欧美色图 亚洲|野外口爆视频国产|久久精品视频观看|97精品人人抽插

深度解析：告訴你自動(dòng)駕駛成功的關(guān)鍵是什么

2017-07-17 09:53:38 來源：AI Lab 熱度:

自動(dòng)駕駛汽車有三大主要系統(tǒng)功能：(1）汽車傳感器相關(guān)系統(tǒng)功能；（2）汽車計(jì)算相關(guān)功能，也就是人們所認(rèn)為的人工智能；（3）汽車控制相關(guān)的功能，控制油門、剎車、方向盤等。
 
今天我將主要討論傳感器和傳感器數(shù)據(jù)使用方面的問題，即傳感器融合。雖然今天只談這一個(gè)方面，但同時(shí)也要意識(shí)到三大系統(tǒng)必須協(xié)同運(yùn)作，這一點(diǎn)十分關(guān)鍵。就算車上裝了最好的傳感器，但人工智能和控制系統(tǒng)都很弱的話，那肯定不是一輛好開的自動(dòng)駕駛汽車。但如果你有很棒的人工智能和控制系統(tǒng)，但配的傳感器很糟糕的話，同樣還是會(huì)碰到問題，因?yàn)槿绻麄鞲衅鞑混`的話，汽車就沒辦法感知所處的周遭環(huán)境，繼而撞上附近的物體。
 
作為CyberneticSelf-DrivingCarInstitute的執(zhí)行董事，我對(duì)傳感器融合特別感興趣，因此我認(rèn)為，可以就這一話題提供一些見解。但是，正如我之前所提到的，另外兩個(gè)系統(tǒng)對(duì)于擁有一輛能正常運(yùn)作的自動(dòng)駕駛汽車同樣重要。
 
自動(dòng)駕駛汽車需要有能探測(cè)所處環(huán)境的傳感器，此外還需要有專門的子系統(tǒng)來控制傳感器以及處理傳感器收集到的數(shù)據(jù)。這些傳感器可以是攝像頭，收集圖形數(shù)據(jù)；可以是雷達(dá)，通過無線電波探測(cè)物體，也可以是利用激光光波的激光雷達(dá)，還可以是超聲波傳感器，等等。傳感器可以分為主動(dòng)傳感器和被動(dòng)傳感器兩種：被動(dòng)傳感器，諸如攝像頭，只能接收外部的光，形成圖像；主動(dòng)傳感器的一例則是雷達(dá)，雷達(dá)可以發(fā)出無線電磁波，并接收反射回的電磁波，探測(cè)是否有物體在附近。
 
為了解讀所收集到的數(shù)據(jù)，需要通過某種方式將各類數(shù)據(jù)整合在一起，這一過程被稱為為傳感器融合。通常，整個(gè)人工智能處理系統(tǒng)會(huì)模擬出汽車周圍環(huán)境，人工智能系統(tǒng)同時(shí)還會(huì)不斷接收新的傳感器數(shù)據(jù)，更新模型。傳感器數(shù)據(jù)融合之后，人工智能需要決定應(yīng)該采取何種行動(dòng)，然后向汽車的控制系統(tǒng)發(fā)出合適的指令，執(zhí)行這些命令?？梢灶惐热祟惿眢w的運(yùn)作方式。人的眼睛在接收了視覺圖像后，接收到的圖片會(huì)送到人的大腦。你的大腦將構(gòu)建一個(gè)周圍世界的模型?；谑盏降男聢D像，大腦會(huì)更新模型，并推斷出身體下一步該做什么。
 
假設(shè)現(xiàn)在你在巴塞羅那奔牛節(jié)現(xiàn)常站在街轉(zhuǎn)角，等著瘋狂公牛的到來。大腦建立了一個(gè)周圍街道和行人的模型。突然你看見公牛朝著你沖了過來。公牛沖鋒的畫面會(huì)傳到你的大腦，隨后大腦更新當(dāng)下情況的模型，認(rèn)為你應(yīng)該“撒開腳丫子跑”。然后，大腦就命令你的動(dòng)起來，開始逃命。大腦命令你沿著街道逃跑，遠(yuǎn)離公牛。
 
