單目視覺ADAS在硬件和算法上有哪些技術(shù)原理及難點(diǎn)？

　　一、ADAS的實(shí)現(xiàn)途徑

　　伴隨著這幾年自動(dòng)駕駛概念的火熱，ADAS越來越受大家關(guān)注，輔助駕駛作為自動(dòng)駕駛的早期階段，在整個(gè)流程里扮演著感和知的角色。

　　第一步是通過各種傳感器來采集車身已經(jīng)周邊環(huán)境信息，包括但不限于GPS、車身傳感器、攝像頭及雷達(dá)等。目前汽車智能都離不開這幾種傳感器的融合運(yùn)用，為車輛來建立周邊的立體信息。

　　第二步則是根據(jù)采集到的信息來進(jìn)行道路、車輛、行人和路標(biāo)的識(shí)別。對(duì)各種工況下道路參與者的狀態(tài)提取，給決策者提供決策信息。如果決策者為駕駛員，那么是輔助信息；如果決策者為制動(dòng)部件，那么就上升到AEB或者LC等Level 2以上的駕駛輔助階段。

　　各類傳感器的機(jī)制從底層邏輯來說是比較類似的，都是光學(xué)或者模擬信號(hào)的數(shù)字化，采用算法來還原傳感量的變化。而攝像頭技術(shù)是目前ADAS領(lǐng)域最快速發(fā)展的傳感器技術(shù)。

　　SA（Strategy analytics）分析指出：如果車輛前方只有一個(gè)傳感器，那么最大可能是攝像頭；如果車輛前方有多個(gè)攝像頭，那么確定的是會(huì)有一個(gè)攝像頭在其中。

　　二、視覺ADAS的基本原理

　　我們以目前基于攝像頭的單目視覺為例來說明其基本原理。

　　整個(gè)流程包括樣本的采集及標(biāo)記，同時(shí)對(duì)標(biāo)記的樣本進(jìn)行大范圍訓(xùn)練來提取特征和模型，將模型作為實(shí)際圖像數(shù)據(jù)進(jìn)行分類識(shí)別。

　　另外一個(gè)維度，我們需要保證圖像源的質(zhì)量，通過寬動(dòng)態(tài)、強(qiáng)光抑制、降噪等技術(shù)來保證輸入數(shù)據(jù)源的干凈，將真實(shí)環(huán)境清晰的數(shù)據(jù)進(jìn)行邊緣化和紋理化送入分類器進(jìn)行識(shí)別。

　　同時(shí)，在這個(gè)環(huán)節(jié)我們要非常注重模型數(shù)據(jù)和圖像源數(shù)據(jù)的一致性，即樣本標(biāo)記的數(shù)據(jù)和實(shí)際圖像源要來自相同的鏡頭、圖像Sensor和相同的ISP技術(shù)，來保證訓(xùn)練和實(shí)際的高匹配。

　　這部分是目前在實(shí)驗(yàn)室做數(shù)據(jù)時(shí)很難實(shí)現(xiàn)的，很多可能采用的是公開的樣本庫來訓(xùn)練，而公開樣本庫所采用的攝像頭、鏡頭角度等并不是我們實(shí)際中使用的。

　　三、視覺ADAS的難點(diǎn)

　　在產(chǎn)品開發(fā)中，難點(diǎn)在各個(gè)環(huán)節(jié)都有覆蓋。

　　首先是算法本身的檢測(cè)率，這是需要不斷提升的環(huán)節(jié)。需要在魯棒性和敏感性之間作平衡，來保證產(chǎn)品的良好體驗(yàn)。

　　同時(shí)從產(chǎn)品工程化的角度講，很多時(shí)候并不能用檢測(cè)率最高的算法，必須優(yōu)化算法速度，因?yàn)槲覀儧]法將一顆i7芯片或者服務(wù)器搬到汽車上去；其次是正負(fù)樣本的積累，考慮到源同步的問題，樣本積累必須來自實(shí)測(cè)，同時(shí)保證大量。

