2020年の新自動運転技術レポートが公開されました！

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。

2020 年に入り、自動運転技術の飛躍的進歩と漸進的進歩の境界線が非常に明確になりました。しかし、最終的には、自動運転を完全に無人化するには、技術を継続的に反復して開発する必要があります。

WEVOLVERが発表した「2020年 自動運転技術レポート」では、自動運転の技術進歩について包括的に解説しています。

このレポートでは、認識、計画、実行の3つのレベルから自動運転車技術の最新の開発について説明しています。センサー、データ処理、機械学習、SLAMとセンサーフュージョン、経路計画など、複数の分野をカバーしています。また、Tesla、Volvo、Waymoなど、複数の自動運転企業の事例も紹介しています。

このレポートの全文PDFを入手したい場合は、Leiphone.com WeChat（leiphone-sz）でキーワード「324レポート」に返信して抽出してください。

出典: 2020年自動運転技術レポート

感知

自動運転車は未知の動的環境で動作するため、事前に環境のマップを作成し、マップ内で自己の位置を特定する必要があります。同時位置特定およびマッピング プロセス (SLAM、同時位置特定およびマッピング) の入力には、センサーと AI システムの支援が必要です。

報告書は、センサーはアクティブセンサーとパッシブセンサーに分類できると指摘している。さまざまなセンサーにはそれぞれ長所と短所があり、単一のセンサーがすべての道路状況に適合することはできない。通常、自律走行車を確実かつ安全に操作するには、複数のセンサーを同時に使用する必要があります。

一般的に、自動運転車に搭載されるセンサーには主に 5 つの種類があります。

1. 長距離レーダー：信号は雨、霧、ほこりなどの見通し内の障害物を通してターゲットを検出できます。

2. カメラ: 一般的には短距離のターゲット検出に組み合わせて使用​​され、主に長距離の特徴認識や交通検出に使用されます。

3. LiDAR: 主に3次元環境マッピングとターゲット検出に使用されます。

4. 短距離/中距離レーダー：中距離および短距離のターゲット検出。側面および後方の危険回避に適しています。

5. 超音波：近距離ターゲット検出。

前述のように、すべてのタイプのセンサーには長所と短所があり、自動運転車は技術的な観点からセンサーを判断して選択する必要があります。スクリーニング条件には主に次の側面が含まれます。

• スキャン範囲。センサーが感知した物体に反応するまでの時間を決定します。

• 解像度、センサーが自動運転車に提供できる環境の詳細。

• 視野/角度解像度。自動運転車が認識するエリアをカバーするために必要なセンサーの数を決定します。

• 3D 環境内の静的オブジェクトと動的オブジェクトを区別する機能。

• センサー情報が更新される頻度を決定するリフレッシュ レート。

• さまざまな環境条件下での全体的な信頼性と精度。

• コスト、サイズ、ソフトウェアの互換性。

• 生成されたデータの量。

以下は、Waymo、Volvo-Uber、Tesla のセンサー ソリューションの概略図です。

さらに、このレポートでは、パッシブ センサーとアクティブ センサーについても詳しく説明しています。

パッシブセンサー

パッシブ センサーは、環境内の物体から反射される光や放射線などの既存のエネルギーを検出することができます。ただし、低照度環境では、パッシブ センサー自体の伝播源がないため、パフォーマンスが低下します。また、生成されるデータに関して言えば、アクティブ センサーと比較すると、パッシブ センサーは約 0.5 ～ 3.5 Gbps と、より多くのデータを生成します。

それでも、パッシブ センサーには次のような多くの特性があります。

1. 視野の全幅をカバーする高解像度のピクセルと色。

2. 視野全体で一定のフレーム レートを維持します。

3. 2 台のカメラで 3D 立体ビューを生成できます。

4. 送信源がないため、他の車両からの干渉の可能性が低減します。

5. 成熟した技術と低コスト

6. システムによって生成された画像は、ユーザーにとって理解しやすく、操作しやすいものです。

自動運転車でパッシブ カメラ センサー キットを使用する場合は、車両の周囲の環境全体をカバーする必要があります。これは、特定の時間間隔で画像を撮影する回転カメラを使用するか、ソフトウェアを使用して 4 ～ 6 台のカメラからの画像をつなぎ合わせることで実現できます。

さらに、これらのセンサーには、さまざまな照明条件で動作し、さまざまなオブジェクトを区別できるように、100 デシベルを超える高ダイナミック レンジ (シーン内のハイライトとシャドウの両方を画像化する機能) が必要です。

