プロの高周波基板、高速基板、ICパッケージ基板、半導体テスト基板、HDI基板、リジットフレッキ基板、PCB設計とPCB メーカー
2020年に入り、自動運転技術の飛躍的な路線と漸進的な路線の陣営分けが明確になってきました。自動運転の技術的進展については、WEVOLVERが発表した「2020自動運転技術レポート」で全面的に説明されています。しかし、最終的に自動運転が完全に無人化されるためには、技術の反復と発展が必要です。
同レポートは、センサー、データ処理、機械学習、SLAMとセンサーの融合、経路計画など、さまざまな分野に関連する自動運転会社の事例を、テスラ、ボルボ、ウェイモなど、3つのレベルで、自動運転車技術の最新の発展状況を表現している。
一、感応
自動運転車は未知の動的な環境で動くため、事前に環境地図を構築し、その中で自己測位を行う必要がありますが、同期測位とマッピングプロセス(SLAM =即時測位と地図構築)の入力にはセンサとAIシステムの助けが必要です。
センサは、アクティブ・センサと受動センサに分けられるが、さまざまな高速回路基板には長所と短所があり、すべての状況に適用できる単一のセンサはないと報告されている。通常、1台の自動運転車を確実かつ安全に操作するには、複数のセンサーを併用する必要があります。
一般的に自動運転車に含まれるセンサーには主に5つのタイプがあります。
1、長距離レーダー:信号は雨、霧、ほこりなどの視線障害物を透過して目標を検出することができます。
2、カメラ:一般的に組み合わせの形式で短距離目標探知を行って、多く遠距離の特徴感知と交通検出に応用します。
3、レーザレーダー:3次元環境マッピングと目標検出に多く使用される。
4、短距離/中距離レーダー:中短距離目標検出、側面と后方の危険回避に適します。
5、超音波:近接目標検出。
さまざまなセンサーにはメリットとデメリットがあると述べましたが、自動運転車ではセンサーを技術的に判断し、選択する必要があります。選別の条件には主に次のようなものがあります。
スキャン範囲は、感知された物体にセンサが反応する時間を決定する。
解像度、センサーが自動運転車両に提供できる環境の詳細;
視野/角度分解能は、自動運転車が知覚した領域をカバーするためにどれだけのセンサーを必要とするかを決定する。
3D環境下で静的オブジェクトと動的オブジェクトを区別する能力;
センサ情報の更新頻度を決定するリフレッシュレート
異なる環境条件の下での全体的な信頼性と正確性;
コスト、サイズ、ソフトウェアの互換性;
生成するデータ量。
以下はWaymo、volvo-uber、Teslaのセンサー方式の概略図です。
なお、受動センサとアクティブセンサについては、レポートで詳しく紹介されている。
受動センサ
受動センサは、光や放射など、環境中の物体が反射する既存のエネルギーを検出することができる。しかし、弱光環境下では、独自の伝播源がないため、受動センサの性能は低下する。また、生成されるデータは、アクティブ・センサよりも受動センサのほうが多く、約0.5-3.5 Gbpsとなっている。
それにもかかわらず、受動センサは様々な特徴を有している。
1.視野幅全体をカバーする高解像度の画素及び色
2.フレーム周波数を視野内で一定に保つ。
3. 2つのカメラが1つの3 d立体視を生成することができる。
4.他の車両からの干渉の可能性を減少させる送信源の欠如;
5.技術が成熟し、コストが低い;
6 .システムの画像を生成しやすいユーザーの理解と交互に。
自動運転車で使うば無源センサーカメラセット、覆われた自動車の周辺の各環境が必要となる。ことを通じて、特定の使用時間間隔がカメラの撮影画像の回転を実現して、あるいはを通じてソフトウェアは、4 ~ 6個のカメラの画像に尺。さらに、これらのセンサは、100デシベルを超えるハイダイナミックレンジ(シーンにおけるハイライトとシャドーの撮像能力)を必要とし、様々な光照射条件で動作し、異なるオブジェクトを区別する。
アクティブセンサー
