世界快訊:那些被自動(dòng)駕駛所關(guān)注的ODD邊界怎么測(cè)？

由于現(xiàn)在的自動(dòng)駕駛技術(shù)還處于發(fā)展階段，無(wú)法保證自動(dòng)駕駛車在任何天氣條件下和任何道路環(huán)境中都可以安全行駛的。因此，要根據(jù)該系統(tǒng)的能力來(lái)提前設(shè)定好ODD，通過(guò)限制行駛環(huán)境和行駛方法，將有可能發(fā)生的事故防范于未然。然而，對(duì)于這類運(yùn)行環(huán)境邊界條件而言，通常會(huì)需要考慮如何進(jìn)行有效的檢測(cè)呢？也就是說(shuō)，提出的ODD對(duì)于自動(dòng)駕駛開發(fā)而言必須是可測(cè)的。

(資料圖片僅供參考)

考慮一些ODD所涉及的天氣如風(fēng)、雨、雪、雨夾雪、高低溫度會(huì)極大的影響整個(gè)系統(tǒng)的控制能力。比如車子正常行駛在高速公路上，小雨或小雪能使平均速度降低3%至13%；暴雨會(huì)使平均速度降低3%到16%；在大雪中，高速公路的平均速度會(huì)下降5%到40%；小雨時(shí)自由流速可降低2% ~ 13%；大雨時(shí)可降低6% ~ 17%；降雪將使自由流速度降低5%至64%；可以說(shuō)在降雨期間，整個(gè)車輛駕駛速度變化差不多會(huì)減少25%。

目前知道的，L2級(jí)自動(dòng)駕駛在雨雪條件下的性能幾乎不能滿足預(yù)期，比如車道保持功能在公路雪地打滑時(shí)汽車會(huì)轉(zhuǎn)向過(guò)度。特斯拉的Autopilot可以在正常的雨雪中導(dǎo)航，路標(biāo)清晰可見，但在某些棘手的情況下，如暴雨或車道線出現(xiàn)遮蓋時(shí)候仍然難以駕駛。顯然，惡劣的天氣條件限制了人類駕駛方向盤，AVs仍然不能完全相信它能獨(dú)自工作。

因此，為了讓ADS繼續(xù)向前推進(jìn)到下一個(gè)時(shí)代，自動(dòng)駕駛汽車需要更多的時(shí)間來(lái)適應(yīng)各種天氣。

如圖所示是惡劣天氣下自動(dòng)駕駛系統(tǒng)的信息流圖：

如上圖所示，作為車輛傳感器的信息源，環(huán)境狀態(tài)直接受到天氣條件的影響。這些變化增加了整個(gè)ADS系統(tǒng)用受損數(shù)據(jù)完成目標(biāo)檢測(cè)、跟蹤和定位任務(wù)的難度，因此規(guī)劃和控制也將不同于正常情況。天氣也可能影響自車本身，并產(chǎn)生附加影響，如風(fēng)和路面狀況。自車識(shí)別結(jié)果反饋整車后形成的車輛控制狀態(tài)（如雨刮是否啟動(dòng)，除霧裝置是否打開等信息）都是可以作為環(huán)境信息判斷的先驗(yàn)信息的，這也會(huì)間接影響對(duì)環(huán)境狀態(tài)的判斷，由此可以形成一個(gè)檢測(cè)循環(huán)。

其實(shí)，無(wú)論從自動(dòng)駕駛角度還是從手動(dòng)駕駛角度上講，對(duì)于環(huán)境的有效檢測(cè)都將顯得尤為必要。比如如下的環(huán)境條件而言，我們是否可以通過(guò)一定的手段進(jìn)行更加精確的檢測(cè)呢？

風(fēng)力大?。簭臋M向車控角度分析，考慮風(fēng)阻對(duì)整個(gè)車身控制的影響。

光照條件：考慮炫目和夜晚可視效果的影響

雨量大?。夯谝曈X的雨量傳感測(cè)試

路面坑洼：基于多目時(shí)覺得路面條件檢測(cè)。

橫縱坡道檢測(cè)：基于底盤ESP和TCU的坡道數(shù)據(jù)