アクティブセンサー

アクティブ センサーには信号送信源があり、TOF 原理を利用して環境を認識します。ToF は、信号の反射が戻ってくるのを待つことで、ソースからターゲットまでの信号の伝播時間を測定できます。信号の周波数によって、システムで使用されるエネルギーとその精度が決まります。したがって、正しい波長を決定することは、システムを選択する上で重要な役割を果たします。

アクティブセンサーの種類については、主に以下の3種類を紹介しています。

超音波センサー: ソナーとも呼ばれ、音によるナビゲーションと測距を行います。アクティブセンサーの中で、音波は最も低い周波数（最も長い波長）を持っているため、干渉を受けやすく、雨やほこりなどの悪環境条件の影響を受けやすいことも意味します。さらに、他の音波からの干渉もセンサーのパフォーマンスに影響を与える可能性があり、複数のセンサーを使用したり、追加のセンサー タイプに依存したりすることで、これを軽減する必要があります。

レーダー：主に電波を利用して距離を測定します。レーダー センサーは、光速で移動し、電磁スペクトルの中で最も低い周波数 (最も長い波長) を持つ電波の反射特性に基づいて、前方の物体以外のものを検出することができます。

しかし、レーダー信号は導電性の高い物質（金属など）によって反射されやすく、また他の電波からの干渉によってもレーダーの性能に影響が及び、レーダーセンサーが物体を検出できなくなることがあります。レーダーは、検出された物体の形状を判断する能力が LIDAR ほど高くありません。

LiDAR:パルスレーザーの形の光を使用します。 LiDAR センサーは、1 秒あたり 50,000 ～ 200,000 パルスの速度でエリアをカバーし、返された信号を 3D ポイント クラウドにコンパイルできます。継続的に感知されたポイント クラウドの差異を比較することで、物体の動きが検出され、250 メートルの範囲内で 3D マップが作成されます。

計画

自動運転システムは、自動運転車のセンサー スイートによってキャプチャされた生データと既存のマップに基づいて、同時位置特定およびマッピング アルゴリズムを通じて環境の特定のマップを構築および更新し、その特定の位置を追跡し、ある地点から別の地点への経路の計画を開始する必要があります。

SLAMとセンサーフュージョン

SLAM は、位置特定にマップが必要であり、マッピングには正確な位置推定が必要であるため、複雑なプロセスです。瞬時の位置特定とマッピングをより正確に実行するには、センサー フュージョンが役立ちます。

センサーフュージョンは、複数のセンサーとデータベースからのデータを組み合わせて、より優れた情報を得るプロセスです。これは、データ間の接続と相関関係を処理し、それらを組み合わせて、個々のデータ ソースを使用するよりも安価で、高品質で、関連性の高い情報を生成する多層プロセスです。

自動運転車の AI アーキテクチャには、主に 2 つのアプローチがあります。

1. ステップごとに処理します。運転プロセス全体は、一連のレイヤーごとのパイプラインに分割され、認識、位置決め、マッピング、経路ナビゲーション、動作制御などの各ステップは、独自の特定のソフトウェア コンポーネントによって処理されます。

2. エンドツーエンド。ディープラーニング ベースのソリューションは、これらすべての機能を一度に処理します。

センサーフュージョンを通じて、自動運転車はデータを取得します。ただし、センサー信号から有用な情報を抽出し、既存の情報に基づいてタスクを実行するには、CNN、RNN、DRL などの機械学習アルゴリズムを使用する必要があります。

CNN (畳み込みニューラル ネットワーク):主に画像や空間情報の処理、興味のある特徴の抽出、環境内のオブジェクトの識別に使用されます。これらのニューラル ネットワークは、畳み込み層 (画像または入力データの要素を区別してラベル付けしようとするフィルターの集合) から構築されます。この畳み込み層の出力は、それらを組み合わせて画像の最適な説明を予測するアルゴリズムに送られます。最終的なソフトウェア コンポーネントは、道路標識や他の車など、画像内のオブジェクトを分類できるため、オブジェクト分類器と呼ばれることがよくあります。

RNN (リカレント ニューラル ネットワーク):主にビデオ情報の処理に使用され、これらのネットワークでは、前のステップの出力が入力としてネットワークに入り、情報と知識がネットワーク内で永続化され、コンテキスト化されます。

