攝像頭是ADAS核心傳感器，相比毫米波雷達(dá)和激光雷達(dá),，最大優(yōu)勢在于識別(物體是車還是人,、標(biāo)志牌是什么顏色),。汽車行業(yè)價(jià)格敏感，攝像頭硬件成本相對低廉,，因?yàn)榻鼛啄暧?jì)算機(jī)視覺發(fā)展迅速,，從攝像頭角度切入ADAS感知的創(chuàng)業(yè)公司數(shù)量也非常可觀,。
這些創(chuàng)業(yè)公司可以統(tǒng)稱為視覺方案提供商,。他們掌握核心的視覺傳感器算法，向下游客戶提供車載攝像頭模組,，芯片以及軟件算法在內(nèi)的整套方案,。前裝模式下，視覺方案提供商扮演二級供應(yīng)商的角色,，與Tier1配合為OEM定義產(chǎn)品,。后裝模式里，除了提供整套設(shè)備,，也存在售賣算法的模式,。本文中將對視覺ADAS功能、硬件需求,、評價(jià)標(biāo)準(zhǔn)等進(jìn)行解析,，在《【車云報(bào)告】adas視覺方案入門盤點(diǎn)(下篇)》內(nèi)容中將參考Mobileye對國內(nèi)11家供應(yīng)商的產(chǎn)品進(jìn)行詳細(xì)解讀。
視覺ADAS供應(yīng)鏈體系一,、視覺ADAS可實(shí)現(xiàn)功能
因?yàn)榘踩涗?、停車等需要，攝像頭在車上的大量應(yīng)用是行車記錄儀,、倒車影像等輔助功能,。一般通過安裝在車身各個(gè)位置的廣角攝像頭采集影像，經(jīng)過標(biāo)定和算法處理,，生成影像或拼接形成視圖補(bǔ)充駕駛員視覺盲區(qū),，不用涉及整車控制，因此更加注重視頻處理,，技術(shù)已經(jīng)成熟并逐漸普及,。
目前在行車輔助功能中，攝像頭可用來單獨(dú)實(shí)現(xiàn)很多功能,，并且按照自動(dòng)駕駛發(fā)展規(guī)律逐漸演進(jìn),。
這些功能更加強(qiáng)調(diào)對輸入圖像的處理，從拍攝的視頻流中提取有效目標(biāo)運(yùn)動(dòng)信息做進(jìn)一步分析,，給出預(yù)警信息或直接調(diào)動(dòng)控制機(jī)構(gòu),。相比視頻輸出類功能，強(qiáng)調(diào)高速下的實(shí)時(shí)性,，這部分技術(shù)正處在發(fā)展上升期,。
二,、視覺ADAS軟硬需求
視覺系A(chǔ)DAS產(chǎn)品由軟硬件組成，主要包括攝像頭模組,、核心算法芯片以及軟件算法,。硬件方面考慮行車環(huán)境(震動(dòng)、高低溫等),，大前提是要符合車規(guī)級要求,。
(一)車載ADAS攝像頭模組
車載ADAS攝像頭模組需要定制化開發(fā)。為了適應(yīng)車輛全天候全天時(shí)的需要,，一般要滿足在明暗反差過大的場合(進(jìn)出隧道),，很好平衡圖像中過亮或太暗部分(寬動(dòng)態(tài));對光線比較靈敏(高感光)，避免給芯片帶來太大壓力(并不是一昧追逐高像素),。
攝像頭模組是基礎(chǔ),。好比一張底子不錯(cuò)的照片才有修飾美化的余地，保證拍攝圖像夠用的基礎(chǔ)上,，算法才能更好地發(fā)揮效力,。
另外在參數(shù)上，ADAS與行車記錄儀對攝像頭的需求不同,。用于行車記錄儀的攝像頭需要看清車頭周圍盡可能多的環(huán)境信息(后視鏡位置看向兩個(gè)前輪,，水平視角約要110度)。ADAS的攝像頭更講究為行車時(shí)預(yù)留更多判斷時(shí)間,，需要看得更遠(yuǎn),。類似相機(jī)鏡頭廣角和長焦，兩項(xiàng)參數(shù)不能兼得,，ADAS在硬件選取時(shí)只能取其平衡,。
(二)核心算法芯片
圖像相關(guān)算法對計(jì)算資源有很高的要求，因此芯片性能講究,。如果在算法上疊加深度學(xué)習(xí)來幫助識別率提升,，對硬件性能的要求只增不減,，主要考慮的性能指標(biāo)是運(yùn)算速度,、功耗、以及成本,。
目前用于ADAS攝像頭的芯片多數(shù)被國外壟斷,，主要供應(yīng)商有瑞薩電子(Renesas Electronics)、意法半導(dǎo)體(ST),、飛思卡爾(Free scale),、亞德諾(ADI)、德州儀器(TI),、恩智浦(NXP),、富士通(Fujitsu),、賽靈思(Xilinx)、英偉達(dá)(NVIDIA)等,，提供包括ARM,、DSP、ASIC,、MCU,、SOC、FPGA,、GPU等芯片方案 ,。
