布魯塞爾——在這里舉行的 AutoSens 2019 的結果是，技術創新并不缺乏，因為技術開發商、一級供應商和原始設備制造商仍在尋找可以在任何道路條件下工作的“穩健感知”——包括夜間、霧、雨、雪、黑冰、石油等。

盡管汽車行業還沒有找到靈丹妙藥，但許多公司都提出了他們新的感知技術和產品概念。

在今年布魯塞爾的 AutoSens 上，輔助駕駛 (ADAS) 而非自動駕駛汽車 (AV) 成為更受關注的焦點。

顯然，工程界不再否認。許多人承認，今天的可能性與最終推出商業人工智能驅動的自動駕駛汽車之間存在很大差距——沒有人類駕駛員參與其中。

需要明確的是，沒有人說自動駕駛汽車是不可能的。然而，VSI Labs 的創始人兼負責人 Phil Magney 預測，“4 級 [自動駕駛汽車] 將在高度受限的操作設計領域內推出，[并建立在] 非常全面和徹底的安全案例之上。” “高度受限的 ODD”，Magney 說，“我指的是特定的道路、特定的車道、特定的營業時間、特定的天氣條件、一天中的特定時間、特定的接送點等。”

當被問及人工智能驅動的汽車是否會達到“常識性理解”——知道它實際上是在駕駛并理解其環境時，康奈爾大學專門研究人工智能的計算機科學教授巴特塞爾曼在會議的閉幕小組中表示： “至少需要 10 年……，可能需要 20 到 30 年。”

與此同時，在那些渴望制造 ADAS 和高度自動化汽車的人中，游戲的名稱在于他們如何最好地讓車輛看到。

Edge Case Research 首席技術官兼卡內基梅隆大學教授 Phil Koopman 指出，每輛高度自動化車輛的基礎都是“感知”——知道物體在哪里。他解釋說，與人類駕駛員相比，自動駕駛汽車的弱點在于“預測”——了解上下文并預測它感知到的物體接下來可能會去哪里。

將智能移動到邊緣

在邊緣添加更多智能是會議上出現的新趨勢。許多供應商通過在邊緣融合不同的感官數據（RGB 相機 + NIR；RGB + SWIR；RGB + 激光雷達；RGB + 雷達），在感官節點上添加更多智能。

然而，業內人士對如何實現這一目標似乎存在分歧。有些人提倡邊緣傳感器融合，而其他人，例如 Waymo，則更喜歡在中央處理器上對原始感官數據進行中央融合。

到 2020 年，隨著 Euro NCAP 將駕駛員監控系統 (DMS) 作為主要安全標準，許多新的監控系統也出現在 AutoSens 上。這些系統不僅可以監控駕駛員，還可以監控車內的乘客和其他物體。

一個典型的例子是安森美半導體推出的新型 RGB-IR 圖像傳感器與 Ambarella 先進的 RGB-IR 視頻處理 SoC 和 Eyeris 的車載場景理解 AI 軟件相結合。

近紅外與短波紅外

需要在黑暗中看到——無論是在車內還是車外——表明使用了紅外。

安森美半導體的 RGB-IR 圖像傳感器采用 NIR（近紅外）技術，而同樣參展的 Trieye 則更進一步，展示了 SWIR（短波紅外）相機。

什么是短波紅外線（SWIR）？（來源：Trieye）

SWIR 的優勢包括它能夠在任何天氣/光照條件下看到物體。更重要的是，SWIR 還可以提前識別道路危險，例如黑冰，因為 SWIR 可以檢測到由每種材料的化學和物理特性定義的獨特光譜響應。

然而，由于用于構建它的砷化銦鎵 (InGaAs) 成本極高，SWIR 相機的使用僅限于軍事、科學和航空航天應用。Trieye 聲稱它已經找到了一種使用 CMOS 工藝技術設計 SWIR 的方法。“這就是我們取得的突破。就像半導體一樣，我們從第一天開始就使用 CMOS 來大批量制造 SWIR 相機，”Trieye 首席執行官兼聯合創始人 Avi Bakal 說。與價格超過 8,000 美元的 InGaAs 傳感器相比，Bakal 表示，Trieye 相機的售價將“數十美元”。

SWIR 相機剝離（來源：Trieye）

缺乏注釋數據

人工智能面臨的最大挑戰之一是訓練數據的短缺。更具體地說，“帶注釋的訓練數據”，Magney 說。“推理模型只與數據和收集數據的方式一樣好。當然，訓練數據需要用元數據進行標記，這非常耗時。”

AutoSens 對 GAN（生成對抗網絡）方法進行了熱烈的討論。根據 Magney 的說法，在 GAN 中，兩個神經網絡競爭創建新數據。據報道，給定一個訓練集，該技術學習生成具有與訓練集相同統計數據的新數據。

例如，Drive.ai 正在使用深度學習來增強注釋數據的自動化，以加速繁瑣的數據標記過程。

在 AutoSens 的一次演講中，Koopman 還談到了準確注釋數據的艱巨挑戰。他懷疑很多數據仍然沒有標記，因為只有少數大公司有能力做對。

事實上，參加展會的 AI 算法初創公司承認支付第三方注釋數據所帶來的痛苦。