在這個(gè)類比中，我們有一個(gè)傳感器，也就是人的眼睛。眼睛收集視覺圖像。眼睛本身不會(huì)處理收集到的圖像。主要功能就是收集圖像。你的眼球有一定的容錯(cuò)性：即使遮住一部分視線，眼睛還是可以捕捉到圖像。就算視線被類似紗布的東西完全遮住了，眼睛的功能還是正常的，但是它也會(huì)意識(shí)到有什么地方不對(duì)。這一信息一樣會(huì)傳到大腦。
 
就解讀圖像來說，眼球本身不具備處理圖像的功能。據(jù)目前所知，眼球無法識(shí)別出朝著你沖過來的是公牛。參與識(shí)別的是大腦，在接受到眼睛收集到的圖像后，大腦嘗試解讀圖片的內(nèi)容和意義。大腦會(huì)對(duì)周圍環(huán)境進(jìn)行監(jiān)控。當(dāng)你站在巴塞羅那的時(shí)候，大腦知道你在奔牛節(jié)活動(dòng)現(xiàn)常大腦建立的這種模型能結(jié)合環(huán)境對(duì)公牛沖鋒的圖像進(jìn)行解讀。因?yàn)樗庾R(shí)到了，在所處的這個(gè)環(huán)境里，有可能出現(xiàn)公牛朝著人沖過來的情景。
 
假設(shè)你是站在紐約時(shí)代廣場(chǎng)上。模型里可能不會(huì)包含有公牛沖過來的情景。就算如此，大腦還是能處理這樣一張圖片，只不過和紐約時(shí)代廣場(chǎng)的模型不兼容。朝你沖過來的可能會(huì)是一輛出租，也可能是一個(gè)穿著蜘蛛俠外衣的怪咖，但是絕不會(huì)是一頭公牛。
 
人類有多種感官。人的大腦除了利用視覺，還會(huì)利用觸覺、能察覺怪味的嗅覺、味覺，還有聽覺來。與人類五感配套的，還有身上的各種器官。例如，耳朵是聽覺傳感裝置。耳朵接收到聲音后，將信息傳給大腦。大腦試圖找出這些聲音的含義。
 
回到剛才巴塞羅那的那個(gè)例子，在公牛出現(xiàn)在街轉(zhuǎn)角之前，你可能就已經(jīng)聽到了公牛的蹄聲。聽到蹄聲后，大腦會(huì)立即更新模型，加入“公牛在附近”的信息。甚至還可能命令你開始跑路。但它也可能會(huì)命令你先等著，通過眼睛確定公牛是不是朝著你沖過來。
 
在接收到某一感官的信息后，大腦可能需要另一感官的數(shù)據(jù)來進(jìn)行對(duì)照和確認(rèn)。在自動(dòng)駕駛汽車上，可能只有一種傳感裝置，比如說雷達(dá)。也就是說，這類自動(dòng)駕駛汽車只能通過雷達(dá)探測(cè)收尾環(huán)境。就像人類只有視覺，而失去其他感官一樣。
 
自動(dòng)駕駛汽車還可以搭載多種傳感裝置例如雷達(dá)、激光雷達(dá)、超聲波傳感器。自動(dòng)駕駛汽車上既有搭載單一類型的，也有搭載多種類型傳感器的。拿特斯拉舉例，一輛特斯拉在前保險(xiǎn)杠下方裝雷達(dá)單元的同時(shí)，還有有六個(gè)超聲波探測(cè)器單元，分別分布于車外殼或者車?yán)铩?/span>
 
