<mark id="oztn4"></mark>
2
雷鋒網按：本文來自硬創公開課 |ADAS 技術到底難在哪里？內容整理自創來科技創始人陳茂的演講實錄。雷鋒網雷鋒網
創來科技創始人陳茂
分享嘉賓：陳茂，1990 年華中科技大學研究生院畢業，從事 GPS 導航軟件、圖像處理、機器視覺及人工智能技術研發近 20 年，曾經創辦過廣州旭泰通信和廣州開麥導航兩家 GPS 應用公司。2008 年將獨立研發的導航軟件出口到國外。2015 年憑借其獨立自主研發的「車道偏離預警系統」在工信部首屆創客中國大賽上榮獲一等獎。現為美國格理集團 ADAS 專家顧問團成員。
ADAS 是個外來詞，是高級輔助駕駛系統 (Advanced Driving Assistant System) 的英文簡稱，是一種主動防范、預防駕駛事故發生的技術，而不是諸如安全帶、保險桿、安全氣囊等事故發生后用來減緩事故造成損失的被動安全技術。
目前智能駕駛、自動駕駛、無人駕駛的概念比較混雜，概念比較模糊。在這里說一點我自己的看法。我認為，ADAS 的初級階段是智能駕駛，自動駕駛是其高級階段，而終點是無人駕駛。它在初級階段主要是以預警型為主，是單機輔助駕駛系統。到了高級階段的自動駕駛則主要以控制型為主，更多的是與車聯網融合。終極階段的無人駕駛更多的依賴高精度地圖、高精度的 GPS。這時候 ADAS 就只是一種輔助駕駛。
雖然目前 ADAS 的概念有被泛化的趨勢，但是行業內均默認只有基于機器視覺、圖像識別（包括可見光圖像、雷達圖像、紅外圖像等等）和人工智能技術的輔助駕駛技術才算是真正的 ADAS 技術。比如車道偏離預警、盲區檢測、行人碰撞預警、車道保持、前向防碰撞等等。一般意義上駕駛輔助功能比如制動防抱死系統（ABS），車身電子穩定系統（ESP）、導航、倒車雷達、行車記錄等均不能稱為高級輔助駕駛系統。
ADAS 的本質是人工智能，核心是算法。在其感知、認知、決策、執行四個環節中，前三個環節涉及大量算法。感知部分主要是傳感器，它負責采集圖像（可見光、紅外線、雷達），相當于人眼。人的眼睛能根據周邊光照環境自動調節瞳孔的大小，根據物體的遠近自動調節焦距以便成像清晰，但圖像傳感器的類似調節就只能依靠算法實現。
認知環節是 ADAS 的關鍵也是難點。如何分析看到的圖像是否包含車道、車輛、行人并不是一件簡單的事情。做到一定精準度、識別率可能不難，盡管人眼識別率可以輕松達到 99.9999%, 但要機器做到 99.9%、99.99%、99.999% 的識別率和可靠性，其實是冰凍三尺非一日之寒。
這是因為目前人類對于圖像的識別理論還處于幼兒期，即使現在的深度學習技術也是一個黑匣子技術，也是僅知其然不知其所以然。
為什么說 ADAS 是高壁壘、長周期行業？我認為目前 ADAS 技術最大的壁壘還是在于——識別算法。不管是做了兩三年的初創公司，做了五六年的國有主機廠，還是做了十多年 ADAS 研究的高校團隊，大家在其實際路測里程方面都比較匱乏，沒有足夠的路測里程，沒有大量的數據，這就直接影響系統算法的可靠性、魯棒性。
目前，ADAS 領域全球標桿 Mobileye 就是以其算法的可靠性、精準度遠遠高于其他公司而獨占鰲頭，他們花了 15 年的時間才達到 99.99% 的精準識別率。他們的第一，的確名符其實。十五年磨一劍，這也從側面證明了這個行業壁壘高。
也許有人會說 99% 的精準度不就夠了嗎? 如果是相對于百分制的考試，的確是一個很高的分數。但是，對于涉足人生命安全的應用，哪怕是很小很小的概率事件，如果你的駕駛時間或里程基數比較大，乘上小概率事件也將會變成一個大概率。一旦發生就有可能殃及人命。
因此駕駛安全的可靠性沒有上限只有下限。低于 99% 的精準度的 ADAS 產品和技術很難給用戶一個很好的體驗，目前淘寶眾籌的所謂 ADAS 產品（精度準 70% 都達不到）給用戶的體驗就比較差。
這是因為不像導航儀、行車記錄儀、雷達電子狗、GPS 定位跟蹤器等產品，普通用戶可以自己安裝。我們認為真正的 ADAS 最終都會走向前裝市場這條路 （前裝是指進汽車整車廠）。
