隨著高階自動(dòng)駕駛時(shí)代的到來，基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)技術(shù)提升了智能駕駛的可靠性和功能范圍，集成度更高的智能領(lǐng)航輔助駕駛功能NOA也逐漸成為更多車型的標(biāo)配功能。

NOA憑借著智能輔助駕駛和高精度地圖的完美結(jié)合，可以使車輛在行駛過程中自動(dòng)完成變道、超車、躲避大車等操作，無需人為干預(yù)，并且還能自動(dòng)駛?cè)牒婉偝龈咚俟吩训阑蛄⒔粯虿砺房凇＿M(jìn)一步提高了智能駕駛的自動(dòng)化水平，給用戶的智能駕駛帶來了全新的體驗(yàn)。

福瑞泰克基于ADC中央計(jì)算平臺(tái)為客戶提供不同場景下NOA行泊一體方案，包含ADC20（支持L2.9）、ADC25（支持城區(qū)場景）、ADC30（支持L3-L4）三個(gè)版本，能夠支持高速場景下的上下匝道、自動(dòng)變道、城市道路的堵車自動(dòng)跟車、低速場景下的自動(dòng)泊車等功能。

根植于技術(shù)的創(chuàng)新，福瑞泰克ADC中央計(jì)算平臺(tái)通過泊車與行車功能的集成和360度感知技術(shù)實(shí)現(xiàn)L2+增強(qiáng)感知能力，將整體功能體驗(yàn)和性能提升到一個(gè)新高度。福瑞泰克360°感知技術(shù)支持客戶基于場景重構(gòu)，針對不同整車企業(yè)的訴求，助力其解決在城市道路、高速公路、鄉(xiāng)村道路的差異化場景下感知需求的挑戰(zhàn)。

# 01 實(shí)現(xiàn)360度環(huán)視感知

福瑞泰克ADC20域控制器通過獨(dú)創(chuàng)的高性價(jià)比6V5R架構(gòu)，完美支持NOA功能，域控制器的傳感器由6個(gè)攝像頭和5個(gè)毫米波雷達(dá)，以及12個(gè)超聲波雷達(dá)組成，實(shí)現(xiàn)360°全方位感知，同時(shí)輔助于高精度地圖，實(shí)現(xiàn)超視距的靜態(tài)道路環(huán)境感知。通過多種傳感器的感知冗余，在每個(gè)方位上至少保證有兩個(gè)傳感器系統(tǒng)的覆蓋，更大程度上保證的感知準(zhǔn)確性。

ADC20域控系統(tǒng)的一大特點(diǎn)是讓環(huán)視攝像頭發(fā)揮多種用途，在泊車場景下環(huán)視攝像頭為APA泊車功能提供車位、障礙物感知功能；在行車場景下可提供車輛、行人、車道線等感知功能，彌補(bǔ)前視及毫米波雷達(dá)的感知盲區(qū)，提高行車的安全性。兩種場景的功能在30KPH的速度自動(dòng)無縫切換，兼容不同場景對感知的需求，更重要的是不增加任何硬件成本。

福瑞泰克基于360°感知的高階自動(dòng)駕駛解決方案，在規(guī)?；慨a(chǎn)開發(fā)過程中不斷探索傳感器在不同場景下的性能邊界，針對場景開發(fā)不同的多傳感器融合策略，充分發(fā)揮各自的優(yōu)勢，揚(yáng)長避短。融合感知為功能決策提供更可靠的依據(jù)，并評(píng)估傳感器的狀態(tài)及感知置信度，在困難場景下能及時(shí)給駕駛員提醒，從而避免危險(xiǎn)的自動(dòng)駕駛策略。

# 02 數(shù)據(jù)閉環(huán)、工具鏈

智能駕駛智能化程度越高，對數(shù)據(jù)的依賴也越大是行業(yè)的普遍共識(shí)。智能駕駛所面臨的數(shù)據(jù)問題是典型的數(shù)據(jù)分布長尾問題，即極端case場景少但極其重要難，所以業(yè)內(nèi)提出數(shù)據(jù)閉環(huán)的概念，通過建立一套完整的工具鏈，自動(dòng)或半自動(dòng)完成從數(shù)據(jù)采集、數(shù)據(jù)挖掘，到算法訓(xùn)練、驗(yàn)證及車端升級(jí)應(yīng)用的完整閉環(huán)。對長尾數(shù)據(jù)的采集及處理效率決定了算法能力和迭代速度。福瑞泰克基于對客戶需求和場景數(shù)據(jù)的理解，搭建了數(shù)據(jù)閉環(huán)系統(tǒng)，支持產(chǎn)品開發(fā)階段和產(chǎn)品應(yīng)用階段的不同應(yīng)用策略，并在客戶項(xiàng)目和產(chǎn)品開發(fā)過程中不斷優(yōu)化和升級(jí)。