每種類型的傳感器都有不同的用途。眼睛用來看，耳朵用來聽，不同類型傳感器功能也不一樣。例如，雷達(dá)用于距離探測(cè)和物體的速度，探測(cè)范圍通常在500英尺左右。超聲波傳感器則用于近距離探測(cè)，探測(cè)范圍在距車3到6英尺內(nèi)。這種雷達(dá)多用于常見的駕駛情景之中，檢測(cè)無人駕駛汽車前方是否有其他車輛。而超聲波傳感器則用來輔助停車，因?yàn)橥＼嚂r(shí)汽車需要知道附近車輛的位置。超聲波傳感器還可以輔助變道，在變道的時(shí)候，傳感器可以探測(cè)到視覺盲區(qū)里的車輛。
 
之前提過，眼睛有一定的容錯(cuò)率，即使在有障礙的情況下也能獲取部分圖片。自動(dòng)駕駛汽車上的傳感器也同樣如此。一個(gè)雷達(dá)裝置可能會(huì)檢測(cè)到電磁波沒發(fā)出或者反射回來的電磁波信號(hào)不穩(wěn)定。這有可能是雷達(dá)本身出了問題。也有可能是所探測(cè)的物體超出正常探測(cè)范圍，比方說探測(cè)范圍是500英尺，但物體距離是600英尺，所以反射回來的雷達(dá)波信號(hào)很弱。雷達(dá)也就無法確定物體到底在不在那。
也有可能會(huì)出現(xiàn)“鬼影”，也就是傳感器探測(cè)到有物體，但實(shí)際上沒有的情況。想象你身處一間非常暗的房間里，然后覺得眼前出現(xiàn)了什么東西漂浮在空中。那到底是真的有什么東西，還是眼睛的錯(cuò)覺呢？眼球會(huì)欺騙我們的大腦，基于虛假信息對(duì)大腦進(jìn)行刺激。
 
類似的，已經(jīng)有研究人員證明了，可以愚弄自動(dòng)駕駛汽車上傳感器。利用一些圖片，研究人員愚弄了自動(dòng)駕駛汽車上的攝像頭，讓他們誤以為自己處在一個(gè)和現(xiàn)實(shí)不相符的場(chǎng)景里。想象你在巴塞羅那，但我在你眼前舉著一張紐約時(shí)代廣場(chǎng)的圖片，于是你的大腦會(huì)試著弄清楚到底發(fā)生了什么：眼前的究竟是一張圖片呢？還是時(shí)空錯(cuò)亂了？
 
研究人員還戲弄了雷達(dá)?？赡艽蠹乙呀?jīng)聽說過，很多年前就有人借助違規(guī)設(shè)備，糊弄警車?yán)走_(dá)測(cè)速儀的事情。有了這種裝置后，警車?yán)走_(dá)測(cè)速儀顯示的速度遠(yuǎn)低于汽車實(shí)際駕駛速度。那些設(shè)備都涉嫌違法。
 
傳感器的探測(cè)結(jié)果可能會(huì)出現(xiàn)“假陽性”的情況。“假陽性”是指?jìng)鞲衅魈綔y(cè)到實(shí)際不存在的物體的情況。假設(shè)雷達(dá)探測(cè)到車輛正前方有另一輛車停在路上。自動(dòng)駕駛汽車的人工智能系統(tǒng)或許會(huì)緊急剎車。但車載攝像頭傳輸?shù)漠嬅鎱s顯示前方?jīng)]有車輛，與雷達(dá)偵測(cè)到的數(shù)據(jù)沖突。這個(gè)時(shí)候，人工智能系統(tǒng)需要決定哪個(gè)才是正確的，是顯示有車輛的雷達(dá)，還是顯示沒有車輛的攝像頭。也許是因?yàn)槟莻€(gè)物體攝像頭拍不到，但是雷達(dá)能偵測(cè)到。又或許雷達(dá)只是謊報(bào)，應(yīng)該相信攝像頭，因?yàn)閿z像頭拍攝的照片里沒有任何物體。
 
