連網車輛自適應應用解析

作者 : Mike Potts,Molex首席系統架構師

汽車產業一直有一個偉大目標,其重要性甚至遠遠超過自動駕駛車的開發:零死亡與零事故,這就是汽車產業的信念——整個產業都在往這個目標努力。而這表示,連網或全自動或半自動駕駛的車輛必須能夠瞭解並分析目前的行車條件,以及之前的駕駛行為。自適應(adaptive)的機器學習應用有助評估行駛狀態...

汽車產業一直有一個偉大目標,其重要性甚至遠遠超過自動駕駛車的開發:零死亡與零事故。這就是汽車產業的信念——整個產業都在往這個目標努力。實現這個目標意味著要使人為出錯減少到最低程度,甚至是完全消除人為出錯的可能性,而這表示,連網或全自動或半自動駕駛的車輛必須能夠瞭解並分析目前的行車條件,以及之前的駕駛行為。自適應(adaptive)的機器學習應用有助評估行駛狀態,將這些狀態與之前出現過的狀態進行比較,並在新的環境中採用經過認可的行為模式。

連網車輛的自適應應用

自適應應用指高精準度GNSS、轉向、煞車、加速和減速之類的應用,這類應用可經車載感測器迅速調整,從而控制車輛的位置或實現其他期待的結果。它們可以從感測器資料中得到結果,對特定的情形加以學習,在日後能夠做出適當的回應,這一過程就類似於駕駛學校的教練在指導學員開車,最終就可以自己做出決策,實現自主的駕駛。

如同工業市場上採用的機器學習技術一樣,在自適應應用當中,車輛會從高速運算的資源密集型後台來接收人工智慧(AI)資訊。當這些資料與來自車輛感測器的資料結合時,車輛就會學習如何快速的適應並做出適當的行為。在這種情況下,網路就像是將知識傳授給車輛的教練。如果車輛之後再遇到類似的情況,它就會知道下一步該怎樣做——例如,在接近道路施工位置時會自動減速。利用這樣的經驗,以及後台實現的AI通訊功能,便可以建立一個智慧資料庫,並與其他車輛共享,進而改善駕駛的人類反應時間,並使車輛能夠迅速採取行動。

機器學習非常重要,原因在於車輛必須具備自適應性。車輛並不能總是對所有的感測器資料進行監控和計算,然後將其用作預測的基礎。因此,必須從學習過的情況中來辨識駕駛行為和環境條件變化。

自適應應用的要求

要在連網車輛中採用機器學習來實現自適應應用,必須符合幾項要求。最重要的一項就是利用遠端資訊控制單元(TCU)傳送衛星資料的高精準度GNSS導航系統。換句話說,如果車輛要從自身的環境中學習,那就需要知道自己的確切位置。儘管許多汽車都已經配備了導航系統,但是,為了執行各種新的功能,例如車道維持輔助技術,但其中大多數系統對於未來的ADAS/AD應用來說仍不夠精確。例如,如果需要變動車道以避開施工工程,那麼目前的GNSS系統並不一定會將這一資訊發送給車輛。

在全自動或半自動駕駛的車輛當中,這種不一致是不可接受的。高精準度GNSS或者其他衛星資訊在,再加上IVN傳感器融合和後台AI提供的通訊,可以讓汽車清楚的瞭解自身的位置,以及將會遇到或者預計會發生甚麼情況。汽車必須能夠測量其他兩輛車之間的確切距離,並且確定是否可以安全的它們之間通過,這就意味著不僅要知道自己的位置,還要確定其他車輛的位置。

因此,自適應應用將在感測器的共享中發揮重要作用。在這種共享中,汽車會從其他車輛獲得資料,並使用「後台」得出自身的結論,然後做出預測。

後台是連網車輛的「外部大腦」

在汽車內部並不能塞進太多運算能力。隨著不斷獲得新知識,汽車必須透過TCU將知識反饋給我們所謂的後台,這個後台會從許多其他車輛收集大量的資料,然後告訴汽車如新的施工工程或交通規則改變之類的情報。

反過來,汽車則會驗證或者拒絕此類資訊,這本身就是一個學習過程。Google Maps已經透過收集手機使用者的位置資訊做到辨別緩慢或停止的交通狀況,然後還會即時的將資訊新增到地圖中。汽車必須具有自適應性的原因在於,它們並沒有足夠的運算能力不斷的監控並處理感測器資料,以及持續變化中的環境資料,並從過去或者預測的場景中學習,然後再做出預測。它們反而必須連續的適應在轉向、煞車和加減速上的變化。為了從後台獲得資料,車輛就需要快速且可靠的安全等級資料連接,這種連接會整合車載的感測器並根據這些感測器提供的資料來驗證轉向運動。

汽車乙太網路提供足夠的頻寬,可在正確的時間將資料傳送到正確的位置。然而,目前尚不確定的是,是否只有汽車乙太網路才能勝任這項工作。基本上,所需的就是一條任何類型的迅速、可靠的通訊鏈路,使系統可以監控交通狀況並縮短延遲時間,這樣在需要的時間就可以快速的傳輸資料,乙太網路具有許多為此而開發的標準化工具。

每家OEM目前都有自己的後台,但未來,製造商可能會彼此合作,也可能與Google、亞馬遜(Amazon)和微軟(Microsoft)之類的外部供應商合作,提供新的SaaS應用來滿足駕駛體驗的要求。企業方面的發展仍在進行中,仍需數年的時間才能敲定下來。

