ADAS環境感知之「三劍式」

ADAS是Advanced Driver Assistance System的簡稱，翻譯成中文的意思就是高級駕駛輔助系統。翻譯成白話文就是，利用安裝在車上的各式各樣感測器收集數據，並結合地圖數據進行系統計算，從而預先為駕駛者判斷可能發生的危險，保證行車的安全性。區別於自動駕駛的概念，ADAS實現的是美國道路交通安全局（NHTSA）所發布的汽車自動化L3階段，而自動駕駛實現的是L4階段。

ADAS並不是一項配置，主要包括以下配置：

ADAS之環境感知「三劍客」

就像人類在駕駛過程中憑感官對世界的丈量那般，要對複雜的路況進行感知，然後基於感知進行預判，進而做出控制車輛的操作。不難得出ADAS執行任務時主要也有這三個環節：感知、判斷、執行。但是汽車不像人類有五官，汽車感知環境數據的方式是依靠各類感測器，而感測器搭載數量越多，汽車能收集到的信息就越多。它們最終將監測到的數據傳給高精密的處理器，識別道路、標示和行人，做出加速、轉向、制動等決策。

目前ADAS主流的用於周圍環境感測的感測器有激光雷達(LiDAR)、毫米波雷達(millimeter wave)、視覺感測器。這也將是本文即將展開討論的環境感知「三劍客」，各位看官聽我一一道來。

ADAS產業鏈

「一劍西來，天外飛仙」之激光雷達

首先，科普一下什麼是激光雷達。簡單來說激光雷達主要是通過發射激光束來探測周遭環境，車載激光雷達普遍採用多個激光發射器和接收器，建立三維點雲圖，從而達到實時環境感知的目的。

激光雷達的優勢在於其探測範圍廣，探測精度高。最好的激光雷達能夠識別出100米外厘米級物體的細節，用「一劍西來，天外飛仙來」形容最貼切不過。從當前車載激光雷達來看，機械式的多線束激光雷達是主流方案。目前百度和谷歌無人駕駛汽車車身上的64位激光雷達，售價高達70萬元人民幣。激光發射器線束的越多，每秒採集的雲點就越多，探測性能也就越強。然而線束越多也就代表著激光雷達的造價就更加昂貴，64線束的激光雷達價格是16線束的10倍。

谷歌自動駕駛汽車測試車隊

技術上來講，目前傳統激光雷達技術已經很成熟，但其缺點也很明顯，主要以下幾點：

第一，體積大。這是一個非常明顯的缺點，即從測試車的外觀上，激光雷達體積較大，安裝在測試車上顯得較為笨重。這也是Alphabet子公司Waymo的測試車採用了黑色巨大弧形車頂的原因。而豐田和優步的測試車頂上則像頂了個咖啡罐。

第二，價格高。激光雷達造價昂貴，動輒幾千甚至上萬美元一台，而且目前多數測試車都使用了不止一個激光雷達。

第三，產能低。據最新消息顯示，儘管激光雷達廠商努力提高產能以跟上市場需求，但汽車廠商還是不得不等上六個月才能買得到一台全新的激光雷達產品。雖然目前測試車的數量還非常稀少，但是對激光雷達的需求是呈上升趨勢的。

Velodyne的激光雷達產品陣列依然是各大主機廠、供應商測試自動駕駛技術的標配。為了解決以上痛點，包括Velodyne在內的少數激光雷達龍頭廠家正在致力於研發不使用旋轉光學透鏡的雷達設計方案。市面上已有的方案中旋轉透鏡作為引導激光束髮射方向的部件必不可少的，但雷達體積和外觀受其限制較大。新的技術方向使激光雷達電子化，使用電子固態原件代替光學原件，不僅降低成本、減小體積，而且由於取消了機械運動部件還能大大增加設備的耐用性。

Velodyne去年十二月曾發布消息稱其在降低激光雷達成本工作上取得了突破性進展，產品價格可降至50美元級別，但並未透露何時才能發布採用固態原件的雷達設備。另一家去年募集到9千萬美元投資的初創公司Quanergy，聲稱將於今年在馬薩諸塞州的工廠投產固態激光雷達，預計售價250美元，但同樣並未透露全部產品細節。傳統汽車零部件廠商大陸和法雷奧也在研發同類產品，不過它們都表示新產品上市時間在兩到三年後。

