自动驾驶汽车(AV)的发展继续吸引着交通和其他工业领域的大量投资。这些赌注是必要的，因为许多棘手的技术问题仍远未解决。
在我看来，这里有三个关键问题：
为了回答这些问题，我们用三个图表总结了一份报告，旨在为新手和专家提供一些视角。
自动驾驶汽车的根本问题是在针对SAE Level 4功能开发安全、可靠的自动驾驶汽车时涉及巨大的复杂性。图1总结了这些困难。
图1：自动驾驶汽车问题范围。
如图1所示，自动驾驶汽车问题在红色块中分为三组。潜在的解决方案列在12个黑框中——每个问题由四个框组成。请注意，有三个框中的蓝色文字相同，因为这三种类别的问题都需要用软件平台、人工智能（AI）软件——包括机器学习和神经网络——来解决。
首先，在大多数情况下，需要以厘米级的精度了解自动驾驶汽车的确切位置。下一步是对所有道路使用者和物体进行分类，包括他们正在做什么（如果有的话），并预测他们在接下来的几秒钟内可能会做什么。
这些问题的解决方案包括大量传感器、强大的计算能力以及管理多个复杂系统所需的平台和人工智能（AI）软件。例如，一辆典型的无人驾驶出租车需要30多个传感器，包括摄像头、雷达和激光雷达。例如，Zoox最近发布的无人驾驶出租车公告列出了64个传感器：28个摄像头、20个雷达和16个激光雷达。
处理传感器数据还需要基于人工智能的视觉软件。大多数的自动驾驶汽车都需要高清地图才能精准定位。
所有软件和硬件系统都需要大范围的网络安全保护。软件还必须使用内置的空中下载(OTA)软件的更新功能来定期更新。
第二个问题是确保自动驾驶汽车硬件和软件的可靠性，没有单点故障。如果发生故障，则需要所谓的“跛行模式”功能，至少可以将车辆引导到路边。
随着自动驾驶汽车法规的引入，必须将安全和操作规则作为系统和可靠性设计的一部分。
还需要在系统设计中加入硬件冗余。至少有三个自动驾驶汽车系统需要冗余：驾驶控制（转向、制动、速度）、视觉传感器功能（三种类型）和计算。
系统架构必须使用能够简化软件平台合作的技术，从而实现强大的网络安全和空中下载（OTA）更新。
这些系统仍然相当昂贵，并且需要显著降低成本。幸运的是，基于芯片的技术可以节省大量成本，尤其是对于最昂贵的组成部分：激光雷达。
对自动驾驶汽车各组成部分进行仿真至关重要，包括软件和硬件以及所有类型的测试和建模。
需要使用自动驾驶汽车事件数据记录器来深入了解碰撞情况以及可以采取哪些措施来提高安全性。远程操作也正在成为自动驾驶汽车监管的标准，并且在解决边缘案例时成为跛行模式性能的关键。
第三个问题是开发一个超越人类驾驶员的软件驾驶员。到底好多少还在争论中。很明显，自动驾驶汽车的开发人员必须继续测试和改进他们的系统。开发时间将取决于用例。
边缘案例测试被广泛使用，基本上意味着发现了新的驾驶状况，软件驾驶员以前没有见过而且可能也不知道如何处理。将新的边缘案例添加到软件驾驶员的功能上，可能被认为有着最高的优先级。
另一个难题的确认是自动驾驶汽车软件驾驶员可以胜过人类驾驶员。目前尚不清楚自动驾驶汽车法规和未来的自动驾驶汽车型式认证将如何处理这一重要问题。
解决方案主要涉及测试，分析大量测试数据以甄别出软件驾驶员的弱点，然后进行更多测试。幸运的是，大部分的测试可以仿真而且速度比道路测试高得多——在仿真模式下每天的英里数要比道路测试高出100多倍。这些仿真侧重于边缘案例和类似情况。
测试必须包括不同的天气和照明条件。大多数之前的自动驾驶汽车测试都是在理想的天气条件下完成的。因此，需要更大的真实世界仿真。
以上描述的复杂性将根据自动驾驶汽车用例产生很大差异。自动驾驶汽车的复杂性主要由驾驶时的复杂性所决定。图2概述了自动驾驶汽车用例的复杂性，重点关注SAE L4部署。这些场景的多种变化不包括在内。
图2：自动驾驶汽车用例的复杂性。
图2显示了各种自动驾驶汽车用例在二维空间内的适应情况，自动驾驶汽车的复杂度随y轴增加，驾驶的复杂度则随x轴增加。驾驶的复杂度包括路线障碍、驾驶速度、交通密度、道路使用者的种类（汽车、自行车、行人等）以及天气状况。还列出了死亡风险，这主要由速度决定。一些自动驾驶汽车用例的死亡风险率非常低。
低自动驾驶汽车复杂性是指简单的路线、低速度和低用户或低交通状况。在最简单的层面上，操作仅限于封闭区域，例如校园、办公园区或军事基地。人行道送货车以及其他参与者则是最远。人行道自动驾驶汽车领导者Starship在2021年5月的交付量超过了150万次，并将很快超过200万次。
