自动驾驶汽车传感器的优势与劣势

如今，大多数自动驾驶汽车依靠传感器集成来收集环境信息，包括毫米波雷达、激光雷达和摄像头的多传感器数据。正如自动驾驶汽车行业巨头所证明的，多传感器集成提高了自动驾驶汽车系统的性能，使汽车旅行更加安全。

但并非所有的传感器集成都会产生相同的效果。尽管许多自动驾驶汽车制造商依赖它们“目标级”传感器集成，但只有集中式传感器前集成才能为自动驾驶系统提供最佳驾驶决策所需的信息。接下来，我们将进一步解释目标集成和集中式传感器前集成之间的区别，并解释集中式前集成不可或缺的原因。自动驾驶系统通常依靠一套特殊的传感器来收集环境的底部原始数据。每种类型的传感器都有优缺点，如图所示：

结合毫米波雷达、激光雷达BUL138和相机多传感器，可以最大限度地提高收集到的数据的质量和数量，从而产生完整的环境图像。多传感器集成的优点已经被自动驾驶汽车制造商广泛接受，但它通常发生在“目标级”后处理阶段。在这种模式下，物体数据的收集、处理、集成和分类出现在传感器层面。然而，在综合数据处理之前，自动驾驶决策所需的背景信息几乎被提前过滤，这使得目标级集成难以满足未来自动驾驶算法的需求。集中式传感器前集成很好地避免了这种风险。毫米波雷达、激光雷达和摄像头传感器将底部原始数据发送到车辆的中央域控制器进行处理。该方法最大化了自动驾驶系统获得的信息量，使算法获得了所有有价值的信息，从而实现了比目标集成更好的决策。AI毫米波雷达通过集中处理大大提高了自动驾驶系统的性能

目前，自动驾驶系统已集中处理摄像头数据。然而，当涉及到毫米波雷达数据时，集中处理仍然是不现实的。高性能毫米波雷达通常需要数百个天线通道，这大大提高了数据量。因此，本地处理已成为一种更具成本效益的选择。然而，安巴AI毫米波雷达感知算法可以在没有额外物理天线的情况下提高雷达角的分辨率和性能。通过标准汽车以太网和其他接口，原始雷达数据可以以较低的成本传输到中央处理器。当自动驾驶系统将是原始的时候AI当雷达数据与原始摄像头数据集成时，可以充分利用这两种互补的传感方法构建完整的环境图像，使集成后的结果更加全面，超越任何单个传感器获得的信息。

毫米波雷达的更新迭代有助于降低成本，显著提高自动驾驶系统的性能。当传统的低成本雷达大规模生产时，每毫米波雷达的价格可以低于50美元，低于激光雷达的目标成本。结合无处不在的低成本相机传感器，AI雷达提供了可接受的精度，这对大规模商用自动驾驶汽车的大规模生产非常重要。激光雷达传感器及操作AI该算法的相机/毫米波雷达感知集成系统重叠。如果激光雷达的成本逐渐降低，它将被用作相机+毫米波雷达在L4/L5自动驾驶系统中的安全冗余。

目前，目标级传感器的集成统的性能，目标级传感器的集成具有一定的局限性。这是因为前端传感器配备了本地处理器，限制了每个智能传感器的大小、功耗和资源分布，从而进一步限制了整个自动驾驶系统的性能。此外，大量的数据处理将迅速耗尽车辆的功率，缩短里程。相反，算法优先级的中央处理架构实现了传感器前的深度和集中集成。

该技术利用最先进的半导体工艺节点优化了自动驾驶系统的性能，主要是因为该技术在所有传感器上的动态分布处理能力，并根据驾驶场景提高了不同传感器和数据趋势的性能。中央处理器可以获得更智能、更准确的驾驶决策。自动驾驶汽车制造商可以使用低功耗毫米波雷达和摄像头传感器，优先考虑特定的应用处理器，如安巴最近宣布的5纳米工艺CV3AI大功率域控制芯片具有最佳的感知和路径规划性能，能效比最高，显著增加了每辆自动驾驶汽车的里程，降低了电池消耗。不要放弃传感器——投资于他们的集成自动驾驶系统需要多样化的数据来做出正确的驾驶决策。只有深度和集中的传感器集成才能为最佳自动驾驶系统的性能和安全提供广泛的数据。

在我们的理想模式中…1.低功耗，AI将毫米波雷达和摄像头传感器连接到当地嵌入式处理器周围的自动驾驶汽车。2.嵌入式处理器将原始检测对象数据发送到中心区域SoC。3.使用AI，中央域处理器分析组合数据，以识别对象并做出驾驶决策。集中式传感器的前融合可以改善现有的高级融合结构，使传感器集成的自动驾驶汽车强大可靠。为了获得这些好处，自动驾驶汽车制造商必须投资于优先考虑算法的中央处理器和支持AI毫米波雷达和摄像头传感器。通过各种努力，AI在自动驾驶汽车发展的下一阶段，制造商可以迎来技术变革。