如果雷達(dá)是正確的，而且物體確實(shí)在那，但是攝像頭的照片里卻沒有物體，那么攝像頭報(bào)告的結(jié)果就是“假陰性”。“假陰性”是指?jìng)鞲衅黠@示沒有，但是實(shí)際上卻有物體存在的情況。任何傳感器在任何情況下都可能會(huì)匯報(bào)“假陰性”或者“假陽性”的情況。自動(dòng)駕駛汽車的人工智能則需要弄明白哪個(gè)是真的，哪個(gè)是假的。這對(duì)人工智能來說很難做到。
 
人工智能通常會(huì)把所有的傳感器數(shù)據(jù)都列舉出來，判斷是否有哪一個(gè)傳感器出錯(cuò)了。一些人工智能可能會(huì)預(yù)先設(shè)定好，認(rèn)為某些傳感器比其他傳感器更準(zhǔn)確，所以出現(xiàn)沖突的時(shí)候就依賴優(yōu)先級(jí)高的傳感器。其他可能會(huì)啟用投票機(jī)制，比方說有X個(gè)傳感器判斷有東西在那兒，然后又Y個(gè)傳感器顯示沒有東西，若X大于Y的話，那么人工智能就斷定有東西在那。另一種流行的方法是隨機(jī)抽樣一致性算法（RANSAC）。
 
考慮到交通道路的風(fēng)險(xiǎn)問題，相比之下，在一個(gè)不存在的物體前停下來，比汽車撞上一個(gè)沒有偵測(cè)到的物體要的情形要好得多。這就是傳感器融合發(fā)揮作用的時(shí)候。傳感器融合包括收集各種傳感器數(shù)據(jù)，并試圖理解它們。
 
在一些汽車中，例如特斯拉的某些型號(hào)中，雷達(dá)和攝像頭數(shù)據(jù)在輸入至人工智能之前，會(huì)被整合在一起。然后，人工智能接收到的數(shù)據(jù)就是經(jīng)這兩個(gè)單元融合之后的數(shù)據(jù)，而且還會(huì)與其他類型傳感器收集到的數(shù)據(jù)整合在一起，比方說超聲波傳感器。
 
之所以提到這一點(diǎn)，是因?yàn)閷?duì)自動(dòng)駕駛汽車而言，沒有必須將哪幾類傳感器數(shù)據(jù)融合在一起的說法。傳感器數(shù)據(jù)間的融合可以有多種組合。這一點(diǎn)很重要。想象一下，如果你的大腦接收到的不是來自眼睛和耳朵的原始數(shù)據(jù)，而是一些預(yù)預(yù)先處理過的。處于中間過程的傳感器融合將會(huì)產(chǎn)生各種假設(shè)和轉(zhuǎn)變，以至于大腦對(duì)這些假設(shè)和轉(zhuǎn)變形成依賴。
 
自動(dòng)駕駛汽車內(nèi)部有一套允許設(shè)備間進(jìn)行自由數(shù)據(jù)交換的網(wǎng)絡(luò)。汽車工程師協(xié)會(huì)（theSocietyofAutomotiveEngineers）已經(jīng)制定了一套稱為“控制器區(qū)域網(wǎng)絡(luò)”（ControllerAreaNetwork,C.A.N.）的普適標(biāo)準(zhǔn)。該網(wǎng)絡(luò)不需要計(jì)算機(jī)主機(jī)，且允許設(shè)備在網(wǎng)絡(luò)中自由發(fā)送信息。網(wǎng)絡(luò)上的設(shè)備會(huì)一直處于隨時(shí)準(zhǔn)備接收信息的狀態(tài)，也就是說設(shè)備會(huì)一直檢查是否有指向該設(shè)備的信息。這些設(shè)備通常被稱為電子控制單元（ElectronicControlUnits,ECU），被視為該網(wǎng)絡(luò)中的節(jié)點(diǎn)。
 