Quanergy S3固態激光雷達感測器

除了前面提到的百度和谷歌之外，福特以及奧迪這類的傳統車廠也選擇激光雷達，不過其所選擇的激光雷達種類是混合固態激光雷達，所謂混合固態激光雷達，就是介於固態激光雷達和機械式激光雷達兩者之間。從外觀上，混合固態激光雷達幾乎看不到傳統激光雷達的旋轉部件，但其實內部仍存在一些機械旋轉部件，只是這套機械旋轉部件做的非常小巧，並且藏在機身內部。Velodyne以及德國的Ibeo激光雷達公司都有相關的混合固態激光雷達產品。目前來看，Velodyne研發的混合固態激光雷達的售價依舊高達7999美元，但福特方面宣稱量產後的售價將控制在500美元左右。

「太極劍法」之毫米波雷達

作為ADAS不可或缺的核心感測器類型，毫米波雷達從上世紀起就已在高檔汽車中使用，技術相對成熟。毫米波的波長介於厘米波和光波之間，因此毫米波兼有微波制導和光電制導的優點，且其引導頭具有體積小、質量輕和空間解析度高的特點。此外，毫米波導引頭穿透霧、煙、灰塵的能力強，絕對的全天候感測器，相比於激光雷達是一大優勢，符合太極劍法以不變應萬變的劍道宗旨。

受益於技術相對成熟，毫米波雷達在單價方面，只能算是激光雷達的九牛一毛，單體價格大約在100美元左右。並且車載毫米波雷達的市場需求也相對更多，帶來的規模效益有望進一步拉低成本。但毫米波雷達的缺點也十分直觀，探測距離受到頻段損耗的直接制約（想要探測的遠，就必須使用高頻段雷達），也無法感知行人，並且對周邊所有障礙物無法進行精準的建模。

目前，比較常見的車載領域的毫米波雷達頻段有三類。其一是24—24.25GHz這個頻段，目前大量應用於汽車的盲點監測、變道輔助。雷達安裝在車輛的后保險杠內，用於監測車輛後方兩側的車道是否有車、可否進行變道。這個頻段也有其缺點，首先是頻率比較低，另外就是帶寬（Bandwidth）比較窄，只有250MHz。

另一個頻段就是77GHz，這個頻段的頻率比較高，國際上允許的帶寬高達800MHz。這個頻段的雷達性能要好於24GHz的雷達，所以主要用來裝配在車輛的前保險杠上，探測與前車的距離以及前車的速度，實現的主要是緊急制動、自動跟車等主動安全領域的功能。

第三類應用頻段就是79GHz—81GHz，這個頻段最大的特點就是其帶寬非常寬，要比77GHz的高出3倍以上，這也使其具備非常高的解析度，可以達到5cm。這個解析度在自動駕駛領域非常有價值，因為自動駕駛汽車要區分行人等諸多精細物體，對帶寬的要求很高，這個頻段在未來的自動駕駛領域會有很廣泛的應用。

時至今日，全球主要有四大毫米波雷達供應商，簡稱為ABCD，即Autoliv、Bosch、Continental和Delphi。

Autoliv以24GHz盲點、變道輔助雷達為主，主要客戶是戴姆勒賓士——其車輛基本標配了變道輔助，Autoliv的毫米波雷達出貨量很大。

Bosch的毫米波雷達主要以77GHz為主，覆蓋的面比較廣，有長距（LRR）、中距（MRR）以及用於車後方的盲點雷達。Bosch的方案集成度非常高，輸出的是對汽車的控制信號，其定製性很強，通常是與大型車企合作一個車型，共同推進項目。

Continental在毫米波雷達產品方面既有24GHz，也有77GHz，性能做得還不錯，戴姆勒的77GHz毫米波雷達主要由Continental供應。

Delphi則是美國老牌企業，以77GHz毫米波雷達為主，採用較為傳統的硬體方案，成本比較高，性能不俗。

而談到毫米波雷達的應用典型代表則為特斯拉，尤其是在其去年新發布的Autopilot 2.0硬體，除了8個攝像頭和12 個全新超聲波感測器之外，一個前向探測雷達使用的就是毫米波雷達，而非其他主流無人駕駛研發中所使用的激光雷達。