福瑞泰克在車端ADC20域控制器中部署了影子模式和OTA在線升級(jí)模塊。影子模式基于在量產(chǎn)車上的推理判斷，實(shí)時(shí)識(shí)別出特殊功能場景信息，自動(dòng)記錄感興趣的感知信息和駕駛信息。根據(jù)算法需求，在ADC20中設(shè)置了多種不同的觸發(fā)條件，例如駕駛員接管、自動(dòng)/人工駕駛條件下的緊急制動(dòng)、自動(dòng)變道功能開啟失效等，當(dāng)某種觸發(fā)條件滿足時(shí)，就會(huì)自動(dòng)記錄事件發(fā)生前后的相關(guān)信息。為了節(jié)省數(shù)據(jù)內(nèi)部存儲(chǔ)空間，對觸發(fā)事件分級(jí)，優(yōu)先存儲(chǔ)重要性更高的數(shù)據(jù)，適當(dāng)?shù)臅r(shí)機(jī)通過4G/5G無線網(wǎng)絡(luò)上傳數(shù)據(jù)中心，并在上傳之前做數(shù)據(jù)脫敏處理。

在后端數(shù)據(jù)中心，對數(shù)據(jù)進(jìn)行預(yù)處理、挖掘、清洗和標(biāo)注，之后用于算法模型訓(xùn)練、驗(yàn)證和部署，最終通過OTA升級(jí)到車端。從而形成數(shù)據(jù)閉環(huán)，提高產(chǎn)品迭代效率。在后端數(shù)據(jù)處理的不同階段，福瑞泰克開發(fā)出多種工具鏈，比如感興趣數(shù)據(jù)挖掘工具、自動(dòng)化數(shù)據(jù)清洗工具、便捷的數(shù)據(jù)可視化工具、反饋駕駛環(huán)境的性能評(píng)價(jià)指標(biāo)統(tǒng)計(jì)工具。

在產(chǎn)品及項(xiàng)目開發(fā)階段，福瑞泰克采集百萬公里的實(shí)際道路數(shù)據(jù)，用于算法的開發(fā)和回灌驗(yàn)證。對于視覺感知算法開發(fā)，從海量數(shù)據(jù)中快速篩選出有效數(shù)據(jù)對算法快速迭代至關(guān)重要， 我們通過對算法性能的客觀評(píng)價(jià)，定義數(shù)據(jù)挖掘策略，快速篩選到高價(jià)值的數(shù)據(jù)。借助超大網(wǎng)絡(luò)，配合時(shí)序信息，以及后處理跟蹤分析完成的離線數(shù)據(jù)挖掘工具，可有效挖掘corner case場景，提高數(shù)據(jù)的有效性。

# 03 環(huán)視攝像頭在行車中的應(yīng)用

市場上普遍的環(huán)視攝像頭主要用泊車功能，福瑞泰克則將環(huán)視攝像頭復(fù)用于行車環(huán)境感知，在不增加成本的條件下補(bǔ)充其他傳感器在超近距離的感知盲區(qū)，從而增加行車條件下的感知可靠性。由于環(huán)視攝像頭的魚眼成像特性，能夠看到超近距離車輛的車輪和行人的腳部，所以在識(shí)別目標(biāo)位置上相對其他攝像頭有明顯優(yōu)勢，尤其在NOA變道過程中提供相鄰目標(biāo)車輛的位置和姿態(tài)。行車環(huán)視可同時(shí)檢測車輛、行人、二輪車以及車道線、道路邊界等動(dòng)態(tài)和靜態(tài)目標(biāo)。為了實(shí)現(xiàn)高精度，低耗時(shí)的算法效果，我們采用了多個(gè)技術(shù)方法。

4路環(huán)視的數(shù)據(jù)量較大，對計(jì)算平臺(tái)的算力有較高的要求。如果對每路圖片分別處理則會(huì)明顯增加計(jì)算量和感知延時(shí)，為了節(jié)省算力，我們將4路圖像先合并再計(jì)算。對于目標(biāo)檢測網(wǎng)絡(luò)，直接將原始圖像拼接成田字格作為網(wǎng)絡(luò)輸入，對于車道線檢測網(wǎng)絡(luò)則做俯視拼接，并對圖像做了適當(dāng)?shù)慕挡蓸印Ｍㄟ^這種方式，可明顯降低神經(jīng)網(wǎng)絡(luò)耗時(shí)，提高處理的并行性。

對于目標(biāo)檢測功能，福瑞泰克的檢測方案和其它攝像頭方案類似，即檢測目標(biāo)框和接地點(diǎn)，然后將圖像坐標(biāo)根據(jù)攝像頭的內(nèi)外參投影到車輛坐標(biāo)系。同時(shí)將4路目標(biāo)做BEV融合，從而得到穩(wěn)定目標(biāo)輸出。對于車道線檢測功能，先根據(jù)攝像頭內(nèi)外參將圖像拼接成俯視圖，然后直接回歸車道線3次曲線方程，相對于傳統(tǒng)的分割方法，省去了后處理對車道線的擬合過程。