控制器區(qū)域網(wǎng)絡(luò)類似于TCP-IP協(xié)議，允許在設(shè)備之間進(jìn)行異步通信，并且每個(gè)消息都包含在一個(gè)信封中，除了表示消息的ID，還包括錯(cuò)誤校正代碼和消息本身。
 
傳感器融合通常被稱為多傳感器數(shù)據(jù)融合（Multi-SensorDataFusion,MSDF）。獲取了多個(gè)傳感器的數(shù)據(jù)之后，會(huì)有一個(gè)低層級(jí)的分析，確定哪些傳感器運(yùn)作正常，哪些傳感器可能有問題。MSDF將通過范例或一套方法來判斷哪些傳感器可能出現(xiàn)故障，哪些是正常的。最終，它將發(fā)送原始傳感器數(shù)據(jù)整理成的轉(zhuǎn)換信號(hào)，附帶關(guān)于這些傳感器數(shù)據(jù)的一些結(jié)論，一齊傳送至無人駕駛汽車的大腦人工智能。人工智能系統(tǒng)或者處理系統(tǒng)會(huì)更新環(huán)境模型，并在更高、更抽象的層級(jí)上作出決定如何處理的決定。結(jié)果通常是對(duì)汽車進(jìn)行控制，比如加速、減速、左轉(zhuǎn)、右轉(zhuǎn)等等。
 
視野（Field-of-View,FOV）對(duì)自動(dòng)駕駛汽車了解外部世界而言至關(guān)重要。例如，汽車前安全杠的雷達(dá)裝置通常會(huì)發(fā)出類似風(fēng)扇的雷達(dá)探測(cè)波，但它只能偵測(cè)到汽車前方的物體。如果物體和汽車角度偏移的話，車前雷達(dá)是偵測(cè)不到的。同樣，車前雷達(dá)也無法偵測(cè)到車兩旁或者是車后的物體。人工智能系統(tǒng)需要意識(shí)到，車前雷達(dá)所提供的信息僅僅是關(guān)于車政策前方路況的。也就是說，僅依靠車前雷達(dá)，自動(dòng)駕駛汽車完全看不到車兩旁和車后的車輛。今天的自動(dòng)駕駛汽車上，可以使用激光雷達(dá)來360度模擬周圍的環(huán)境。激光雷達(dá)利用激光脈沖，會(huì)360度不斷旋轉(zhuǎn)。如此一來，激光雷達(dá)便可全方位探測(cè)汽車周圍的物體。
 
當(dāng)激光雷達(dá)和前置雷達(dá)、前置攝像頭以及汽車側(cè)面的超聲波傳感器相結(jié)合時(shí)，可建立并維持一個(gè)更貼近現(xiàn)實(shí)的環(huán)境模型。你可能會(huì)想，為什么不在無人駕駛汽車上裝一堆這樣的傳感器呢？難道不是傳感器越多模型也就越精確？理論上這樣做是可行的，但實(shí)際上這種做法會(huì)導(dǎo)致汽車成本、重量和體積增大。
 
自動(dòng)駕駛汽車制造商都在想方設(shè)法搞清楚用多少傳感器、用哪些傳感器、傳感器如何又該如何搭配，才能滿足自動(dòng)駕駛汽車的需要。傳感器越多，意味著數(shù)據(jù)也越多，但是也伴隨著計(jì)算量增大、硬件成本升高。同理，傳感器越少、數(shù)據(jù)以及運(yùn)算也就越少，成本也就越低。我之前提到過，特斯拉的埃隆馬斯克說他不相信自動(dòng)駕駛汽車需要激光雷達(dá)，所以特斯拉的車都沒有用激光雷達(dá)。他的說法對(duì)不對(duì)呢？目前我們還不知道。時(shí)間會(huì)告訴我們答案。
 