「獨孤九劍」之視覺感測器

ADAS應用攝像頭作為主要感測器是因為攝像頭解析度高於其他感測器，可以獲取足夠多的環境細節，幫助車輛進行環境認知，車載攝像頭可以描繪物體的外觀和形狀、讀取標誌等，這些功能其他感測器無法做到。汽車行業價格敏感，攝像頭硬體成本相對低廉，從降低成本的角度看攝像頭是識別用感測器的當家花旦，在一切清晰的情況下當然攝像頭是最好的選擇。和獨孤求敗所創，縱橫天下，但求一敗而不可得的孤獨九劍暗暗相合，其缺點是受環境因素以及外部因素影響較大，比如隧道中光線不足，天氣因素導致的視線縮小等。

目前攝像頭的應用主要有：單目攝像頭、后視攝像頭、立體攝像頭或稱雙目攝像頭、環視攝像頭，目前在行車輔助功能中，攝像頭可用來單獨實現很多功能，並且按照自動駕駛發展規律逐漸演進。

視覺系ADAS產品由軟硬體組成，主要包括攝像頭模組、核心演算法晶元以及軟體演算法。硬體方面考慮行車環境，如震動、高低溫等，大前提是要符合車規級要求。

車載ADAS攝像頭模組需要定製化開發。為了適應車輛全天候全天時的需要，一般要滿足在明暗反差過大的場合，如進出隧道。能夠很好平衡圖像中過亮或太暗部分，需要有寬動態畫面；對光線比較靈敏，具有高感光能力。避免給晶元帶來太大壓力，而不是一昧追逐高像素。

攝像頭模組是基礎。好比一張底子不錯的照片才有修飾美化的餘地，保證拍攝圖像夠用的基礎上，演算法才能更好地發揮效力。另外在參數上，ADAS與行車記錄儀對攝像頭的需求不同。用於行車記錄儀的攝像頭需要看清車頭周圍儘可能多的環境信息。ADAS的攝像頭更講究為行車時預留更多判斷時間，需要看得更遠。類似相機鏡頭廣角和長焦，兩項參數不能兼得，ADAS在硬體選取時只能取其平衡。

其次，圖像相關演算法對計算資源有很高的要求，因此晶元性能更講究。如果在演算法上疊加深度學習來幫助識別率提升，對硬體性能的要求只增不減，主要考慮的性能指標是運算速度、功耗、以及成本。

目前用於ADAS攝像頭的晶元多數被國外壟斷，主要供應商有瑞薩電子（Renesas Electronics）、意法半導體（ST）、飛思卡爾（Free scale）、亞德諾（ADI）、德州儀器（TI）、恩智浦（NXP）、富士通（Fujitsu）、賽靈思（Xilinx）、英偉達（NVIDIA）等，提供包括ARM、DSP、ASIC、MCU、SOC、FPGA、GPU等晶元方案 。ARM、DSP、ASIC、MCU、SOC是軟體編程的嵌入式方案，FPGA因為對硬體直接編程，和嵌入式相比處理速度更快。

我們知道ADAS計算機視覺方案的源頭是視覺演算法。傳統的計算機視覺識別物體大致可以分為圖像輸入、預處理、特徵提取、特徵分類、匹配、完成識別幾個步驟。 有兩處尤其依賴專業經驗：第一是特徵提取。在識別障礙時可用特徵很多，特徵設計尤其關鍵。判斷前方障礙物是不是車，參考特徵可能是車尾燈，也可能車輛底盤投在地面的陰影等。第二是預處理和后處理，預處理包括對輸入圖像雜訊的平滑、對比度的增強和邊緣檢測等。后處理是指對分類識別結果候選進行再處理。

科研中的計算機視覺演算法模型運用到實際環境中，不一定就能表現得很好。因為科研得出的演算法會增加諸如天氣、道路複雜情況在內的條件限制，現實世界里除了關注複雜環境的演算法表現，還要考慮各種環境下演算法的魯棒性,看它是否穩定。

