自動駕駛模式的退出模式

無人駕駛車輛，其實在國外由於涉及其他人的安全，所有的車輛系統的運行都是報備的。所以有著這樣的一個圖，我們可以從中學到一些東西。下圖裡麵灰色的是正常的行駛里程，橙色的是出現意外的情況。

Autonomous Vehicle Disengagement Reports：Autonomous Vehicle Disengagement Reports

• Bosch, LLC

• Delphi Automotive Systems, LLC

• Google Auto, LLC

• Nissan North America, Inc

• Mercedes-Benz Research & Development North America, Inc

• Tesla Motors, Inc.

• Volkswagen Group of America, Inc.

這裡定義的問題是，自動駕駛系統無法啟動和需要人的輔助和干預兩大類。從圖上看，Google由於積累了大量的歷史數據，相對處於優勢。

在參考文獻1中，裡面重點分析了Google的問題

• 與設計差異的駕駛策略：比如行駛路線太靠近路邊停放車輛

• 感知和判斷錯誤：車內感知系統錯誤識別道路物體

• 軟體問題

• 硬體失效：硬體設備發生故障

• 對道路其他車輛和行人的行為錯誤預測

• 氣候條件

• 緊急車輛：警車/救護車

• 施工區域

這個細緻的情況，其實可以在文件《Nissan Autonomous Vehicle Disengagement Report》裡面找到的

比較喜歡Nissan的地方，是裡面報告非常全

這裡以一個月為例，裡面好多有趣的問題

• 控制系統無法工作

• CAN匯流排負載率太高

• 路徑無法生成

• 前方測量無法識別，快撞上啦

• 利用機器視覺技術的檢測行人和信號燈

• 利用雷達（激光、毫米波）檢測前行車輛

• 高精度定位及數字地圖

• 基於複雜環境感知及通信的路徑規劃和軌跡跟蹤

• 基於機器視覺技術的縱橫向控制

• 利用毫米波雷達測車間距離的縱向控制

Nissan的決策是根據匹配的確定演算法來做的，根據信息和規則樹來對比。搞不定的時候，就需要人來協助了。

當然這裡也可能有兩種理解，通過感知和決策的DNN的深度學習，做法迭代起來更快一些。

小結

1）越看這些資料越覺得好玩，很多東西，只有認真去解讀其架構和實際的報告才有些體會

2）原來一塊塊的演算法以後可能真給一個學習的CNN給打敗了，這是原有模式的難點

參考文件：

1. US Consumer Watchdog assesses 「Why Self-Driving Cars Fail」

2. Developing an Autonomous Vehicle Control System for Intersections Using Obstacle/Blind Spot Detection Frames

----------------------------------------------------------------------------------

更多新能源汽車、汽車電子原創文章，歡迎關注公眾號：汽車電子設計

或搜索：QCDZSJ