　　第三個(gè)方面，既然做的是產(chǎn)品，那么硬件處理器和攝像頭的選擇必須考慮性價(jià)比、可量產(chǎn)性等。

　　第四，安裝方面要盡可能的簡(jiǎn)化用戶的安裝步驟，降低安裝難度，那么需要在算法設(shè)計(jì)的時(shí)候充分將內(nèi)外參的兼容性考慮進(jìn)去，并在不同車型的測(cè)試中驗(yàn)證，這部分是采用技術(shù)提升體驗(yàn)的關(guān)鍵。

　　最后是天氣適應(yīng)性，每種傳感器都有自己的長(zhǎng)處，但是也都有自身的短板，比如雷達(dá)對(duì)靜態(tài)物體、激光雷達(dá)對(duì)天氣，攝像頭也會(huì)受制于天氣和光照影響，在這些條件下，提升攝像頭前端技術(shù)變得尤為重要（Mobileye也不僅僅是一個(gè)算法公司）。

　　當(dāng)前階段在嵌入式端工作的算法，普遍基于機(jī)器學(xué)習(xí)，其優(yōu)點(diǎn)是工程化、量產(chǎn)化更有可行性。

　　任何人工智能算法的落地都必須具備可工程化。一方面是視覺前端的提升帶來了運(yùn)算量的降低；另一方面科研人員的探索可以給技術(shù)實(shí)現(xiàn)提供更豐富的組合可能。

　　同時(shí)摩爾定律的繼續(xù)深化帶來芯片可以實(shí)時(shí)的完成更多復(fù)雜的算法，特別是嵌入式芯片可以運(yùn)行以前高配置電腦甚至服務(wù)器才能完成的功能。

　　當(dāng)然硬幣的另一面，依然有需要用更好的方法來解決的地方，包括有遮擋的目標(biāo)物、檢測(cè)率的繼續(xù)提升等等。這些都有待攝像頭前端技術(shù)的繼續(xù)提升和深度學(xué)習(xí)算法的嵌入式應(yīng)用來解決。

　　四、視覺ADAS的功能

　　接下來我們通過兩個(gè)簡(jiǎn)單的例子來介紹車輛識(shí)別、車道線識(shí)別、交通標(biāo)志牌識(shí)別等功能。

　　對(duì)車輛識(shí)別和車道線識(shí)別只是前方碰撞預(yù)警和車道偏離預(yù)警的第一步，我們還需要綜合速度、車輛自身行駛區(qū)域、前方車輛狀態(tài)等信息來進(jìn)行分析，參照ISO標(biāo)準(zhǔn)來進(jìn)行報(bào)警信息的輸出。

　　1、車輛識(shí)別及跟蹤：

　　2、車道線識(shí)別：

　　3、交通標(biāo)志識(shí)別：

　　基于前面基本功能和背景的分析，我們從以下幾個(gè)方面來探討ADAS技術(shù)的深化之路，它需要的是面向AEB（自動(dòng)制動(dòng)）、LC（車道中心保持）等。

　　五、視覺ADAS的硬件

　　視覺ADAS系統(tǒng)其實(shí)是一套嚴(yán)謹(jǐn)?shù)?a href="http://ttokpm.com/v/tag/4854/" target="_blank">光學(xué)系統(tǒng)或者相機(jī)。

　　但是它比普通相機(jī)運(yùn)行的環(huán)境更加苛刻，包括振動(dòng)、顛簸、高溫等因素，我們從每一個(gè)環(huán)節(jié)來保證這套系統(tǒng)的一致性和可靠性，特別是圖像源環(huán)節(jié)，比如說鏡頭標(biāo)定、焦距控制、畸變系數(shù)的補(bǔ)償，這些都構(gòu)成產(chǎn)品可量產(chǎn)性的重要因素。

　　視覺ADAS系統(tǒng)的內(nèi)參可靠性同時(shí)要結(jié)合外部參數(shù)的差異性。比如說車輛在平路和坡道時(shí)的視覺和測(cè)距完全不一樣，我們通過對(duì)自身鏡頭的參數(shù)和外部目標(biāo)的視角進(jìn)行距離矯正，最終達(dá)到1個(gè)像素以內(nèi)的誤差。