DRL (深層強化学習): DRL メソッドを使用すると、ソフトウェア定義の「エージェント」が仮想環境で報酬関数を使用して目標を達成するための最善のアクションを学習できます。これらの目標指向アルゴリズムは、目標を達成する方法、または複数のステップにわたって特定の次元に沿って最大化する方法などを学習します。現在、無人運転車への深層強化学習の応用はまだ初期段階にあります。

これらのアプローチは必ずしも孤立して存在するわけではありません。過剰適合を回避するために、ディープラーニングでは通常、マルチタスク トレーニング ネットワークが実行されます。機械学習アルゴリズムが特定のタスク向けにトレーニングされると、トレーニングに使用したデータの模倣に重点が置かれるため、補間または外挿を試みたときに出力が非現実的になります。

機械学習アルゴリズムを複数のタスクでトレーニングすることで、ネットワークの中核は 1 つのタスクに集中するのではなく、あらゆる目的に役立つ一般的な機能を発見することに重点を置くようになり、より実用的で有用なアプリケーションが出力されます。

センサーとこれらのアルゴリズムによって提供されるすべてのデータを使用して、自動運転車は周囲の物体を検出することができます。次に、パスを見つける必要があります。

パスプランニング

車両が環境内の物体とその位置を理解すると、ボロノイ図 (車両と物体間の最大距離)、占有グリッド アルゴリズム、または走行経路アルゴリズムを使用して、車両の大規模な経路を決定できます。しかし、これらの従来の方法では、動的な環境での車両移動のニーズを満たすことができません。

報告書では、部分的自動運転車は環境を認識するために機械学習アルゴリズムに依存するだけでなく、車の制御にもこのデータに依存していると指摘している。パス プランニングは、CNN がドライバーの動作を模倣しようとする模倣学習を通じて CNN に教えることができます。

多くの場合、これらの機械学習手法は、パスの堅牢性を確保するために、従来の動作計画および軌道最適化手法と組み合わせられます。さらに、自動車メーカーは、燃料使用量の削減などの他の目的で、最適なルートをモデルに組み込んでいます。

車両運転中のニューラル ネットワークのトレーニングと推論には膨大な計算能力が必要です。車は新しいデータにタイムリーに応答する必要があるため、車両の操作に必要な処理の一部は車両上で実行する必要があり、モデルの改善はクラウドで行うことができます。

現在、機械学習の最新の進歩は、自動運転車のセンサーによって生成されたデータを効率的に処理し、コンピューティングコストを削減することです。さらに、チップ製造と小型化の進歩により、自動運転車に搭載できる計算能力が向上しています。ネットワーク プロトコルが進歩するにつれて、自動車は低遅延のネットワーク ベースのデータ処理を利用して自律的に動作できるようになるかもしれません。

埋め込む

では、車両はどのように移動するのでしょうか?

人間が運転する自動車では、ハンドル操作、ブレーキ操作、合図などの動作は通常、運転手によって制御されます。ドライバーからの機械信号は電子制御ユニット (ECU) によって駆動コマンドに変換され、車両の電気アクチュエータまたは油圧アクチュエータによって実行されます。

（半）自動運転車では、この機能は ECU と直接通信する駆動制御ソフトウェアに置き換えられます。これらのソフトウェアは車両の構造を変更し、特にドライバーからの機械信号を ECU の電気信号に変換するための部品の数を削減します。

自動運転車には通常、複数の ECU が搭載されており、一般的な車両には約 15 ～ 20 個、高級モデルには最大 100 個の ECU が搭載されています。

ECU は、受信した入力データを処理し、自動変速機のシフトなどのサブシステムの出力コマンドに変換する、独立したマイクロコントローラとメモリを備えたシンプルなコンピューティング ユニットです。

一般的に、ECU は車両の動作の制御、安全機能、インフォテインメントの実行、内部アプリケーションの制御を担当します。さらに、ほとんどの ECU は、電動パワーステアリングなどの単一のアプリケーションをサポートし、アルゴリズムを実行してセンサー データをローカルで処理できます。

課題1: システムの複雑さ

要件と複雑さが増すにつれ、エンジニアにとって、センサー融合を実行し、指示に従って動作する下位レベルのサブシステムに決定を同期的に分配するためのシステムに適した電子アーキテクチャを設計することが課題となります。

