探索未来自动驾驶技术:4D毫米波雷达
目前自动驾驶汽车感知的实现离不开安装在车辆上的激光雷达、车载摄像头、毫米波雷达等感知设备,通过采集车辆周边交通环境的数据,让自动驾驶汽车能够拥有甚至超越人类的眼睛,来感知周围的世界为决策规划模块提供更加准确、丰富的环境信息,从而让自动驾驶汽车可以安全驾驶。
传感器硬件的堆叠,一方面可以让自动驾驶汽车可以更安全地在道路上行驶,但另一方面由于单个硬件设备并不能获得所有需求数据,且在很多极端环境下,硬件设备也会出现问题,如激光雷达在大雾、大雨等极端天气下,测得数据会出现较大偏差;毫米波雷达不具备测高能力,难以判断前方静止物体是在地面还是在空中;车载摄像头只能拍摄到2D平面图像,即便通过深度学习的辅助,依旧无法精准测得周围物体与自动驾驶汽车之间的距离,因此自动驾驶汽车需要不同的硬件设备同时工作,从而让自动驾驶汽车能够在任何情况下,获得不亚于人类的感知精度及能力。而4D毫米波雷达的出现,将为自动驾驶带来革命性的改变。
什么是4D毫米波雷达
在自动驾驶感知中,毫米波雷达作为自动驾驶中最重要的传感器之一,是至关重要的一环。但由于不具备测高的能力,很难判断前方静止物体是在地面还是在空中,在遇到井盖、减速带、立交桥、交通标识牌等地面、空中物体时,无法准确测得物体的高度数据。而4D毫米波雷达的出现,将弥补这一问题,4D毫米波雷达又称为成像雷达,在原有的距离、速度、方向的数据基础上,加上了对目标的高度分析,将第4个维度整合到传统毫米波雷达中,以更好地了解和绘制环境地图,让测到的交通数据更为精准。
早在2020年,特斯拉就曾宣布要在特斯拉汽车上增加一款4D传感器技术,通过4D传感器技术,将现有的工作范围增加两倍,以获取更多的交通信息。4D毫米波雷达可以有效解析测得目标的轮廓、行为和类别,可以适应更加复杂的道路,识别更多小物体,被遮挡部分的物体及静止或横向物体的监测,从而可以精准的了解车辆需要在什么情况下刹车,相对于3D毫米波雷达仅可以测量方位角、仰角和速度这3个数据,4D毫米波雷达可以获得的数据则更多,从而提供给决策规划更多可依赖的信息。
4D毫米波雷达的解决方案
4D毫米波雷达最早是在2019年由以色列公司提出,2020年初,Waymo宣布在第五代自动驾驶感知套件中推出4D毫米波雷达。同年,大陆集团推出了首个4D毫米波雷达量产解决方案,并表示宝马将成为首家搭载的车企。在2021CES上,4D毫米波雷达也声势不小,诸多厂商纷纷携产品亮相,德州仪器、Mobileye等企业陆续推出或更新4D毫米波雷达方案。
去年,安波福亮相了下一代L1~L3级自动驾驶平台,声称其传感器套件就包含了4D毫米波雷达;采埃孚表示,从上汽集团获得4D毫米波雷达的生产订单,2022年正式供货;博世在中国市场首次对外推介第5代雷达至尊版,即4D毫米波雷达。
4D毫米波雷达和传统雷达一样,在极端天气条件下工作时不会出现极大的偏差,且增加了仰俯角之后,能够形成点云图像,这就意味着4D毫米波雷达不仅可以检测到物体的距离、相对速度和方位角,还可以检测到前方物体的垂直高度以及前方静止和横向移动物体,这将补足传统雷达对静态目标的检测短板。目前4D毫米波雷达主要有2种技术方案:
- 一种是4D毫米波雷达企业自主研发多通道阵列射频芯片组、雷达处理器芯片和基于人工智能的后处理软件算法。
- 另一种就是基于传统雷达芯片供应商的解决方案,通过多芯片极联,或者软件算法来实现密集点云输出及识别。
4D毫米波雷达的主要特点在于角分辨率非常高,前置4D毫米波雷达角分辨率可达1度方位角和2度俯仰角,当加装4D毫米波雷达的自动驾驶汽车在探测道路信息时,可以直接探测到车辆周边物体的轮廓。像是在道路信息比较丰富,如行人与车辆夹杂在一起时,4D毫米波雷达就可以直接对行人和车辆进行识别,并可以判断对应物体的运动情况(是否运动、运动方向)。
4D毫米波雷达还可以探测到几何形状,比如在隧道场景中时,可以探测到隧道的长度和宽度。4D毫米波雷达的出现,有针对性地弥补了传统毫米波雷达的性能短板,不仅是3D的升维,也带来了探测精度、灵敏度、分辨率和性能的全面升级,给予自动驾驶更高的安全性,有望使毫米波雷达成为自动驾驶系统中的核心传感器之一。
4D毫米波雷达的未来发展趋势
据业内人士分析,4D毫米波雷达的规模化落地马上就要来了。在市场化方面,目前技术趋于成熟,有许多种创新的算法都在产品化过程中。不少车厂的新款车辆已有配装的需求,其中自动泊车、L3及以上级别自动驾驶更是把4D成像作为刚需、事实上从去年开始,4D毫米波雷达已有很多产品装车路测并准备量产。
例如恩智浦宣布,业界首款专用16nm毫米波雷达处理器S32R45将于上半年开始首次用于客户量产。英特尔旗下的Mobileye也在积极推进4D毫米波雷达的开发应用。Mobileye首席执行官Amnon Shashua在今年CES演讲中强调了4D成像毫米波雷达在汽车中的应用场景。
他表示:“到2025年,除了在汽车正面,其他地方我们只想要毫米波雷达,不想要激光雷达。” 在Mobileye的计划中,到2025年将推出基于毫米波雷达/激光雷达的消费级自动驾驶车辆方案,汽车搭载雷达-LiDAR子系统,届时车辆仅需安装一个前向激光雷达,同时外加360 全包覆车身的毫米波雷达,即可实现自动驾驶任务。
自动驾驶技术无法依靠单一的传感器一统天下以成为业内共识。根据目前市场对于自动驾驶的理解,没有一刀切的传感器,因为市场有很多细分领域,而且自动驾驶级别也不同,最终极大可能摄像头和雷达会共存,因为它们的优缺点互补性非常强。比较特殊的是激光雷达,笔者认为有很大的可能性,4D毫米波雷达的解决方案可以降低或取代激光雷达的使用。4D毫米波雷达现在还处于发展的早期,但笔者相信未来它的性能会大大提升,并在理想情况下最终能够取代激光雷达。”
以上是探索未来自动驾驶技术:4D毫米波雷达的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