　　精準(zhǔn)的距離測(cè)試是前車碰撞預(yù)警乃至AEB的基礎(chǔ)。

　　目前，基于單目視覺的測(cè)距方法集中于兩類：

　　其一，就是通過光學(xué)幾何模型（即小孔成像模型）建立測(cè)試對(duì)象世界坐標(biāo)與圖像像素坐標(biāo)間的幾何關(guān)系，結(jié)合攝像頭內(nèi)、外參的標(biāo)定結(jié)果，便可以得到與前方車輛或障礙物間的距離；

　　其二，就是在通過采集的圖像樣本，直接回歸得到圖像像素坐標(biāo)與車距間的函數(shù)關(guān)系，這種方法缺少必要的理論支撐，是純粹的數(shù)據(jù)擬合方法，因此受限于擬合參數(shù)的提取精度，魯棒性相對(duì)較差。

　　正因如此，我們采用了光學(xué)幾何模型進(jìn)行車距的計(jì)算。前面已經(jīng)說過了，我們采用了嚴(yán)格的攝像頭標(biāo)定方法可以獲得精準(zhǔn)的內(nèi)參和外參。

　　除此之外，影響測(cè)距精度的另一重要因素就是車輛邊緣檢測(cè)的精度。我們采用了精確的邊緣檢測(cè)和多幀綜合檢測(cè)的算法，可以在不同的光線環(huán)境下得到相對(duì)精準(zhǔn)的用于車距檢測(cè)的車輛坐標(biāo)信息。

　　盡管如此，由于道路平面的多變特性，動(dòng)態(tài)的距離測(cè)試必須考慮外參的動(dòng)態(tài)改變量及圖像處理時(shí)的隨機(jī)誤差。圖像上幾個(gè)像素的跳變，就可能引起遠(yuǎn)距離車距測(cè)量的較大誤差。

　　因此，我們?cè)谡`差來源分析的基礎(chǔ)上，力圖通過誤差修正方法及算法優(yōu)化方法，從多個(gè)層面降低測(cè)距誤差：

　　道路環(huán)境的精準(zhǔn)重構(gòu)：

　　同時(shí)可以保證我們對(duì)周邊其他參照系的精確重構(gòu)。在這個(gè)模型圖像里，我可以看到對(duì)道路環(huán)境進(jìn)行了位置重構(gòu)，對(duì)車道線距離、車輛距離、車道線角度以及車高等信息完成了提取，特別是車道線的距離檢測(cè)可以達(dá)到厘米級(jí)的誤差。

　　六、視覺ADAS的算法

　　剛才講到的是前端攝像頭，接下來是算法端的核心。我們需要的是對(duì)樣本進(jìn)行大量的訓(xùn)練。我們?cè)跇颖镜挠?xùn)練方式上采用了一些創(chuàng)新，包括UGC（User Generated Content）、圖像源同步、自動(dòng)提取和人工校驗(yàn)相結(jié)合等。

　　算法的載體是硬件，硬件的選擇需要從運(yùn)算速度、功耗散熱和成本三個(gè)方面來平衡。

　　攝像頭、算法及硬件最終需要通過安裝來保證設(shè)計(jì)者的意志得到體現(xiàn)，糟糕的安裝會(huì)導(dǎo)致前面的工作功虧一簣。在有安裝條件的情況下，我們通過專業(yè)安裝人員進(jìn)行標(biāo)定板的安裝；同時(shí)我們有大量的DIY用戶，那么便可以通過精簡(jiǎn)的內(nèi)外參和行駛數(shù)據(jù)總結(jié)來給用戶提供個(gè)性化的報(bào)警機(jī)制。

　　我們目前近千臺(tái)的激活用戶經(jīng)過上百萬公里的行駛里程積累，產(chǎn)生了一些比較喜人的數(shù)據(jù)。

　　根據(jù)我們的駕駛行為評(píng)分系統(tǒng)，某個(gè)用戶在為我們貢獻(xiàn)了2950公里里程的實(shí)際數(shù)據(jù)的同時(shí)，他的駕駛得分得到了穩(wěn)步的提高，充分體現(xiàn)了ADAS系統(tǒng)對(duì)用戶的駕駛規(guī)范性提升價(jià)值。

　　最后，針對(duì)視覺ADAS的發(fā)展趨勢(shì)，程建偉認(rèn)為將包含以下方面：