ADS系统分层架构

ADS主要是由高速场景向城市道路场景演进来落地领航辅助NOA功能。随着车辆传感器等高性能硬件配置增加、大算力平台的构建、以及AI算法的泛化能力提升，NOA全场景的落地节奏在明显加快。AI与场景的深度融合，推动ADS逐步实现从低速到高速，从载物到载人，从商用到民用，从阶段一提供L2高级辅助驾驶和L3拥堵高速公路副驾驶，发展到阶段二可以提供L3拥堵公路自动驾驶和L4高速公路自动驾驶，最终实现阶段三的L4城郊与市区自动驾驶和L5商用无人驾驶。然而大量的分析表明，目前在很大的程度上自动驾驶车或者无人驾驶AVs的安全性能估计比人类驾驶明显要差一个数量级，虽然可以适应仿真和简单低遮挡的约束真实场景，但仍难以应对城市的复杂道路交通场景，包括恶劣天气环境，定位信号缺失，目标高度遮挡，有限全局视野，人车交互，车车交互，以及小尺寸目标或干扰目标等。场景动态适应能力问题，即所谓“Long-Tail Challenge” 长尾挑战，依旧是ADS当前待解决的主要难题之一。AVs使用体验数据显示，在暴风雨雪天气，车辆的控制由于打滑和oversteering等原因，目前是远低于用户期望的。
ADS算法的典型系统分层架构如图1所示，一般包括传感层，感知层，定位层，决策层和控制层。每个层面采用传统算法模型或者是与深度学习DNN模型相结合，从而实现ADS全程驾驶的人类可以接受的高可靠和高安全性，以及在这个基础上提供最佳能耗比、最佳用车体验、和用户社交娱乐等基本功能。

图 1. AI for AV: ADS技术栈案例 (Nageshrao, 2022)

ADS传感层的不确定性挑战

图 2. ADS传感层的不确定性与性能对比 (Khan, 2022)
如图2所示，ADS部署的传感器在极端恶劣场景(雨雪雾、低照度、高度遮挡、传感器部分失效、主动或被动场景攻击等)的影响程度是不一样的。所以传感器组合应用可以来解决单传感器的感知能力不足问题，常用的几种组合是：Camera+LIDAR; Radar(3D, 4D)+Camera+LIDAR(LD, HD)；Radar+Camera。统计数据表明Radar+Camera是最常见组合。ADS传感层总结如下:
· Camera：可以提供360环视和远距前后视角的环境语义表征，但需要一个照明环境，单目和多目Camera可以提供一定程度的目标深度信息；受恶劣场景影响严重；镜头脏污会严重影响图像质量。
· LIDAR：可以提供场景的空间信息；但难以检测有反光效应的或者透明的物体；当雨速高于40 mm/hr 到95 mm/hr，信号反射密度严重损失并产生雨枕现象；大雪天气下可视距离缩短并产生反射干扰波形；浓雾场景会产生鬼影现象；温差会产生额外时间延迟。
· Radar：对周围车辆检测准确率高，可以提供目标的速度信息，4D Radar还可以提供目标高度的可靠信息；不适合做小目标检测；大雨浓雾和暴风雪会产生接收信号强衰减和斑点噪声，总体对环境的适应性高。

ADS感知层的不确定性挑战

ADS感知层的主要应用场景包括高速公路，城郊与市区道路；十字路口，交通环岛，潮汐公路；隧道，停车场等，其主要任务是基于多模的2D/3D人车物目标识别，动态目标跟踪与速度识别，交通标志识别，车道线识别，红绿灯识别，路面可行驶区域语义分割，路面障碍检测，盲区检测，交通事件检测，司机打瞌睡检测等。与此对应的核心产品特性包括：碰撞预警，紧急刹车，车道偏离预警，传感部分失效预警；车道变道，车道并道，路口通行，行为预测，轨迹预测，轨迹规划；车速控制，转向控制等等。
ADS感知层的第一个挑战是可感知目标距离的挑战。远距离(250-300米)目标感知任务对高速行驶AVs的安全响应速度是至关重要的。对3D目标识别等视觉任务可说，随着感知距离增加，抽取高密度特征的AI主干网络的计算复杂度会按照二次元速度增加，对算力需求也加速度增加。从图3的对比还可以看出，采用长距LIDAR可以提升感知距离，特征点可以覆盖更大的区域但更稀疏，同时也会产生”Centre Feature Missing(CFM)”即点云空心化或者叫黑洞的问题，极端场景包括近距离的超大车辆的中心特征缺失。解决CFM挑战问题的一般方法是在BEV特征空间依赖卷积操作通过特征发散来提供中心区域的感知场，或者通过点云中非空的区域来预测中间空心区目标，代价是目标预测误差和不确定性的输出结果，或者通过连通域打标签CCL进行Instance Point Group进行插值和滤波，以及整个点云的超分变率Super-Resolution来改善性能。

图 3. 短距LIDAR点云(红色，75米)与长距LIDAR点云(蓝色，200米)对比案例 (Fan, 2022)
ADS感知层的第二个挑战是目标遮挡即感知盲区的挑战。单纯依赖AVs自身360全方位近距感知和远距感知，很难能够让ADS从理论上完全超越人类的驾驶水平，通过预测预警达到更低的交通事故率和提供更好的人身安全。如图4所示的对比案例，可以看出车路协同可以有效解决盲区与上述所说的长距感知的挑战，但对应的缺点也不言而喻，部署的成本与长期可靠运营费用以及如何防网络攻击问题，这决定了对乡村和偏远地区的场景，需要寻求AVs自身的多模感知认知决策能力提升。

图 4. 独立感知与车路协同感知对比案例 (Mao, 2022)

图 5. 多视觉的目标多模感知与融合识别案例 (Mao, 2022)
如图5所示，V2X的可行解决方案包括交通要道部署的RSU Camera，LiDAR, 或者Radar，对算法设计来说，需要解决海量点云数据的压缩与实时传输，以及针对接收数据的时间轴同步，多模感知与特征融合目标识别等。目前这个领域基于Transformer在BEV空间进行多任务多模态的融合感知已经有了一些长足进展，融合的方式也可以自由组合，包括多视觉的Camera视频融合，以及 Camera与LiDAR或者Radar的组合融合模式，对点云数据的超分变率会改善融合效果，但融合对延迟非常敏感。
ADS感知层的第三个挑战是恶劣场景的挑战。如图6所示，4D 高清Radar发送的毫米波，可以有效穿越雨滴和雪花，不受低照与雨雪雾天气影响，但会受到多径干扰问题影响，总体来说对环境的适应性高，单独或者组合应用对2D/3D目标检测非常有优势，同时还可以提供高精度的目标高度和速度信息，可以有助于ADS的预测规划性能提升。

图 6. 4D Radar，Camera， LiDAR点云的3D目标检测识别对比案例 (Paek, 2022)