涉水路面檢測(cè)：基于超聲波數(shù)據(jù)

那么這類雨雪天氣將如何測(cè)量則是我們需要研究的一個(gè)課題。常規(guī)的方法是通過(guò)類似雨量傳感器這樣的裝置進(jìn)行測(cè)量，但是這類裝置在很多車型上也不是標(biāo)配。如果考慮智駕系統(tǒng)而言，則可能出現(xiàn)無(wú)法滿足測(cè)量需求的情況。

本系列文章將針對(duì)性講解整個(gè)智駕系統(tǒng)如何利用自身傳感器對(duì)環(huán)境信息進(jìn)行初級(jí)有效探測(cè)。無(wú)論從智駕本身角度出發(fā)的識(shí)別和控制，還是從傳統(tǒng)駕駛過(guò)程對(duì)這種探測(cè)能力都顯得尤為必要。

基于視覺的降雨量預(yù)測(cè)

對(duì)于自動(dòng)駕駛系統(tǒng)而言，通常會(huì)通過(guò)判定降雨/降雪量來(lái)判定對(duì)整個(gè)系統(tǒng)是否可激活的前置條件。通常情況下，目前的檢測(cè)手段要么是通過(guò)雨刮刮速大小，要么是通過(guò)雨量傳感器一類來(lái)進(jìn)行綜合判斷是否觸及ODD邊界。那么，從自車平臺(tái)化和可應(yīng)用場(chǎng)景的角度出發(fā)，是否能夠利用自車傳感器開發(fā)一種可自適應(yīng)測(cè)量環(huán)境條件的軟件模塊呢？答案是肯定的。

本文提出一種基于視覺場(chǎng)景的降雨量預(yù)測(cè)算法。其主要是通過(guò)自車原有的攝像頭采集雨量光線，從而計(jì)算雨量大小，轉(zhuǎn)化成雨刮器可識(shí)別的指令信號(hào)發(fā)送給車身控制器，車身控制器通過(guò)雨刮信號(hào)指令自動(dòng)控制雨刮進(jìn)行低速、高速、間歇性動(dòng)作。同時(shí)，系統(tǒng)可以控制儀表顯示雨刮控制系統(tǒng)的相關(guān)零部件故障、以提醒用戶及時(shí)維修和更換等。

用軟件算法代替增加新的硬件（定制的雨刮傳感器或其他硬件設(shè)備）實(shí)現(xiàn)對(duì)雨刮的控制功能，不但可以減少成本，軟件也可以通過(guò)不斷更新、迭代、升級(jí)來(lái)達(dá)到最優(yōu)的用戶體驗(yàn)。此外，如果考慮通過(guò)利用智駕域的傳感器探測(cè)的算法來(lái)實(shí)現(xiàn)整個(gè)車身的控制（比如探測(cè)到雨量過(guò)大，則通過(guò)算法計(jì)算出雨量大小，自動(dòng)控制車輛雨刮采用一定的速度刮刷玻璃，一方面可以為整個(gè)傳感器探測(cè)開辟更好的探索通道，另一方面也可以提升用戶駕駛的智能化體驗(yàn)）。

相應(yīng)的實(shí)現(xiàn)原理如下：

總體來(lái)說(shuō)，需要通過(guò)兩階段算法來(lái)實(shí)現(xiàn)，實(shí)現(xiàn)基于視覺的場(chǎng)景降雨量的智能分類，其類別包括：晴天、小雨、中雨、大雨、暴雨五種。其方法是利用智能駕駛汽車上搭載的攝像頭拍攝的視頻數(shù)據(jù)作為輸入，記錄不同位置、不同時(shí)域的降雨數(shù)據(jù)。將視頻數(shù)據(jù)輸入“降雨量識(shí)別大小的分類算法模塊”中。該算法模塊涉及對(duì)環(huán)境的目標(biāo)提取、分割、聚類、識(shí)別等子模塊。歸類起來(lái)，常用的算法包括基于超像素（Super-Pixel）鄰域?qū)R的雨水分割算法（得到逐幀雨水圖分割結(jié)果）和基于ResNet的雨量分類算法（帶有殘差學(xué)習(xí)的ResNet）的兩個(gè)階段。

