自动驾驶传感器 | 视觉传感器(一)

在提取外界环境信息时,视觉是一种非常高效的方式,就效率而言,它是获取信息最有效的手段,百分之八十的信息都会通过视觉的方式获取。在进行驾驶任务时,人类驾驶员也主要是通过眼睛判断周围的信息,再操作车辆进行相应操作。基于此, 研究人员研究了一门新兴学科,计算机视觉,其可应用在机器系统上使其获得视觉的能力,在自动驾驶系统上承载这一功能的核心部件是相机,隶属于视觉传感器系统。

视觉传感器原理介绍

对于视觉传感器,其主要工作机制是外界光线经由物体反射等进入摄像机变成图像,之后计算机通过相关算法计算目标物体的特征量,从中提取出感兴趣对象的相应信息。依据数据和结果做出相应判断。并输出数据和判断结果的传感器。

视觉传感器利用的主要信息是可见光,它在电磁波中隶属一个比较特殊的波段。因为它可以天然被包括人类在内的大部分生物自然感知,可见光是一个比较特殊的波段。在进行驾驶行为时,视觉是人获取信息的主要依仗。大部分路面信息如车道线、障碍物、行人等也是通过视觉感知的。通过摄像头所得的视觉图像拥有极高的分辨率,也包含有大量信息,当前位置、周围环境的状态、可行驶区域的信息、障碍物和行人的特征都可以从图像中获得,另外根据连续图像的特征,我们也能推测预估其他对象的运动趋势。我们现在的位置、周围的环境、其他通勤者的状态。根据连续像,也能进一步推测其他对象的运动意图。

在自动驾驶系统的工作环境中,外界光源的信息是多样的,但无论是哪种形式的可见光,视觉传感器在探测可见光时只需要被动接受。与激光雷达、超声波雷达不同,视觉传感器并不需要主动发射电磁波来获取回波。这样视觉传感器就避免了机械发射结构的问题,其体积、复杂程度都得到了有效降低,另外它也避免了由于主动发射电磁波带来的传播过程的挑战。最后因为不会有限制发射功率这个概念,它相比激光雷达等主动传感器有更远的探测距离。

视觉传感器优点

超声波雷达传感器的局限性在于它能获得的特征信息只是距离,特征维度单一,激光雷达的局限性就在于贵,其他传感器各自有各自的缺点。

如前文所述视觉传感器具有显著的测量分辨率优势,因此它们可以为某些物体类型生成精细点云数据,超声波传感器可能无法检测到极点和链路栅栏等,而这些“盲点”可能对自动驾驶功能的稳健性和可靠性产生巨大影响。摄像头可以建立较为精确的地面环境拓扑结构,以帮助定位,进而探测可用的自由空间。

另外大量的数据使得摄像机非常适合于机器学习技术,从而可以进行物体分类,例如行人和车辆。这些物体的分类生成另一个融合数据源,从而产生更智能和更具反应性的自动驾驶系统。

视觉传感器缺点

基于视觉传感器的系统在当前也面临着许多挑战,它的研究对象主要是图像和视频,对于现有的计算能力来说,它的数据量相对来说是极其庞大的,以此也带来了极高的冗余信息。

另外通过图像可以获取形状、颜色、边缘甚至速度等特征信息,特征空间拥有很高的维度、而对于自动驾驶系统需要处理的对象和问题复杂性来说,面向单一特征的算法不能满足算法所需要的普适性和健壮性, 而为了满足普适性和健壮性设计的算法则需要极高的存储速度和运算能力。

对于机器视觉认知环境信息的机制目前还没有成熟的结论,在这一问题上,目前发展经历主要可分为传统计算机视觉和基于深度学习的计算机视觉两个方面。

传统的计算机视觉以特征提取为核心。基于深度学习的计算机视觉则认为应该去从人类大脑处理视觉信息的过程中得到经验,通过分析、模仿大脑的视觉认知机制来构建相应的机器视觉系统,但其目前对于我们来说还是典型的黑箱,对其运行机制没有清晰的学说,而且其对视觉的理解只能到定性描述的程度,不能获得定量信息,另外其相比传统计算机视觉需要更大的计算量。视觉传感器系统的健壮性、准确性难以得到保证。

需要处理的复杂对象有极高的信息量,算法的不确定性和模糊性也是影响健壮性的关键因素。 相比人类,视觉传感器的系统既需要处理人类面对的复杂庞大的信息流,又要避免人类在处理视觉信息时对准确性和定量数据额的牺牲,这在本质上是有矛盾之处的,这也是视觉系统的一大缺陷。

由于这些视觉系统有这样的典型不足,则在实际运行于环境时其必然会面临众多的边缘工况,需要通过测试去发现这些问题,并给予问题以准确的定位,从而消除潜在的系统存在的危险性。

0%