アクティブセンサ信号の伝送を持つ源、頼るtof原理を感知する環境、tof測定できる信号を待つの反射にを通じて信号源から目標の伝播時間、信号の周波数のシステムを使ったエネルギーと正確さを決めた。したがって、正しい波長を決定することは、系を選択する際に重要な役割を果たす。
アクティブ・センサのタイプについては、以下の3つが報告されている。
超音波センサー、音波とも呼ばれる;音声ナビゲーション測距。アクティブセンサーでは、音波の周波数最低(最長波長)、音波が妨害されやすいため、これも超音波センサーを意味しやすい条件不利な環境の影響を受け、例えば雨とほこり。一方、他の音波の妨害にも影響を及ぼすセンサーの性能を必要とを通じてのセンサーと別途のセンサーに依存しているタイプを使って緩和妨害。
レーダー:主に電波による測距。電波は光の速度で伝わり、電磁波の中で最も周波数が低い(波長が最も長い)電波の反射特性に基づいて、レーダーセンサーは前方の物以外のものも探知することができる。
ただし、レーダー信号はかなりの導電性を持つ材料(金属製の物体など)に反射されやすく、また他の電波との干渉もレーダーの性能に影響を与え、レーダーセンサーが物体を探知できなくなる。探知目標の形状を特定する能力は、レーダより劣る。
レーザーレーダー:パルスレーザーの形で光を使用する。レーザーレーダーセンサは毎秒50,000- 200,000パルスの速度で1つの領域をカバーし、戻ってくる信号を3Dの点雲に集約し、連続的に感知される点雲や物体の違いを比較して動きを検出することで、250 mの範囲の3D地図を作成する。
その2段取り
自動運転車センサキットが取り込んだ生データと既存の地図に基づいて、自動運転システムは、同時測位とマッピングアルゴリズムによって具体的な環境地図を構築・更新し、その具体的な測位を追跡して、ある地点から別の地点への経路を計画し始める必要がある。
SLAMとセンサーの融合
SLAMは位置決定には地図が必要で地図作成には良い位置推定が必要なので複雑なプロセスですインスタント・ポジショニングと地図構築をより正確に実行するために、センサー融合が機能し始めた。
センサフュージョンは、情報の改善を達成するために、複数のセンサとデータベースのデータを結合するプロセスである。これは多層的なプロセスであり、データ間のつながりや関連性を処理し、データを組み合わせ、単一のデータソースを使用するよりも安価で高品質で、より関連性の高い情報を得ることができる。
自動運転車のAIアーキテクチャでは、主に2つの手法がある。
1段階的に処理する。運転プロセスの全体は、知覚、位置、地図、経路ナビゲーション、運働制御のような一連のレイヤー接続のラインに分解され、それぞれのソフトウェアコンポーネントによって処理される。
2.端から端まで。深層学習による解決策は、これらすべての機能を一度に処理する。
センサーの融合により、自動運転車はデータを取得することができたが、センサー信号から有用な情報を抽出し、既存の情報に基づいてタスクを実行するには、機械学習アルゴリズムであるCNN、RNN、DRLを利用する必要がある。
CNN(畳み込みニューラルネットワーク):主に画像や空間情報を処理し、関心のある特徴の抽出や環境内のオブジェクトの識別に用いられる。ニューラルネットワークは、画像の要素または入力データを区別してラベルをつけようとするフィルターの集合である畳み込み層から構成されている。この畳み込み層の出力は、画像の最適な記述を予測するアルゴリズムに入力される。最後のソフトウェアコンポーネントは一般にオブジェクト分類器と呼ばれるが、これは画像内のオブジェクト、例えば道路標識や別の自動車などを分類することができるためである。
RNN(再帰的ニューラルネットワーク):主にビデオ情報を処理するために使用され、これらのネットワークでは、前のステップの出力が入力としてネットワーク内に入り、それによって情報と知識がネットワーク内で永続的に存在し、上下文化されることを可能にする。