演算法上比較重要的一個變化是深度學習的滲透。深度學習讓計算機模擬人類思考的神經網路，可以自己學習判斷。通過直接向計算機輸入標定后的原始數據，比如挑選一堆異形車圖片，然後丟給計算機讓它自己學習什麼是一輛車。這樣就可以免去計算視覺特徵提取、預處理等步驟，感知過程可以簡化為輸入圖片，輸出結果兩步。

業內比較一致的觀點認為，在感知方面，深度學習將會彎道超車傳統視覺演算法。目前深度學習的演算法模型已經開源，而且演算法種類不多，因此有降低門檻大量優秀結果湧現的可能。但是受限於沒有合適的車端平台，離產品化還有一段距離。

視覺方案要完成ADAS任務，一般要實現測距，即本車與前方障礙物距離和識別障礙物是什麼這兩項工作。按照車載攝像頭模組的不同，目前主流ADAS攝像頭可以分為單目和雙目兩種技術路線。

單目攝像頭的演算法思路是先識別後測距。首先通過圖像匹配進行識別，然後根據圖像大小和高度進一步估算障礙與本車時間。在識別和估算階段，都需要和建立的樣本資料庫進行比較。想要識別各種車，就要建立車型資料庫，想要識別麋鹿，就要建立麋鹿資料庫。

相反，雙目攝像頭的演算法思路是先測距后識別。首先利用視差直接測量物體與車的距離，原理和人眼類似。兩隻眼睛看同一個物體時，會存在視差，也就是分別閉上左右眼睛看物體時，會發現感官上的位移。這種位移大小可以進一步測量出目標物體的遠近。然後在識別階段，雙目仍然要利用單目一樣的特徵提取和深度學習等演算法，進一步識別障礙物到底是什麼。

因為視差越遠越小的緣故，業內有觀點認為，雙目在20米內有明顯的測距優勢，在20米距離外，視差減小測距存在難度，可以用高像素攝像頭和更優秀的演算法來提升測距性能，該處是難點也是核心競爭力。雙目鏡頭間距和測距是兩個此消彼長的參數，鏡頭間距越小，檢測距離越近，鏡頭間距越大，檢測距離越遠。考慮車內美觀和ADAS需要，小尺寸遠距離雙目產品更受歡迎。

因為增加了一個鏡頭，帶來更多運算量，整個攝像頭模組的性能要求和成本都更高了。而且在兩者都有的標定工作上，雙目要比單目更加複雜。 而且選擇雙目方案切入市場並不能完全繞開單目方案的難點，在第二個階段，你依然要需要一個龐大的資料庫，依然需要打磨演算法。

單雙目比較

除了單雙目之外，還有多攝像頭組成的平台。有的方案中選用長焦和廣角攝像頭於ADAS主攝像頭配合，兼顧周圍環境與遠處物體探測。也有在環視平台上疊加ADAS功能的情況。例如對於環視做車道偏離預警（LDW），與單目實現該功能比有一定優勢。在大雨天氣或者前方強光源的情況下，前視攝像頭有可能看不清車道線，環視攝像頭斜向下看車道線且可以提供多個角度，基本不會受到地面積水反光的影響，功能可以比前視做得更穩定。

這幾種方案在技術路線上和單目沒有本質差別，更多是基於不同平台，發揮不同類型攝像頭模組的優勢分配任務，或者提供更多視角來解決一些複雜環境中單目勢單力薄的情況。視覺系ADAS當之無愧的一哥就是剛剛被英特爾收購的Mobileye，現階段行業內各大主機廠以及Tier1、包括各視覺方案公司都在積極的進步研發、布局以及落地應用，可謂是百花齊放。

ADAS之「三劍合璧」

通過以上的論述不難發現，各個感測器都有其明顯的優劣勢，最終為了提高汽車環境感知的準確度，通常需要多種感測器的組合，來實現一個穩定耐用的解決方案。當下應用較多的就是以特斯拉為代表的車載攝像頭和毫米波雷達方案。未來隨著激光雷達技術的演進、成本進一步下降，毋庸置疑，在未來汽車實現完全智能化的過程中，三大感測器融合一定是大勢所趨，感測器產業鏈將是ADAS乃至無人駕駛產業化落地進程中最先獲益的行業！

嵩山資本

做最專業的投資併購機構