這是因為 ADAS 需要對產品嚴格標定才能獲得最佳的預警效果，需要專業培訓的工程人員才能安裝。如果進入后裝市場，準確安裝將是一個很大的難題。至今為止，還沒有出現需要標定（注：對攝像頭傳感器安裝后的相關參數進行設定以便獲得精準的預警效果）的電子產品出現在汽車后裝市場上。
ADAS 是一種直接關系到行車及駕駛員安全的技術，關乎人身生命安全。主機廠在選擇方案時勢必非常謹慎。車輛的環境不同于普通電子產品，產品需要滿足符合車規的要求，且車廠對于這類產品的可靠性、穩定性、精準性要求很高。
另外 ADAS 涉及硬件，周期較 App 項目要長很多。一方面是硬件迭代的周期長，一個成熟的產品勢必需要經歷多次硬件迭代，且主機廠一款新車的研發周期也比較長，這決定了其項目具有長周期性。
目前看的最、聽的最多、用的最多的都是國外 ADAS 產品，那么本土 ADAS 如何崛起？我認為市場機會主要體現在以下兩個方面：
細分領域的突破。ADAS 是一個比較寬泛的領域，一家公司要想全部都做不太可能，選擇自己擅長的細分領域作為突破口，將有限的資源放在自己擅長的特定領域，爭取在某一項功能趕上或超越行業標桿取得突破，不失為一種選擇。
向自動駕駛滲透。未來汽車行業的發展趨勢是智能駕駛——自動駕駛——無人駕駛。如果僅僅停留在輔助預警功能上，其還有可能在后續的發展上處于被動。因此在進行 ADAS 方案的研發時必須要考慮與自動駕駛的結合，只有這樣做，才能確保在未來自動駕駛時代來臨之時能夠在行業內占得一席之地。
對于 ADAS 的發展趨勢及未來，我持非常樂觀的態度。
ADAS 的發展一定是從離線的單車智能開始，逐漸向在線的 ADAS 發展，在此過程中將會融合車輛網（V2V/V2I）技術，這樣由于有兩套感知系統（單車自身的傳感器和在線網絡傳感器）存在，系統的可靠性、精準性將會得到極大的提升。
另外，深度學習追根到底也是一種機器學習的方法，主要是用于特征不明顯或者沒有特征的物體的檢測和識別，是近年來特別時尚的一種機器學習方式。目前來說，成本較高是深度學習在應用上的一個阻礙。再者在特征比較明顯的剛性物體識別上，深度學習并不一定比傳統的機器學習效果好。
但是在未來，深度學習方法滲透到該領域將會是一種趨勢，因為在特征性上，用數學方法很難或無法描述圖像識別領域，比如行人識別。
但深度學習進來表現突出，并且隨著計算芯片技術的快速發展以及成本的下降，深度學習進入實際應用領域將成為可能。
上表是一張對于不同類型傳感器工作原理及優缺點的介紹。通過對比，我們可以看到，不同傳感器都有著各自優缺點，每一傳感器有其各自的適用范圍，每種方式的傳感器都有其弱點。
因此在未來，如果要實現全天候、高可靠性的應用，多傳感器的融合將會是一種必然。
問：ADAS 包含了許多細分的子系統，包括自適應巡航、車道偏移報警系統、車道保持系統，碰撞避免或預碰撞系統、夜視系統、自適應燈光控制等等。在這些子系統中，有哪些是技術上已經成熟的？哪些是最有機會大規模普及（能夠適用到單價幾萬元的車上）的？暫時不能大規模普及有哪些阻力因素？
答：涉及人工智能的 ADAS 技術，國內這方面還沒有完全成熟，基本還是處于測試中。目前國內的夜視系統基本都不具備夜視行人識別功能，因此國內的夜視系統還算不上 ADAS 產品。
但有一個特殊的功能，360 環視系統技術日趨成熟，有望在國產 A 級車上先普及。但這一系統實際上不包含人工智能技術，嚴格來說不是 ADAS。不能大規模普及的原因是國產 ADAS 產品的成熟尚需時日，國外的產品又太貴，只能等待。
問：政策對智能駕駛的影響大不大？會不會像新能源汽車行業——國家規定到某個年限配備自動剎車（或其他系統）的車輛要達到一個數值這樣的情況？政策的影響對這個行業的影響主要體現在哪些方面？
答：實際上 ADAS 已經開始以政策強制的方式出現了。今年 3 月初新的機動車安全運行標準中已經明確指出 11 米長的客車需要裝備 ADAS 中的車道偏離預警（LDW）和前向防碰撞（FCW）系統。
只是具體的實施時間沒有確定，預測會是 2017 年，最晚 2018 年會實施。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
