高级辅助驾驶系统：驾驶员应知应会

，获得车辆周围环境正确的信息：物体，其速度和加速状态，以及可能的行为等。一个重要而且复杂的问题是，在系统中要进行多少次处理。有可能是将所有的原始数据送入融合引擎—例如，卡尔曼滤波器或者深度学习神经网络，看一看能够得出什么。这种想法有一定的可行性，例如实际上有一类特殊的网络，卷积网络，它用在物体识别时的性能非常好。

但是，设计人员更倾向于采用他们在操作层面上能够理解的系统。在5月份举行的嵌入式视觉大会的一次研讨中，谷歌自动驾驶汽车团队的技术主任 Nathaniel Fairfield 说：“我们的策略是开发简单的系统来处理传感器数据，然后，以更抽象的方式来融合经过预处理的数据。我们更愿意通过一个大滤波器来运行所有一切。”

一种简化的方法是对处理步骤进行逻辑排序 (图1)。每一个传感器都会进行本地信号调理，甚至可能根据下游的反馈来自动适应。然后，每一个传感器会在本地根据其掌握的信息进行物体估算，为推断出的这些物体附加一些属性。

图1. 您可以把ADAS看成是处理器流水线，越来越抽象的看待汽车周围的环境。

例如，激光雷达能够确定地面 030 方向有一个物体，从右向左移动，距离大概 20.24 米。雷达也会报告，在同一位置，地面噪声背景上可能有一个物体。一对高分辨率摄像机会看清楚这一物体—看起来非常像一头金色猎犬，方向在 025 至 035 之间，大概 15 米之外。

这些信息会被传送至融合引擎，接收有物体存在这一主视图，附加上最可靠的属性—例如，位置、速度、大小和颜色。这些信息随后会被送至一个分类引擎，将其标示为一条狗—例如，位置、速度、大小和颜色。这些信息随后会被送至一个分类引擎，将其标示为一条狗

这看起来很有逻辑性，但却不能解决问题。甚至在每一阶段采用哪类算法都没有达成一致。Schumacher 观察到：“目前，大部分步骤都是基于规则的。但是，基于规则的系统需要很多支持。我们会看到一些算法采用了人们不好解释的方法。”

本田北美研究所的首席科学家 Victor Ng-Thow Hing 同意这一观点，“深度神经网络在识别任务上会远远超过人，甚至超过基于规则的算法。有些方面会否定规则。我认为应该有一种混合方法。”

Ayrapetian 说，“不论哪种方法，重要的是认识到能不能解决问题。目前，自动驾驶汽车还不能 100% 的一直保持在车道上行驶。在新环境下，神经网络也不能很好的工作。甚至谷歌汽车也依靠非常详细的地图来识别物体，定位自己。我们还没有达到非常智能的程度来完全理解传感器数据。”

策略分类

对于所有的难题，分类引擎还远远不够。对物体分类如果能够成功的话，会产生物体列表，标识上距离和速度等实际属性，根据其可能的身份进行分类，例如，人、绿化灌木，或者建筑符号等。在分类过程中，也应该针对其在 ADAS 判决过程中的重要性而标上属性：非常危险、导航线索，或者无关的背景等。还应该对分类的不确定性等级进行评价。分类功能应使用各种不同的滤波器、神经网络以及基于规则的分类树，通过融合不同传感器的数据得出自己的结论。

现在，问题的本质发生了很大变化。至少在一些较好的条件下，ADAS 系统非常详细的知道其位置和环境。现在，它必须决定下一步做什么，特别是出现不确定性因素时。就目前而言，这意味着基于规则的系统。

Ayrapetian 解释说：“您可以使用神经网络来识别物体，甚至是把汽车放在周围环境中。但是，您需要规则来得出判断，并解释。”

使用基于规则的系统来决定 ADAS 响应的基本原因可能在于我们对神经网络工作方式的感情因素。可以训练深度学习网络，使其能够比人更正确的理解环境—也就是，99% 的时间都能够正确理解被测试的视频。但是，即使对金色猎犬有 1% 的误解人们也不会满意：我们要的是非常可靠的规则，决不能撞上一条小狗。

更深层次的问题在于系统验证和控制兼容问题。很多工程师都强烈的感受到，在相信一款设计之前，必须能够理解设计是怎样工作的—实际上，在规划验证策略之前。而且，符合某些规则要求设计中的每一组成都是可追溯的，回溯到最初的需求来源。所有这些需求对于神经网络而言都是切实的问题，人很难完全理解网络中某一阶段在干什么，也不能追溯回系统需求文档的某些章节。

相反，基于规则的系统一般非常直观：您可以读取一条规则，知道为什么在此处要采用它。但是，基于规则的系统实行起来也有局限。很难设计一个能够在不可预见的环境中正常工作的系统—务要求很好的进行抽象思维，找到胜任于某些环境的规则。随着规则的增多，计算要求和行为预测都会带来问