ARM、DSP,、ASIC,、MCU、SOC是軟件編程的嵌入式方案,，F(xiàn)PGA因?yàn)閷τ布苯泳幊?，和嵌入式相比處理速度更快?/p>
GPU 和FPGA并行處理能力強(qiáng)。圖片這樣的文本,，尤其在使用深度學(xué)習(xí)算法需要多個(gè)像素點(diǎn)同時(shí)計(jì)算,，F(xiàn)PGA和GPU會更有優(yōu)勢。兩類芯片的設(shè)計(jì)思路類似,，都是為了處理大量簡單重復(fù)的運(yùn)算,。GPU的性能更強(qiáng)但耗能也更高，F(xiàn)PGA因?yàn)榫幊毯蛢?yōu)化都是直接在硬件層面進(jìn)行的,，能耗會低很多,。
因此在平衡算法和處理速度，尤其是用于前裝并且算法穩(wěn)定時(shí),，F(xiàn)PGA被視為一個(gè)熱門方案,。FPGA是個(gè)好選擇。但同時(shí),，F(xiàn)PGA對技術(shù)要求也很高,。原因在于計(jì)算機(jī)視覺算法是C語言，F(xiàn)PGA硬件語言是verilog,，兩種語言不同,，將算法移植到FPGA的人既要有軟件背景，又要有硬件背景,。在人才最貴的今天,，是筆不小的成本。
現(xiàn)階段可用于傳統(tǒng)計(jì)算機(jī)視覺算法的車規(guī)級芯片有多種選擇，但是適用于傳統(tǒng)算法疊加深度學(xué)習(xí)算法的低功耗高性能芯片,，還沒有真正出現(xiàn),。
(三)算法
ADAS視覺算法的源頭是計(jì)算機(jī)視覺。
傳統(tǒng)的計(jì)算機(jī)視覺識別物體大致可以分為圖像輸入,、預(yù)處理,、特征提取、特征分類,、匹配,、完成識別幾個(gè)步驟。
有兩處尤其依賴專業(yè)經(jīng)驗(yàn)：第一是特征提取,。在識別障礙時(shí)可用特征很多,，特征設(shè)計(jì)尤其關(guān)鍵。判斷前方障礙物是不是車,，參考特征可能是車尾燈,，也可能車輛底盤投在地面的陰影等。第二是預(yù)處理和后處理,，預(yù)處理包括對輸入圖像噪聲的平滑,、對比度的增強(qiáng)和邊緣檢測等。后處理是指對分類識別結(jié)果候選進(jìn)行再處理,。
科研中的計(jì)算機(jī)視覺算法模型運(yùn)用到實(shí)際環(huán)境中,，不一定就能表現(xiàn)得很好。因?yàn)榭蒲械贸龅乃惴〞黾又T如天氣,、道路復(fù)雜情況在內(nèi)的條件限制,，現(xiàn)實(shí)世界里除了關(guān)注復(fù)雜環(huán)境的算法表現(xiàn)，還要考慮各種環(huán)境下算法的魯棒性(是否穩(wěn)定),。
算法上比較重要的一個(gè)變化是深度學(xué)習(xí)的滲透,。
深度學(xué)習(xí)讓計(jì)算機(jī)模擬人類思考的神經(jīng)網(wǎng)絡(luò)，可以自己學(xué)習(xí)判斷,。通過直接向計(jì)算機(jī)輸入標(biāo)定后的原始數(shù)據(jù),，比如挑選一堆異形車圖片，然后丟給計(jì)算機(jī)讓它自己學(xué)習(xí)什么是一輛車,。這樣就可以免去計(jì)算視覺特征提取,、預(yù)處理等步驟，感知過程可以簡化為輸入圖片-輸出結(jié)果兩步,。
業(yè)內(nèi)比較一致的觀點(diǎn)認(rèn)為,，在感知方面，深度學(xué)習(xí)將會彎道超車傳統(tǒng)視覺算法,。目前深度學(xué)習(xí)的算法模型已經(jīng)開源，而且算法種類不多，因此有降低門檻大量優(yōu)秀結(jié)果涌現(xiàn)的可能,。但是受限于沒有合適的車端平臺,，離產(chǎn)品化還有一段距離。
業(yè)內(nèi)對深度學(xué)習(xí)在ADAS應(yīng)用的看法都比較客觀冷靜,。不少觀點(diǎn)認(rèn)為深度學(xué)習(xí)算法是一個(gè)黑箱(Blackbox)算法,，類似人感性決策的過程，可以很快輸出一個(gè)結(jié)果,，很難在發(fā)生事故后反查原因,，因此在使用深度學(xué)習(xí)時(shí)要加入理性決策部分，并且分區(qū)塊設(shè)計(jì),。