DRL(深層強化学習):DRLアプローチにより、ソフトウェアが定義した「エージェント」が仮想環境で奨励関数を使用して目標を達成するために最適な可能性のある動作を学習することができる。これらの目標指向アルゴリズムは、どのように目標を達成するか、または複数のステップにおいて特定の次元に沿ってどのように最大化するかを学習する。現在、深層強化学習の自動運転車への応用はまだ初期段階にあります。
これらの方法は必ずしも孤立して存在しない。過剰フィットを避けるために、深層学習ではマルチタストレーニングネットワークが行われることが多い。機械学習アルゴリズムがある特定のタスクのために訓練されると、その訓練されたデータを模倣することに集中するようになり、補間や外挿を試みた場合、その出力が非現実的になる。
複数のタスク上で機械学習アルゴリズムを訓練することにより、ネットワークのコアは、より実際的に有用なアプリケーションを出力するために、すべての目的に有用な共通の特性を発見することに焦点を当てることになる。
センサーから提供されるすべてのデータとこれらのアルゴリズムによって、自動運転車は周囲の物体を検知することができる。次に経路を見つける必要があります
その3経路計画
車両がその環境内の物体とその位置を把握した後、高速回路基板グラフ(車両と物体の間の最大距離)、占有グリッドアルゴリズム、またはドライビングロードアルゴリズムを使用して車両の大スケール経路を決定することができる。しかしながら、これらの従来の方法は、動的環境下での車両の移動を満足させることができない。
報告書によると、一部の自動運転車は機械学習のアルゴリズムによって環境を知覚するだけでなく、そのデータによって自動車を制御しているという。経路計画は、パイロットの行動を模倣しようとするモデリング学習によってCNNに教えることができる。
一般的に、これらの機械学習手法は、経路の堅牢性を確保するために、古典的な運動計画および軌跡最適化手法と組み合わせられる。また、別の目的(例えば燃料使用の削減)のために、自動車メーカーはモデル内で最適な経路参照を提供する。車両運行中のニューラルネットワークの訓練と推論には膨大な計算能力が必要となる。自動車は新しいデータに即座に反応する必要があるため、車両を操作するのに必要な処理の一部は車の中で行われ、モデルの改良はクラウド上で行われる。
現在の機械学習の最新の進展は、自動運転車のセンサーから発生するデータを効率的に処理し、計算コストを削減することにある。また,チップ製造や微細化の進歩は,自動運転車に搭載できる計算能力を向上させている。ネットワークプロトコルの進歩に伴い、自動車は低遅延なネットワークベースのデータ処理によって自律的な動作を支援できるようになるかもしれない。
その4実行する、では、車はどう動くのか。
人間が運転するクルマでは、ステアリングやブレーキ、信号などの動きは、通常ドライバーが制御しています。ドライバーからの機械的信号は、電子制御ユニット(ECU)から駆動命令に変換され、車上の電動または油圧アクチュエーターによって実行される。
(半)自動運転車では、このような機能はECUと直接通信する駆動制御ソフトウェアに取って代わられている。これらのソフトウェアは車両の構造を変え、部品の数を減らすことができます。特にECUのために機械信号をドライバーから電気信号に変換するのに特化した部品だ。
自動運転車には通常複数のECUが含まれており、一般的な車両では15-20台、ハイエンドモデルでは100台に達する可能性がある。
ECUは独立したマイクロコントローラとメモリを備えた単純なコンピューティングユニットであり、これによって受信した入力データを処理し、それをサブシステムの出力コマンドに変換し、例えば自動変速機に変換する。
一般的にECUは、車両の操作を制御する役割もあれば、セキュリティ機能を担い、インフォテインメントや内部アプリケーションを運行する役割もある。また、ほとんどのECUは、アルゴリズムをローカルに実行し、センサデータを処理することができる電子パワーステアリングなどの単一のアプリケーションをサポートする。
挑戦その1:システムの複雑性