基于超像素鄰域?qū)R的降雨/降雪檢測(cè)算法

由于視頻中對(duì)雨水的分割是不存在分割前景和背景區(qū)域的，如果按照逐像素進(jìn)行識(shí)別處理，對(duì)于整個(gè)算法而言將顯得比較臃腫。我們對(duì)雨水大小的識(shí)別需要從以下幾個(gè)方面入手：

選定的算法通過(guò)測(cè)量降雨量視頻中不同時(shí)域間像素值的區(qū)域強(qiáng)度變化，進(jìn)而得到每一幀圖像的雨水分割結(jié)果，通過(guò)迭代優(yōu)化訓(xùn)練，不斷提高其識(shí)別精度，進(jìn)而達(dá)到預(yù)期的識(shí)別結(jié)果。

相應(yīng)的示意圖如下：

1）通過(guò)智能汽車采集的一組降雨視頻，截取固定幀數(shù)作為視頻輸入算法模塊。

2）幀內(nèi)超像素塊識(shí)別：

常用的算法包括利用SLIC算法（simple linear iterative cluster）生成每一幀圖像的超像素（superpixel）塊。相比其他的超像素分割方法，SLIC在運(yùn)行速度、生成超像素的緊湊度、輪廓保持方面都比較理想。具體過(guò)程包括：

利用像素之間特征相似性（如相似紋理、顏色亮度等特征）將像素分組，通過(guò)簡(jiǎn)單的線性迭代聚類，將彩色圖像轉(zhuǎn)化為CIELAB顏色空間和XY坐標(biāo)下的5維特征向量，然后對(duì)5維特征向量構(gòu)造距離度量標(biāo)準(zhǔn)，對(duì)圖像像素進(jìn)行局部聚類。最終能生成緊湊、近似均勻的超像素，在運(yùn)算速度、物體輪廓保持、超像素形狀方面具有較高的性能。最終，用少量的超像素代替大量的像素來(lái)表達(dá)圖片特征。

3）幀間超像素塊劃分：

選定中間幀為關(guān)鍵幀I0，并作為參考位置幀，與其前后各兩幀的超像素塊圖構(gòu)成一組劃分區(qū)域。

4）構(gòu)造損失函數(shù)：

通過(guò)逐像素遍歷的方式可以構(gòu)造Loss損失函數(shù)，從而衡量每個(gè)I0超像素塊與其前后兩幀對(duì)應(yīng)位置鄰域塊的差異大小。并將其差異最小的鄰域塊作為候選對(duì)齊區(qū)域，最終確定I0中每個(gè)像素塊的4個(gè)候選超像素塊區(qū)域。

5）雨水識(shí)別：

由于雨水部分可以增加像素的強(qiáng)度值，因此可以將含有I0的超像素塊與候選區(qū)域的部分進(jìn)行像素差異比較。若I0超像素塊中的像素與每個(gè)候選區(qū)域所對(duì)應(yīng)像素差異均大于所設(shè)定的雨水像素的閾值時(shí)，那么就認(rèn)為該像素為雨像素。

6）幀內(nèi)迭代優(yōu)化：

迭代I0中每一個(gè)超像素塊，可以得到關(guān)鍵幀I0的雨水二分割圖。

7）幀間迭代優(yōu)化：

迭代降雨量視頻中的每一幀，得到全部幀的雨水分割結(jié)果。

基于深度學(xué)習(xí)的降雨/降雪量測(cè)量算法

如前所述，對(duì)雨/雪這類目標(biāo)分割完成后，需要重新利用一定有效的算法對(duì)降雨/降雪的大小進(jìn)行預(yù)分類識(shí)別。同時(shí)，從時(shí)域的角度上將降雨和降雪在未來(lái)一定時(shí)間內(nèi)可能產(chǎn)生的情況和趨勢(shì)進(jìn)行有效預(yù)測(cè)，以便在形勢(shì)策略上可以提前做出一定的判斷和控制。