固定路线自动驾驶汽车的自动驾驶汽车复杂性也较低，这个市场利基包括多个参与者。这类汽车部署比较缓慢，因为其价格高昂，但已在数百个城市进行测试。应用包括低复杂性的公交路线和/或封闭环境。
固定路线自动驾驶汽车也可用于灵活的旅行，例如按需接送。最近于2021年7月发布的ISO 22737低速自动驾驶(LSAD)法规，应该会对固定路线自动驾驶汽车的部署产生积极影响。
用于最后一英里交付的纯货物自动驾驶汽车带来了更多的交通复杂性，其在道路上行驶的速度比人行道自动驾驶汽车更高。货车和小型卡车也可以改装为自动驾驶送货车。它们正在使用安全驾驶员进行测试。
这个类别包括几种自动驾驶汽车场景。没有安全驾驶员的低速货物自动驾驶汽车属于这一类。也可包括具有枢纽到枢纽路线的自动驾驶卡车，但目前需要一名安全驾驶员。这个类别也被称为中间一英里（middle-mile）卡车运输。
如果将安全驾驶员移除，则可将远程操作监控用于枢纽到枢纽卡车运输及自动驾驶出租车。大多数自动驾驶法规都要求将远程操作作为管理自动驾驶的最后手段，以防它们被卡住。远程操作也可能成为一种更普遍的技术，最终取代安全驾驶员。
图2包括三个具有高自动驾驶复杂性的用例。枢纽到枢纽的卡车运输用例在这一类别中最低，其次是自动驾驶出租车。仍处于设计阶段的个人自动驾驶汽车，也将被归类为高复杂性。个人自动驾驶汽车可能会受益于在都市区部署自动驾驶出租车的经验。
自动驾驶汽车部署将从简单过渡到复杂。将图2的用例图稍作修改可得到图3，它将x轴更改为表示时间线，并贴上绿色标签，用来表示用例块的重新分布。自动驾驶汽车用例的放置，反映出它们在时间线上何时可能会看到有意义的使用。
图3：自动驾驶汽车用例演变。
在这种情况下，人行道自动驾驶汽车的部署率最高，其在许多城市用来运送餐食、杂货和其他小包裹。这种自动驾驶汽车也是最便宜的产品，因为传感器更少，重量更轻，行人速度更慢。撞到某人或某物的风险相对较低。
纯货运自动驾驶汽车以Nuro送货车为代表，其基本上还处于测试模式。当前的广告表明，Nuro可能已准备好广泛的部署。
自动驾驶出租车仍主要处于测试阶段并配有安全驾驶员。Waymo在菲尼克斯地区大部分的测试中都移除了安全驾驶员。一些自动驾驶出租车运营商已获准在美国和中国的一些城市对其服务收费。
配备安全驾驶员的货物自动驾驶汽车，还为商店和/或仓库之间的最后一英里或中间一英里运营运送包裹。
固定路线自动驾驶汽车，如EasyMile、Local Motors和Navya，已在多个国家/地区进行了大规模的测试。新冠疫情导致了大多数测试停止，这些测试的重点是每次乘车最多运送12名乘客。最近的ISO LSAD法规涵盖了这一用例，并应在未来几年启动固定路线自动驾驶汽车的使用。
配有安全驾驶员的枢纽到枢纽的自动卡车测试越来越多。其中大部分包括将货物运送给付费客户。
其余类别的部署则会难上很多，因此会比图3所示的时间点更晚到达。枢纽到枢纽的自动卡车可能会在2025年左右部署。自动驾驶出租车的大规模部署则是几年后的事情了，据一些自动驾驶出租车的期待者声称，这可能会在少数几个城市发生。个人自动驾驶汽车则将会明显晚于自动驾驶出租车。
自动驾驶汽车技术仍旧难以实现，但一些用例的复杂性较低，并将以有限的数量部署。针对更简单的自动驾驶汽车场景的法规正在出现，许多公司最终将依据法规部署。
所有自动驾驶汽车法规都要求能远程操作，但为了提前部署某些用例，也可用它来替代安全驾驶员。
自动驾驶汽车系统的成本目前仍由昂贵的激光雷达占据主导地位，未来五年将迅速下降。这意味着2025年之后，过高的自动驾驶汽车系统成本不会成为阻碍因素。
早期部署的复杂自动驾驶汽车系统最终将取决于人工智能技术的突破，这是无法预测的。如果出现这样的创新，潜在用户可能不必等到2030年才能使用个人自动驾驶汽车。
（原文刊登于EDN姐妹网站EE Times，参考链接：AV Complexity Explained，由Franklin Zhao编译。）
本文为《电子技术设计》2022年2月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。
最前沿的电子设计资讯