写在前面&笔者的个人理解三维Gaussiansplatting(3DGS)是近年来在显式辐射场和计算机图形学领域出现的一种变革性技术。这种创新方法的特点是使用了数百万个3D高斯,这与神经辐射场(NeRF)方法有很大的不同,后者主要使用隐式的基于坐标的模型将空间坐标映射到像素值。3DGS凭借其明确的场景表示和可微分的渲染算法,不仅保证了实时渲染能力,而且引入了前所未有的控制和场景编辑水平。这将3DGS定位为下一代3D重建和表示的潜在游戏规则改变者。为此我们首次系统地概述了3DGS领域的最新发展和关

昨天面试被问到了是否做过长尾相关的问题,所以就想着简单总结一下。自动驾驶长尾问题是指自动驾驶汽车中的边缘情况,即发生概率较低的可能场景。感知的长尾问题是当前限制单车智能自动驾驶车辆运行设计域的主要原因之一。自动驾驶的底层架构和大部分技术问题已经被解决,剩下的5%的长尾问题,逐渐成了制约自动驾驶发展的关键。这些问题包括各种零碎的场景、极端的情况和无法预测的人类行为。自动驾驶中的边缘场景"长尾"是指自动驾驶汽车(AV)中的边缘情况,边缘情况是发生概率较低的可能场景。这些罕见的事件

0.写在前面&&个人理解自动驾驶系统依赖于先进的感知、决策和控制技术,通过使用各种传感器(如相机、激光雷达、雷达等)来感知周围环境,并利用算法和模型进行实时分析和决策。这使得车辆能够识别道路标志、检测和跟踪其他车辆、预测行人行为等,从而安全地操作和适应复杂的交通环境.这项技术目前引起了广泛的关注,并认为是未来交通领域的重要发展领域之一。但是,让自动驾驶变得困难的是弄清楚如何让汽车了解周围发生的事情。这需要自动驾驶系统中的三维物体检测算法可以准确地感知和描述周围环境中的物体,包括它们的位置、

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显着提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。 StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显着降低了使用AI

轨迹预测在自动驾驶中承担着重要的角色,自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。轨迹预测任务技术栈丰富,需要熟悉自动驾驶动/静态感知、高精地图、车道线、神经网络架构(CNN&GNN&Transformer)技能等,入门难度很大!很多粉丝期望能够尽快上手轨迹预测,少踩坑,今天就为大家盘点下轨迹预测常见的一些问题和入门学习方法!入门相关知识1.预习的论文有没有切入顺序?A:先看survey,p

最近一个月由于众所周知的一些原因,非常密集地和行业内的各种老师同学进行了交流。交流中必不可免的一个话题自然是端到端与火爆的特斯拉FSDV12。想借此机会,整理一下在当下这个时刻的一些想法和观点,供大家参考和讨论。如何定义端到端的自动驾驶系统,应该期望端到端解决什么问题?按照最传统的定义,端到端的系统指的是一套系统,输入传感器的原始信息,直接输出任务关心的变量。例如,在图像识别中,CNN相对于传统的特征提取器+分类器的方法就可以称之为端到端。在自动驾驶任务中,输入各种传感器的数据(相机/LiDAR

目标检测在自动驾驶系统当中是一个比较成熟的问题,其中行人检测是最早得以部署算法之一。在多数论文当中已经进行了非常全面的研究。然而,利用鱼眼相机进行环视的距离感知相对来说研究较少。由于径向畸变大,标准的边界框表示在鱼眼相机当中很难实施。为了缓解上述描述,我们探索了扩展边界框、椭圆、通用多边形设计为极坐标/角度表示,并定义一个实例分割mIOU度量来分析这些表示。所提出的具有多边形形状的模型fisheyeDetNet优于其他模型,并同时在用于自动驾驶的Valeo鱼眼相机数据集上实现了49.5%的mAP

原标题:SIMPL:ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving论文链接:https://arxiv.org/pdf/2402.02519.pdf代码链接:https://github.com/HKUST-Aerial-Robotics/SIMPL作者单位:香港科技大学大疆论文思路:本文提出了一种用于自动驾驶车辆的简单高效的运动预测基线(SIMPL)。与传统的以代理为中心(agent-cent