如上述算法所表述的部分，我們可以通過(guò)首先聚類超像素鄰域?qū)R的方式得到雨量場(chǎng)景分割結(jié)果，將該結(jié)果作為數(shù)據(jù)輸入到深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中從而獲得準(zhǔn)確的雨量分類結(jié)果。常用的卷積神經(jīng)網(wǎng)絡(luò)模型涉及ResNet，因?yàn)槠湟肓松疃葰埐顚W(xué)習(xí)算法，可以有效的解決網(wǎng)絡(luò)退化的問(wèn)題。在包括圖像網(wǎng)絡(luò)ImageNet的多個(gè)大型分類數(shù)據(jù)集上可以很好的實(shí)現(xiàn)優(yōu)異的分類精度。

在對(duì)降雨/降雪這類場(chǎng)景的測(cè)量可以利用ResNet網(wǎng)絡(luò)結(jié)構(gòu)通過(guò)不同的分層ResNet18、ResNet34、ResNet50、ResNet101以及ResNet152來(lái)實(shí)現(xiàn)分層訓(xùn)練。各種網(wǎng)絡(luò)的深度指的是“需要通過(guò)訓(xùn)練更新參數(shù)”的層數(shù)，如卷積層，全連接層等。同時(shí)，為了滿足輕量化要求，通?？梢赃x擇ResNet18作為分層標(biāo)準(zhǔn)進(jìn)行訓(xùn)練。其中包含17個(gè)卷積和一個(gè)全連接層進(jìn)行權(quán)重學(xué)習(xí)，隨后通過(guò)兩個(gè)池化層處理。

根據(jù)超像素臨域?qū)R的雨量分割算法可以從場(chǎng)景視頻中獲得場(chǎng)景視頻的雨/雪分割結(jié)果作為輸入數(shù)據(jù)。選擇深度學(xué)習(xí)方法，獲取準(zhǔn)確地雨量/雪量分割結(jié)果。

基于深度學(xué)習(xí)的降雨量預(yù)測(cè)算法

本文這里提到的關(guān)于實(shí)現(xiàn)雨量檢測(cè)和預(yù)測(cè)的算法包含兩個(gè)階段，考慮對(duì)于智駕系統(tǒng)控制過(guò)程的高速推理和模型輕量化特點(diǎn)，采用超像素的雨/雪分割加上利用經(jīng)典的神經(jīng)網(wǎng)絡(luò)算法ResNet進(jìn)行雨量預(yù)測(cè)。在ResNet提出之前，所有的神經(jīng)網(wǎng)絡(luò)都是通過(guò)卷積層和池化層的疊加組成的。卷積層和池化層的層數(shù)越多，獲取到的圖片特征信息越全，學(xué)習(xí)效果也就越好。

CNN參數(shù)個(gè)數(shù) = 卷積核尺寸×卷積核深度 × 卷積核組數(shù) = 卷積核尺寸 × 輸入特征矩陣深度 × 輸出特征矩陣深度

常規(guī)的神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)加深，其相應(yīng)的準(zhǔn)確率隨之下降。使用ResNet神經(jīng)網(wǎng)絡(luò)人為地讓神經(jīng)網(wǎng)絡(luò)某些層跳過(guò)下一層神經(jīng)元的連接，隔層相連，弱化每層之間的強(qiáng)聯(lián)系，可以更加精準(zhǔn)的預(yù)測(cè)到環(huán)境雨量分割和預(yù)測(cè)。

將本算法打搭載到各種車載設(shè)備上，通過(guò)對(duì)深度網(wǎng)絡(luò)進(jìn)行身份映射（identity mapping，IM）和殘差映射（residual mapping，RM）優(yōu)化網(wǎng)絡(luò)，隨著不斷地迭代，其殘差映射將逐漸趨于0，最終只剩下身份映射。由此，可以更加實(shí)時(shí)且精準(zhǔn)的預(yù)測(cè)環(huán)境降雨/降雪量。