行業(yè)發(fā)展到某一程度后，會(huì)出現(xiàn)這樣一種局面：一些自動(dòng)駕駛汽車是安全的，另一些不安全，或者說一些自動(dòng)駕駛汽車比另一些自動(dòng)駕駛汽車更安全。
 
這就是為什么我一直預(yù)測(cè)未來我自動(dòng)駕駛汽車行業(yè)會(huì)進(jìn)行洗牌。那些不那么安全的傳感器搭配方案會(huì)被淘汰出局。目前我們還不知道什么是正確的組合。從理論上講，自動(dòng)駕駛汽車的公路測(cè)試會(huì)揭露哪種方案是最安全的，但希望結(jié)論不是建立在人命之上。
 
基于傳感器數(shù)據(jù)，通常需要進(jìn)行多目標(biāo)跟蹤（Multi-TargetTracking,MTT）。需要對(duì)原始數(shù)據(jù)進(jìn)行檢查，以確定數(shù)據(jù)特征，并執(zhí)行所謂的特征提齲。
 
借助攝像機(jī)的圖片，傳感器融合技術(shù)發(fā)現(xiàn)一位行人正站在離車幾英尺遠(yuǎn)的地方。如果擔(dān)心行人可能會(huì)走到汽車行駛路徑上的話，人工智能可能會(huì)決定追蹤該行人。隨后，當(dāng)照相機(jī)再次拍攝到行人的照片時(shí)，人工智能便會(huì)將該行人歸類為需要追蹤的“目標(biāo)”物體。如果車馬上就要撞上行人了，人工智能可能會(huì)進(jìn)行緊急制動(dòng)。
 
人工智能系統(tǒng)需要從動(dòng)態(tài)和靜態(tài)兩個(gè)角度來解讀傳感器數(shù)據(jù)。從靜態(tài)的角度來說，傳感器數(shù)據(jù)顯示了汽車周圍的物理空間。比方說車前方有一輛車，右側(cè)有一位行人，左側(cè)有一堵墻。從動(dòng)態(tài)的角度來說，人工智能需要意識(shí)到，隨著時(shí)間的推移，事情會(huì)發(fā)生變化。例如，之前的行人現(xiàn)在已經(jīng)從車的右邊移到了左邊。之前在前方的車已經(jīng)不在前面了，因?yàn)閯偛潘Ｔ诼愤吜?。隨著各種傳感器數(shù)據(jù)流入人工智能系統(tǒng)，它將對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)分析。人工智能系統(tǒng)出了有靜態(tài)模塊外，還需要?jiǎng)討B(tài)模塊。
 
處于A位置的物體正在向B位置移動(dòng)，那么當(dāng)物體到達(dá)位置B時(shí)，自動(dòng)駕駛汽車應(yīng)該如何應(yīng)對(duì)？
 
所以說自動(dòng)駕駛汽車不光要能識(shí)別當(dāng)下環(huán)境，還必須能夠預(yù)測(cè)未來。人類司機(jī)再開車的時(shí)候也是這樣的。假設(shè)我們看到一位滑滑板的少年。他在人行道上快速移動(dòng)。我估計(jì)他會(huì)從路邊跳下來，滑到我車的行駛路徑上。因此，我決定提前轉(zhuǎn)左轉(zhuǎn)彎，避免在他跳到機(jī)動(dòng)車道的時(shí)候我撞上他的情況。如果我乘坐的是一輛自動(dòng)駕駛汽車的話，汽車也會(huì)收集關(guān)于這名少年的各類數(shù)據(jù)，而且在其構(gòu)建的環(huán)境模型里作出同樣的預(yù)測(cè)。
 