理論上、極端な例として、各センシング ユニットが生データを処理し、ネットワーク内の他のノードと通信する、完全に分散されたアーキテクチャを選択することもできます。スペクトルのもう一方の端には、すべてのリモート コントロール ユニット (RCU) がすべての情報を収集し、センサー フュージョン プロセスを実行する中央制御ポイントに直接接続される集中型アーキテクチャが存在します。

このスペクトルの中間に位置するのは、より高い抽象レベルで動作する中央ユニットと、専用のセンサー処理を実行するドメインや意思決定アルゴリズムを実行するドメインを組み合わせたハイブリッド ソリューションです。これらのドメインは、車両の前部と後部のドメインなどの車両内の位置、制御する機能の種類、処理するセンサーの種類 (カメラなど) に基づいて決定できます。

集中型アーキテクチャでは、異なるセンサーからの測定値は独立した量であり、他のノードの影響を受けません。データはシステムのエッジ ノードで変更またはフィルタリングされないため、低遅延でセンサー フュージョンに可能な限り最大の情報が提供されます。アーキテクチャ上の課題は、大量のデータを中央ユニットに送信し、そこで処理する必要があることです。これには、強力な中央コンピューターだけでなく、高帯域幅の頑丈な配線ハーネスも必要です。

分散アーキテクチャは、より軽量な電気システムで実現できますが、より複雑になります。このようなアーキテクチャでは、帯域幅と集中処理に関連する要件が大幅に削減されますが、作動段階と感知段階の間に遅延が発生し、データ検証の課題が増加します。

課題2: 電力、熱、重量、サイズの増加

自動化により、システムの複雑さが増すだけでなく、電力消費、熱フットプリント、車両コンポーネントの重量とサイズも増加します。アーキテクチャが分散型か集中型かに関係なく、自律システムの電力要件は膨大であり、競合する需要が主な要因となります。

完全自動運転車に対する競争上の要件は、現在生産されている最先端の車両に比べてほぼ 100 倍高くなります。純粋な電気自動車の場合、この電力需要によって走行距離は容易に悪影響を受けます。その結果、ウェイモやフォードなどの企業はハイブリッド車に重点を置くことを選択し、一方でウーバーはガソリンのみのSUVを使用しています。しかし、専門家は、内燃機関は車載コンピューター用の電力を生成するのに効率が悪いため、最終的には全電気式がパワートレインとして選ばれるようになるだろうと指摘している。

処理要求の増加と電力スループットの向上により、システムは加熱しますが、車両の外部条件に関係なく、電子部品が適切かつ確実に動作するためには、それらを特定の温度範囲内に保つ必要があり、そのためには冷却システムが必要です。しかし、冷却システム、特に液体冷却システムにより、車両の重量とサイズがさらに増加し​​ます。さらに、追加のコンポーネント、追加の配線、および熱管理システムにより、車両のあらゆる部分の重量、サイズ、および熱性能に負担がかかる可能性があります。

これに応じて、自動運転コンポーネントのサプライヤーは、LIDAR などの大型コンポーネントの軽量化から半導体などの小型コンポーネントの製造へと製品を変更しています。同時に、半導体企業は、フットプリントが小さく、熱性能が優れ、干渉が少ないコンポーネントを作成し、MOSFET、バイポーラトランジスタ、ダイオード、集積回路などのさまざまなシリコンコンポーネントを開発しています。

それだけでなく、業界では新しい材料である窒化ガリウム（GaN）の使用も検討しています。シリコンと比較して、窒化ガリウムはより効率的に電子を伝導できるため、一定のオン抵抗とブレークダウン電圧でより小型のデバイスを製造できます。

完全自動運転車には、これまで開発されたどのソフトウェア プラットフォームやオペレーティング システムよりも多くのコードが含まれる可能性があり、すべてのアルゴリズムとプロセスを独自に処理するには、かなりの計算能力と強力な処理能力が必要です。現在、GPU アクセラレーション処理が業界標準になりつつあります。

GPU 分野では、Nvidia が市場リーダーです。 Nvidia の競争は、ディープラーニング アルゴリズムの中核であるテンソル演算を高速化するテンソル プロセッシング ユニット (TPU) のチップ設計を中心に展開されています。さらに、グラフィック処理に GPU を使用すると、ディープラーニング アルゴリズムがチップの機能を十分に活用できなくなります。

車両の自動化レベルの向上に伴い、車両のソフトウェア形式も大きく変化することがわかります。さらに、車両の自律性の向上は、ユーザーによる車両とのやり取りにも影響を与えるでしょう。