考慮本算法的ResNet的整個(gè)算法邏輯如下：

1）視頻采集：

通過(guò)智駕車輛前視、側(cè)視攝像頭采集場(chǎng)景視頻作為原始視頻輸入。該視頻幀需要在攝像頭前端進(jìn)行包含ISP相關(guān)的圖像處理；

2）視頻幀抽取：

考慮到算法處理能力對(duì)整個(gè)處理器可能產(chǎn)生較大的負(fù)擔(dān)，因此，同需要對(duì)視頻幀按照每隔一定時(shí)間抽取固定幀數(shù)的視頻，采用“超像素鄰域?qū)R雨量分割算法”進(jìn)行雨量分割，并得到相應(yīng)的雨水分割結(jié)果；

3）感興趣區(qū)域選擇：

對(duì)于環(huán)境降雨量這類過(guò)程處理，因?yàn)楦信d趣的部分是雨水，且分布沒(méi)有特定的規(guī)律。因此，可以固定的選取每一幀的中間區(qū)域作為該視頻幀中感興趣區(qū)域（ROI，Region of Interest）；

4）視頻張量輸入ResNet模型

對(duì)于ResNet網(wǎng)絡(luò)就是要構(gòu)造觀測(cè)值與估計(jì)值之間的差，也可以用殘差映射函數(shù)，也就是F(x)，其中F(x) = H(x)-x。這里H(x)就是觀測(cè)值，x就是估計(jì)值（也就是上一層ResNet輸出的特征映射）。

residual結(jié)構(gòu)使用了一種shortcut的連接方式，也可理解為捷徑。讓特征矩陣隔層相加，注意F(X)和X形狀要相同，所謂相加是特征矩陣相同位置上的數(shù)字進(jìn)行相加。

將其按照通道進(jìn)行拼接，合并為固定通道的張量，并輸入到ResNet模型，預(yù)測(cè)不同降雨量的概率值；

5）根據(jù)概率值在分類區(qū)間的位置，確定最終的降雨量預(yù)測(cè)結(jié)果

實(shí)驗(yàn)證明，ResNet殘差網(wǎng)絡(luò)更容易優(yōu)化，并且加深的網(wǎng)絡(luò)層數(shù)有助于提高正確率。所以在加深網(wǎng)絡(luò)深度的同時(shí)，需要使用殘差學(xué)習(xí)的結(jié)構(gòu)來(lái)減輕深層網(wǎng)絡(luò)訓(xùn)練的難度。過(guò)程中，需要重新構(gòu)建優(yōu)化的網(wǎng)絡(luò)以便學(xué)習(xí)到包含已經(jīng)推理過(guò)的殘差函數(shù)，而不是學(xué)習(xí)未經(jīng)過(guò)推理過(guò)的函數(shù)。

總結(jié)

本文從一些環(huán)境設(shè)置條件出發(fā)考慮如何通過(guò)最大化的利用自車配置的軟硬件單元模塊進(jìn)行有效的ODD設(shè)置和檢測(cè)，詳細(xì)講述如何利用攝像頭傳感器對(duì)環(huán)境降雨/降雪量進(jìn)行有效檢測(cè)的算法邏輯。

同時(shí)，本文就自動(dòng)駕駛系統(tǒng)設(shè)置的ODD邊界中的其中一個(gè)要素檢測(cè)考慮通過(guò)智駕系統(tǒng)自身搭載的傳感器進(jìn)行實(shí)時(shí)檢測(cè)從而獲取一定的控制輸入源。對(duì)于諸如雨量、雪量的檢測(cè)結(jié)果不僅可以完全用于自動(dòng)駕駛系統(tǒng)自身的邊界條件控制，也可以作為在車輛未開啟自動(dòng)駕駛時(shí)自動(dòng)檢測(cè)雨量、雪量等環(huán)境條件，自適應(yīng)的控制車輛進(jìn)行雨刮開啟、增加刮速，如果有類似自動(dòng)除霜等功能，也可以控制自動(dòng)開啟自動(dòng)除霜、除霧等功能。

關(guān)鍵詞： 那些被自動(dòng)駕駛所關(guān)注的ODD邊界怎么測(cè) 自動(dòng)駕駛 智能汽車