エンジニアは、センサ融合を行うためにシステムのために正確な電子システムを設計し、意思決定を命令通りに行うより低い階層のサブシステムに同期して配布する必要があり、これは需要の増加と複雑性に挑戦する。
理論的には、極端な場合には、各センサユニットがその生データを処理してネットワーク内の他のノードと通信する完全分散アーキテクチャを選択することができる。スペクトルの反対側には、すべての遠隔制御ユニット(RCUs)がすべての情報を収集し、センサ融合プロセスを実行する中央制御点に直接接続される集中アーキテクチャが存在する。一方、この範囲の中間には、より高い抽象化レベルで動作する中央ユニットが、専用センサ処理を実行するか、または決定アルゴリズムを実行するドメインと結合される混合解決策がある。これらの領域は、車両の前部および後部の領域のような車両内部の位置、それらが制御する機能のタイプ、またはそれらが処理するセンサのタイプ(例えばカメラ)に基づくことができる。
集中型アーキテクチャでは、異なるセンサからの測定値は独立した量であり、他のノードの影響を受けない。データは、システムのエッジノード上で修正またはフィルタリングされることなく、センサ融合に可能な限りの情報を提供し、より低い遅延を有する。このアーキテクチャの課題は、大量のデータを中央のセルに送り、そこで処理する必要があることだ。これには強力な中央コンピュータだけでなく高帯域幅の重ワイヤーも必要です。分散アーキテクチャは、より軽量な電気システムで実装できるが、より複雑である。このようなアーキテクチャでは、帯域幅と集中処理に関連する需要が大幅に減少したが、ドライブとセンサステージの間に遅延を導入し、データ検証の課題を増大させる。
挑戦その2動力、カロリー、重量、サイズの増加
システムの復雑さを増加させるほか、自働化は車両部品の消費電力、熱フットプリント、重量、寸法を増加させる。アーキテクチャが分散していようが集中していようが、auton-omousシステムの消費電力需要は莫大であり、その中でも主なドライバーは競争需要である。
全自動自動車の競争需要は、現在生産されている最先端高速回路基板より100倍近く高い。純粋な電気自動車の場合、走行距離はこうした動力需要に悪影響を受けやすい。このため、ウェイモやフォードなどはハイブリッド車に力を入れ、ウーバーはフルガソリンsuvに力を入れている。しかし、専門家は、内燃機関は車載コンピューターのための発電に非効率なため、全電動化が最終的にパワートレインの選択肢になると指摘している。増加した処理需要とより高い電力スループットはシステムをヒートアップさせるが、電子部品を正常に確実に動作させるためには、自動車の外部条件にかかわらず、電子部品を一定の温度範囲内に保持しなければならず、冷却システムの存在が必要となる。しかし、冷却システムは車両の重量と寸法、特に液体冷却をさらに増加させる。さらに、追加のコンポーネント、追加の配線、および熱管理システムは、車両の任意の部分の重量、サイズ、および熱性能に圧力を与える。
これに対して自動駆動素子のサプライヤーは,LIDARsのような大型素子の軽量化から,semicon-ductorのようなマイクロ素子の構築へと製品を変えている。同時に、半導体会社は、より敷地面積が小さく、より熱性能が良く、より干渉の少ない素子を製造し、MOSFET、bipo-larトランジスタ、ダイオード、集積回路などの様々なシリコン素子を発展させている。
それだけでなく、新素材の窒化ガリウム(GaN)の使用も視野に入れている。窒化ガリウムはシリコンに比べて効率的に電子を伝達することができ、与えられたオン抵抗とブレイクダウン電圧でより小さなデバイスを作ることができる。1台の全自動運転車に含まれるコードは、これまでに開発されたどのソフトウェアプラットフォームやオペレーティングシステムよりも多くなる可能性があり、すべてのアルゴリズムやプロセスを自ら処理するには、著しい計算能力と強力な処理が必要となる。現在、GPUの高速化処理は業界標準となりつつある。