# 04 視覺感知算法應(yīng)用優(yōu)化

感知算法是整個(gè)自動(dòng)駕駛系統(tǒng)的基礎(chǔ)，需要為功能決策提供豐富的、可靠的信息。車上感知算法表現(xiàn)如何，最直接體現(xiàn)在是否能夠快速地、準(zhǔn)確地識(shí)別出周邊障礙物，以及一系列的馬路地面信息，如車道線、路沿、地面標(biāo)志、停止線等。為了得到好的感知效果，往往會(huì)采用較大的神經(jīng)網(wǎng)絡(luò)模型，但是大的網(wǎng)絡(luò)模型會(huì)消耗更大的計(jì)算資源。為了給客戶提供高性價(jià)比的產(chǎn)品，提高產(chǎn)品競爭力，福瑞泰克選擇成本適中的硬件平臺(tái)，這對算法部署落地提出了更高的要求，因此我們更重視在低算力平臺(tái)上的算法部署。

為了解決芯片功耗和算力的限制，小規(guī)模網(wǎng)絡(luò)模型是必然選擇，但是模型的訓(xùn)練比較困難，福瑞泰克探索了多種訓(xùn)練技巧來提高模型精度。知識(shí)蒸餾技術(shù)在學(xué)術(shù)界和工業(yè)界都有大量的研究和應(yīng)用，福瑞泰克同樣在這方面做了大量驗(yàn)證工作。我們選擇將同結(jié)構(gòu)更大的模型作為教師網(wǎng)絡(luò)，在訓(xùn)練時(shí)在教師網(wǎng)絡(luò)與現(xiàn)有網(wǎng)絡(luò)之間建立損失。通過縮小損失來使現(xiàn)有網(wǎng)絡(luò)擁有與教師網(wǎng)絡(luò)相近的性能表現(xiàn)。在常規(guī)的網(wǎng)絡(luò)訓(xùn)練中，往往會(huì)使用人工標(biāo)注的標(biāo)簽（即one-hot編碼標(biāo)簽）來對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。這些標(biāo)簽可以使網(wǎng)絡(luò)認(rèn)識(shí)圖像中的目標(biāo)內(nèi)容。不過這種標(biāo)簽的缺點(diǎn)是目標(biāo)的分類只能是單一的，一個(gè)目標(biāo)是某種類別的概率只能是100%。而真實(shí)的世界中可能會(huì)有目標(biāo)重疊或者相似的情況。蒸餾過程中教師網(wǎng)絡(luò)會(huì)輸出soft-target標(biāo)簽，它是由教師模型預(yù)測出的各個(gè)類別的概率，它更符合真實(shí)的概率分布情況。以soft-target作為模型標(biāo)簽，可以提高模型捕捉相似性的能力。

模型的訓(xùn)練一般采用浮點(diǎn)精度，而嵌入式平臺(tái)部署一般都是8bit量化甚至更低，模型從32bit浮點(diǎn)轉(zhuǎn)到8bit量化過程必然帶來較大的精度損失，尤其在模型規(guī)模很小的時(shí)候精度損失更大，不能滿足智能駕駛對感知精度的要求。而量化重訓(xùn)練QAT是很好的降低精度損失的方法，我們在分析計(jì)算平臺(tái)的計(jì)算過程之后，在訓(xùn)練框架中設(shè)計(jì)量化規(guī)則，在正常的訓(xùn)練過程中加入量化模擬，從而降低在部署時(shí)的精度損失。

Transformer最早在NLP領(lǐng)域大放異彩，近幾年在視覺感知領(lǐng)域也表現(xiàn)出優(yōu)越的性能，也成為視覺感知算法的研究熱點(diǎn)。但是Transformer的特殊算子對當(dāng)前主流的計(jì)算平臺(tái)都不友好，計(jì)算時(shí)間會(huì)明顯增加，Transformer未能在實(shí)際應(yīng)用中獲得明顯優(yōu)勢。面對這種情況，福瑞泰克選擇簡化Transformer的結(jié)構(gòu)，在部分網(wǎng)絡(luò)結(jié)構(gòu)中輕量化使用Transformer的關(guān)鍵特性，從而在性能和耗時(shí)上達(dá)到平衡。我們在車道線分割網(wǎng)絡(luò)中局部使用了這種技術(shù)，使得網(wǎng)絡(luò)在全局感知能力上得到提升，在車道線穿車、遠(yuǎn)端車道線檢測、惡劣環(huán)境下的車道線檢測性能有所提升。我們也在嘗試Transformer的其他用途，例如在蒸餾的教師模型使用該模塊，以提高網(wǎng)絡(luò)精度。

返回第一電動(dòng)網(wǎng)首頁 >