對(duì)于那些了解微處理器處理速度的人來說，他們可能會(huì)想，每一秒都會(huì)有大量的傳感器數(shù)據(jù)產(chǎn)生并涌入人工智能系統(tǒng)，那自動(dòng)駕駛汽車是如何做到對(duì)這些數(shù)據(jù)進(jìn)行實(shí)時(shí)分析并及時(shí)作出各種決定的呢？
這確實(shí)需要大量高速處理器同時(shí)運(yùn)轉(zhuǎn)。
 
具體說來，流程應(yīng)該是這樣的。首先有一幅雷達(dá)圖像被捕獲，負(fù)責(zé)雷達(dá)單元的電子控制單元（ECU）花很短的時(shí)間對(duì)捕捉到的圖像進(jìn)行預(yù)處理。然后借助控制區(qū)域網(wǎng)絡(luò)（CAN），把圖像發(fā)送到傳感器融合中心。在區(qū)域網(wǎng)絡(luò)傳輸圖像，以及接受信息都要花時(shí)間。同時(shí)傳感器融合中心也會(huì)接受來自攝像頭、超聲波傳感器和激光雷達(dá)傳感器的數(shù)據(jù)。傳感器融合處理了所有這些數(shù)據(jù)，又需要短暫時(shí)間。最終結(jié)果被傳到人工智能上。人工智能需要對(duì)其進(jìn)行處理，并更新環(huán)境模型。這需要時(shí)間。然后，通過控制區(qū)域網(wǎng)絡(luò)（CAN），人工智能向汽車控制系統(tǒng)發(fā)出指令，這需要時(shí)間來完成。然后，控制系統(tǒng)接收命令，明確它要做什么，繼而采取實(shí)際行動(dòng)。
 
這一切都需要時(shí)間。如果處理器的速度不夠快，導(dǎo)致從傳感器接受數(shù)據(jù)到最終汽車作出反應(yīng)之間的延遲過長的話，可能會(huì)成為一起自動(dòng)駕駛汽車事故，導(dǎo)致有人因此喪命。
 
這不僅與處理器的原始速度有關(guān)，而且也與處理的內(nèi)容有關(guān)。例如，如果人工智能計(jì)算的時(shí)間過長的話，就算最終得到的決定是正確的，也沒有時(shí)間來執(zhí)行。
 
你肯定有過這種經(jīng)歷：坐在一臺(tái)有人類開的車?yán)铮緳C(jī)猶豫要怎么開，然后在路口的地方突然轉(zhuǎn)向。猶豫讓他們陷入了兩難的困境：他們要么是在紅燈之前加速?zèng)_過路口，要么是在路口緊急剎車。不管哪種情況，由于它們的猶豫不決，都提高了自己和周圍人的風(fēng)險(xiǎn)。自動(dòng)駕駛汽車也會(huì)陷入完全一樣的困境之中。
 
下面是一些關(guān)于傳感器和傳感器融合需要考慮的因素：成本、體積、重量、可拓展性、可靠性、制冷、安裝、空間、故障自檢、報(bào)告、容錯(cuò)性、靈活性、冗余性、反戲弄。
 
傳感器融合是自動(dòng)駕駛汽車發(fā)展中的一個(gè)重要方面。對(duì)于在做的軟件工程師或計(jì)算機(jī)科學(xué)家的讀者來說，你們有很多機(jī)會(huì)來提出新思路和創(chuàng)新方式來改進(jìn)傳感器融合。
 
自動(dòng)駕駛汽車制造商知道，良好的傳感器融合對(duì)一款正常運(yùn)轉(zhuǎn)的自動(dòng)駕駛汽車至關(guān)重要。大多數(shù)消費(fèi)者不知道傳感器融合正在進(jìn)行，也不知道它是如何進(jìn)行的。他們只想知道，自動(dòng)駕駛汽車有多神奇，能不能安全地把他們從Y點(diǎn)帶到Z點(diǎn)。傳感器融合得越好，用戶們就越難以察覺其存在，我們的自動(dòng)駕駛汽車也會(huì)越安全。 

責(zé)任編輯：黃焱林