從傳感器到人工智能(AI)，經典的電子供應鏈已經形成了一個協作矩陣，致力于實現自動駕駛車輛的安全性。為此，還需進行大量硬件和軟件開發工作，以確保駕駛員、乘客和行人受到保護。盡管機器學習和AI可以發揮作用，但其有效性取決于輸入數據的質量。因此，除非自 動駕駛車輛建立在高性能、高可靠度傳感器信號鏈的基礎上，始終提供最準確的數據作為生死決策的依據，否則便不能被認為是安全的。

最近發生的涉及自動駕駛車輛的事故助長了唱反調者的聲勢，他們認為車輛及其行駛環境太復雜，變數太多，而算法和軟件仍然錯誤太多。對于參與了ISO26262功能安全合規性驗證的任何人來說，他們對此持懷疑態度是可以理解的。

通過將協作和新思維放在第一位，汽車制造商將直接與芯片供應商洽談；傳感器制造商將與AI算法開發人員討論傳感器融合；而軟件開發人員將與硬件提供商建立聯系，充分發揮兩者的優勢。舊的關系正在改變，新的關系正在動態地形成，以優化最終設計的性能、功能、可靠性、成本和安全性。

車輛的認知能力是預測性安全的基石車輛的智能化程度通常用自動駕駛級別來表示。L1和L2主要是預警系統，而L3或更高級別的車輛被授權控制以避免事故。隨著車輛發展到L5，方向盤將被取消，車輛完全自動駕駛。

高質量數據可節約時間，挽救生命和這些傳感技術一樣重要的是它們的可靠性，如果傳感器本身不可靠，輸出的信號沒有被準確捕獲以作為高精度數據提供給上游，那么這些關鍵的傳感器將變得毫無意義，也正應驗了那句話，“如果輸入的是垃圾，那么輸出的也一定是垃圾”。
為了確保傳感器的可靠性，即使是最先進的模擬信號鏈也必須不斷改進，以檢測、獲取和數字化轉換傳感器信號，使其準確度和精度不會隨時間和溫度的變化而發生偏差。采用合適的器件和設計方法，可以大幅緩解一些出了名的難題（如偏置溫漂、相位噪聲、干擾和其他不穩定現象）。高精度/高質量的數據是機器學習和人工智能處理器得到適當訓練并做出正確決策的基礎。一般不會有第二次機會讓你重頭來過。

數據堂自有數據集的“智能駕駛數據解決方案”中掌握著駕乘人群的行為數據，不僅包含駕駛員行為標注數據50種動態手勢識別數據，103282張駕駛員行為標注數據等，還包1300萬組人機對話交互文本數據，245小時車載環境普通話手機采集語音數據。不管是街景場景數據，駕駛員行為數據，還是車載語音數據，數據堂基于Human-in-the-loop智能輔助標注技術”和豐富的AI數據項目實施經驗及完善的項目管理流程，支持智能駕駛場景下駕駛艙內、艙外的圖像、語音數據采集任務，輔助智能駕駛技術在復雜多樣的環境下更好的感知實際道路、車輛位置和障礙物信息等，實時感知駕駛風險，實現智能行車、自動泊車等預定目標。對于智能駕駛而言將是其他企業難以企及的優勢。

一旦數據質量得到保證，各種傳感器融合方法和人工智能算法就可以做出最佳響應。事實上，不管人工智能算法訓練得有多好，一旦模型被編譯并部署到網絡邊緣的設備上，它們的有效性就完全依賴于高精度的傳感器可靠數據。

審核編輯黃宇