准确性也是非常重要的,甚至要优于人类表现。

如果回顾一下自动驾驶事故或问题,你会发现,每一个案例都是机器学习不太知道如何做出反应或做出错误反应。解决这类问题需要时间,但我们必须操作正确。90%以上的车祸都是人为失误造成的,虽然人为失误可以原谅,但机器错误却不能原谅。由于使用了学习能力和算法,人工智能的准确性可以提高。除了算法之外,基础设施和政府法规对实现自动驾驶也很重要。目前几家顶级公司正在对公路状况对L3级上(包括L3+、L4和L5)的应用情景进行评估。

目前,大多数自动驾驶汽车都使用GPU(图形处理芯片)进行核心AI处理。GPU不像自定义芯片(ASIC)那么快或划算。最终,我们需要一个专用的人工智能自主处理器,但它带来的最大问题之一是电力方面的能耗。为了确保L3级以上的自动驾驶良好工作,需要成百上千瓦的功率来处理来自多个摄像头、雷达、激光雷达等智能设备的实时数据的高清输入。这是一个巨大的能耗需求。这也意味着需要一个专门的电池来进行处理。

自动驾驶技术需要一种更适合人工智能应用程序处理的特定架构。目前的趋势是使用张量架构,而不是线性或向量处理,特别是用在CPU、DPU或GPU中的结构。尖端芯片或专用协同处理器正在成为设备、边缘甚至云人工智能处理的主流。除了它的架构,边缘人工智能还有其他好处,将有助于更好地利用我们的数据。

摄像机通常用于视觉处理,它可以感知周围环境,用于目标检测、识别、分割、(车道)跟踪、盲点监控、泊车辅助、交通标志和颜色识别,但通常不提供距离信息。激光雷达主要用于360点探测,具有较高的精度和分辨率。它可以用于交通堵塞,AEB(自动紧急刹车),公路试点等。激光雷达非常昂贵而且不能提供颜色信息。雷达用于高分辨率到低分辨率的目标探测,在远距离很有用,但不能区分目标是什么。超声波通常用于泊车辅助,盲点,ACC(自动巡航控制)停止和出发,还可用于巡航控制、防撞、距离传感器和低分辨率的耐候性。

分三个步骤。首先,通过内外摄像头、激光雷达、雷达和超声波捕捉周围环境;然后,通过人工智能计算处理、算法、训练、推理和数据/传感器融合进行感知,用于数据结构化、分割、目标检测和视频理解;接下来,通过使用上下文感知、路径规划和任务优先级进行规划;最后,实现操纵/控制,即转向、制动、加速以及发动机和变速器控制。

未来,图像传感器的应用范围很广,从智能手机到机器视觉和汽车。CMOS成像传感器市场将继续在传感和人工智能领域迎来颠覆性创新和增长。除了自动驾驶汽车的基本功能外,原始设备制造商也开始采用深度学习算法用于对象识别和分割,这些算法通常用于ADAS级别。大型公司和初创公司继续提供基于L3+的服务,包括机器人出租车、智能公共交通。这些新兴的应用程序和系统迅速被丰富多样的生态系统包围,特别是在传感器和计算方面。
人工智能摄像头除了用于自动驾驶汽车外,还能应用于智能城市、智能家居/零售、工业物联网、智能交通和资源管理以及安全,包括监控、检测和识别。