一些改善人類反應的例子

機器學習和自適應應用並非科學幻想;現在已經有許多應用可以使駕駛更安全性與更舒適(圖1)。

圖1 可以使用自適應應用的應用範例:一輛停放的卡車擋住了其他道路使用者的視線,在這種情況下,汽車防撞系統可以減輕人類反應時間的限制。(圖片來源:Molex)

這些應用可以執行一些簡單的任務,比如說辨識並避免發生事故及其他危害、處理繞行的情況,以及實施自動停車。車道偏離預警技術之類更加先進的應用業已存在,但還未成熟或者精確到足以在更快的速度,以及在雨雪和視線或視野阻擋之類的眾多環境因素下來為駕駛提供全面的保護。然而,隨著業者不斷開發出更加精確並且可以辨識的絕對定位資料,這一情況在未來會改變。

在許多情況下,高精準度定位和車道保持技術都會發揮重要作用。如果大雨或大雪影響到了可見度,駕駛或許就不能夠依靠路標或環境中的其他線索來引導,而機器學習則會扮演重要的角色,使車輛正常行進。以後,來自後台,以及連網汽車感測器的絕對定位資料將使汽車能夠評估並適應道路情況、瞭解自身所在的具體位置,並且穩穩的保持好車道。

其他的自適應應用則包括了對道路標誌的辨識和理解。例如,車輛可以偵測由於道路施工而造成的限速標誌的變化,然後做出反應。為了做到這一點,汽車必須懂得各個標誌上述字的意義,以及如何對這些數字做出反應——也就是調整最大車速,或者將AI的預測資訊從後台發送給汽車,從而表示發生了變化,並且將之前存在的最大限速「記下來」。

自適應技術還可用於車輛的照明。駕駛往往都會忘記正確的設定好大燈,此外,如果車燈並沒有適當的照亮路面,造成駕駛難以看清迎面而來的車輛和其他物體,那麼轉彎也會成為問題,而且會使路上的其他車輛致盲,或者受到車燈的其他不利影響。

自適應應用可以提供幫助,確保大燈始終會根據變化中的環境條件和車輛的物理條件而得到適宜的調節,而且車燈的光束會隨著車輛的運動而不斷變化,進而避免對其他車輛造成干擾,以及導致道路照明不佳的問題。如此可為駕駛提供了更高的可見度,因而增進了安全。

還有進階的應用,隨著車輛的自動化程度日益提高,這些應用也會越來越重要。全自動駕駛車輛目前的行駛速度相對較低,在提供了地理圍欄的熟悉區域中,最大速度小於每小時56~73公里(約35~45英哩)。這需要進一步提高,但如果車輛在高速行駛狀態,則如同駕駛,軟體的反應時間也要縮短,而目前的回應時間並沒有快到可以保證安全的程度。例如,目前IVN攝影機的傳輸和相關資料的處理速度可能並不足以在更高的車速下提供足夠的安全性。

另一項進階應用就是車艙內感測,適用於駕駛遇到健康問題、身體疲勞或者不能夠集中精神的情況;感測器啟動後,車輛就可以限制駕駛對方向盤或其他必要駕駛功能的操作。這一功能具有重大的意義,因為在較低級別的自動駕駛中(Level 3),駕駛仍被看作是自動駕駛系統的「應變選項」。然而,如果駕駛分心的話,安全性就受到了影響,感測器隨後會阻止駕駛接管方向盤及從事其他有關的駕駛活動。

自適應應用面臨的挑戰

為連網車輛及全自動或半自動駕駛車開發並整合自適應應用的過程中,成本是最大的問題。由於這些應用極為複雜,因而無法實現成本效益。即使是現有的應用也極其昂貴,因此,如果要使機器學習和自適應應用發揮作用,就需降低價格,這一點非常重要。

另一個挑戰在於缺少通訊標準。將會提供哪些頻段使連網車輛可相互通訊?究竟是DSRC、Wi-Fi、5G還是其他系統的組合?目前尚不明朗。在這場競賽中還存在著許多的可能性,而新冠肺炎病毒疫情和日益惡化的經濟形勢,使大家更難預見何時可以達成協定。

下一步將走向何方?

對於包括OEM、供應商、駕駛和乘客在內的所有人來說,安全性都十分重要。在實現「零死亡零事故」這個目標的過程中,人人都要發揮一定的作用,而且需要盡快做到這一點。單單在德國,2019年就有3,059人死於道路事故,而在美國,同一年則有38,800人失去了生命。重要的一點在於,要確定好我們認為安全、自適應應用和機器學習的價值有多高。

在自動駕駛車輛上安裝這些系統不會很便宜,但卻物超所值。汽車產業必須與其他產業合作,比如說航空、物流、防務,甚至是與遊戲和無人機的製造商合作,這樣會提供一個相互學習的機會,一起分享經驗並分擔開發成本。如果要實現共同的目標、採用技術彌補人為出錯的問題並消除道路事故和傷亡,那麼OEM和供應商就必須跳出常規思維的桎梏,尋求合作夥伴,包括與一些截然不同的產業合作。

 

 

 

 

 

加入LINE@,最新消息一手掌握!

 Line For EETT and EDNT

發表評論