New video shows moments before fatal self-driving Uber crash
來源：
美國東部時間3月19日晚間，一輛 Uber 的自動駕駛汽車，在亞利桑那州坦佩市的公共道路上，與一名行人相撞，該行人在送往醫院後不治身亡。
警方在一份聲明中稱：「當時該車輛正往北行駛，一名女性在人行道外，穿過一條四車道道路時被它撞倒。」
坦佩市警察局長西爾維婭·莫伊爾（Sylvia Moir）在接受採訪時稱：「基於受害人是從陰影中突然出現在馬路上的，很明顯，在任何一種模式（無人駕駛或人為駕駛）下，都很難避免這種碰撞。」
這起意外事故將不僅影響Uber的自動駕駛的計劃，還將影響到整個無人駕駛行業，最終發佈能在公共道路上，行駛的無人汽車的計劃。
這則新聞將「無人駕駛技術」推向熱搜。
現有無人駕駛技術路線優缺點
目前，國際上自動駕駛環境感知的技術，路線主要有兩種：一種是以特斯拉為代表的，毫米波雷達主導的多傳感器融合方案，另一種以高成本雷射雷達為主導，典型代表如谷歌Waymo。我們來分析一下這兩條線路，對前方路況分析所使用的傳感器：
特斯拉的無人駕駛方案，以毫米波雷達＋可見光攝影機為主，最開始有MobileEye的參與，以可見光攝影機為主，毫米波雷達作為輔助。出現撞卡車事件後，Tesla改為毫米波雷達為主，可見光攝影機為輔。
谷歌的方案基本上是以雷射雷達為主，毫米波雷達為輔，可見光攝影機幾乎不參與。谷歌似乎對可見光攝影機一直不感冒，即使涉及到物體／行為辨識，谷歌仍傾向於用三維雷射雷達。
從上面我們可以看出，目前市面上主流的前向路況檢測，主要依靠以下三種傳感器：毫米波雷達、雷射雷達以及可見光攝影機，且只是兩個傳感器融合。下面我們來分析一下這三種傳感器的優劣勢：
上表中可以看出，目前主流的針對前向的傳感器融合方案，都有一個顯著的缺點：在惡劣天氣情況下，只有毫米波雷達一個單傳感器可以起到作用，而毫米波雷達自身又難以辨識行人。
故現有的技術方案只能在正常天氣下工作，在惡劣天氣環境下（特別是光線不好的情況），會對路上行人的生命，會造成極大的威脅。
所以面對這種，既要能在夜晚和惡劣的天氣情況下，解決視覺和行人辨識的問題。看似無人駕駛未能找到解決方案，但其實我們忽略了，夜視傳感器中的遠紅外傳感器。因為遠紅外技術只考慮觀測主體與環境之間溫度差，可以不受光線情況影響。
遠紅外熱成像技術成像效果
遠紅外熱成像原理，透過能夠透過紅外輻射的紅外光學系統，將視場內景物的紅外輻射，聚焦到能夠將紅外輻射能，轉換為便於測量的物理量的器件－－紅外探測器上，紅外探測器再將強弱不等的輻射信號，轉換成相應的電信號，然後經過放大和影像處理，形成可供人眼觀察的影像圖像，最終透過顯示終端顯示、音響設備報警的夜間輔助駕駛產品。
遠紅外熱成像系統下的行人檢測效果圖
小結：慘痛的事故背後，免不了對無人駕駛技術的諸多質疑，但同時，又是促成該領域不斷完善的最大動力。飽含敬畏，大膽創新。
0 comments:
張貼留言