由于传感器的成本从 15 美元到 1,000 美元不等，汽车制造商开始质疑车辆至少在部分时间内需要多少传感器才能实现完全自动驾驶。这些传感器用于收集有关周围环境的数据，包括图像、激光雷达、雷达、超声波和热传感器。一种类型的传感器是不够的，因为每一种都有其局限性。这是传感器融合背后的关键驱动力，它结合了多种类型的传感器以实现安全的自动驾驶。

所有 2 级或更高级别的车辆都依靠传感器“看到”周围环境并执行车道居中、自适应巡航控制、紧急制动和盲点警告等任务。到目前为止，OEM 正在采用截然不同的设计和部署方法。

超感器超50个

2021年，滴滴自动驾驶在上海车展发布全新硬件平台——滴滴双子星，在电子元件、整车和体验等多重维度全面升级焕新。新平台搭载于沃尔沃XC90冗余车型后，可在核心高性能传感器、车载自动驾驶系统、远程协助系统和前装量产车型深度兼容四个方面实现多层冗余，成为滴滴新一代自动驾驶车队的主力配置。

基于海量网约车数据以及真实路测数据，研发团队对自动驾驶行驶区域进行多维度场景构建分析，推出全新一代更符合无人驾驶运营需求的硬件平台。相较上一代，滴滴双子星自动驾驶硬件平台在传感器数量级和种类，以及性能算力方面都大幅提升，全车传感器数量增至50个，算力超过700TOPS，每秒超千万级点云成像，同时整体造价保持不变。

新一代滴滴自动驾驶车最远探测距离超过300米，最小可探测距离为10cm，车规级相机像素总和超1亿。通过设计远、中、近距的激光雷达、摄像头、雷达配置方案，结合红外相机等多种传感器功能，前向视角可实现12层传感器冗余覆盖叠加，可提升车辆在树荫、隧道、雨雾、逆光、黑夜等复杂的场景下的感知能力，使自动驾驶系统达到更高的安全等级。

滴滴自动驾驶自主研发的Fallback G备用系统，即使极端场景下主系统不可用，仍能毫秒级提供足够的安全应对方案。能满足ASIL-D最高等级安全认证要求，使得整体安全体系的部署更加周密。

滴滴自动驾驶远程护航中心为无人驾驶测试运营构建第三层安全冗余。通过车辆四周4个鱼眼摄像头，配合后台全方位自动驾驶运行场景检测，硬件平台能协助远程护航中心实现零距离多视角的远程监控，从而有效实施远程辅助或通过5G实现低延迟的远程控制。

通过与全球领先的安全汽车制造商沃尔沃合作构建第四层保障，滴滴双子星率先搭载于沃尔沃XC90前装量产冗余车型上，车辆能实现制动、转向、供电、通信冗余，进一步确保行驶安全。在滴滴自动驾驶与沃尔沃汽车战略合作仪式上，滴滴双子星自动驾驶硬件平台首次正式亮相。

4层安全冗余

新一代自动驾驶车辆硬件平台——“滴滴双子星”，自带2层冗余替代系统，再加上远程控制中心的接管兜底和volvo xc90的合作，相当于实现了4层的安全冗余。4层冗余是啥概念？

第一层是核心高性能传感器冗余。新一代滴滴自动驾驶车搭载50多个传感器，能最远探测300米以外的物体，配备了“车规级”相机，像素总和超1亿。通过远、中、近距的激光雷达、摄像头、雷达，再加上红外相机等多种传感器功能，前向视角可实现12层传感器冗余覆盖叠加。即便是在树荫、隧道、雨雾、逆光、黑夜等复杂的场景下，车辆也有很高的感知能力。配备这么多种传感器主要作用是如果有传感器失灵，其他「备胎」能够及时顶上。

第二层是车载自动驾驶系统冗余。Fallback G备用系统是由滴滴自动驾驶自主研发的，可以称为滴滴自动驾驶的“远程护航中心”。即使极端场景下主系统不可用，这个备用系统能够及时做远程接管。

第三层是远程协助系统冗余。滴滴自动驾驶远程护航中心为无人驾驶测试运营构建第三层安全冗余。通过车辆四周4个鱼眼摄像头，配合后台全方位自动驾驶运行场景检测，硬件平台能协助远程护航中心实现零距离多视角的远程监控，从而有效实施远程辅助或通过5G实现低延迟的远程控制。

第四层是前装量产车型冗余。通过与全球领先的安全汽车制造商沃尔沃合作为安全构建第四层保障。滴滴双子星率先搭载于沃尔沃XC90前装量产冗余车型上，车辆能实现制动、转向、供电、通信冗余，进一步确保行驶安全。

4层的安全冗余，能够车辆在行驶过程中，一旦出现任何问题都能有保护措施补上。滴滴驾驶硬件的升级，不仅专注在核心零部件和算力等方面做了深度优化，还在“用户体验”层面做了迭代。新增的迎宾灯带、交互屏幕，可以实现人车轻松互认。还有车内采用一体化座椅屏，人机交互的体验最佳。滴滴出行CTO兼自动驾驶CEO张博表示，“提升道路安全是滴滴研发自动驾驶的初衷”。

传感器的局限

现在自动驾驶设计面临的挑战之一是不同传感器的局限性。要实现安全的自动驾驶，可能需要进行传感器融合。关键问题不仅是传感器的数量、类型和部署位置，还包括AI/ML技术应如何与传感器交互来分析数据，从而做出最佳驾驶决策。

Rambus安全IP技术产品经理Thierry Kouthon表示：“自动驾驶普遍使用人工智能技术。自动驾驶，甚至是入门级的ADAS功能，都要求车辆表现出与人类驾驶员相当或更好的环境意识。首先，车辆必须识别其他车辆、行人和路边基础设施，并确定它们的正确位置，这需要人工智能深度学习技术能够很好解决的模式识别功能。视觉模式识别是车辆集中使用的高级深度学习领域。此外，车辆必须能够始终计算其最佳轨迹和速度，这需要人工智能也能很好解决的路线规划功能。这样，激光雷达和雷达就可以提供距离信息，这是正确重建车辆环境所必不可少的。”

传感器融合结合了不同传感器的信息，能够更好地了解车辆环境，仍然是一个活跃的研究领域。

Kouthon 说道：“每种类型的传感器都有其局限性。摄像头在物体识别方面表现出色，但提供的距离信息很少，图像处理需要大量的计算资源。相比之下，激光雷达能很好地提供了距离信息，但清晰度较差。此外，激光雷达在恶劣的天气条件下效果不佳。”

融合成本很昂贵

传感器融合成本很昂贵。早期，由多个元件组成的激光雷达系统成本可能高达80000美元。高成本源自元件中的机械部件。现在成本要低得多，一些制造商预计在未来某个时期，成本可能会低至每件200到300美元。

新兴的热传感器技术成本将在几千美元的范围内。总体而言，原始设备制造商将继续面临降低传感器部署总成本的压力。使用更多摄像头来代替激光雷达系统将有助于原始设备制造商降低制造成本。

Siemens Digital Industries Software混合虚拟系统副总裁David Fritz表示，“在城市环境中，安全的基本定义是消除所有可避免的碰撞。”所需的传感器数量最少取决于用例。一些人认为，在未来，智慧城市基础设施将会越来越复杂且无处不在，从而减少了城市环境中对车载传感的需求。车与车之间的通信也可能对传感器产生影响。

Fritz观察到，“在这里，机载传感器的数量可能会减少，但我们还没有做到这一点。此外，在某些情况下，不得不假设自动驾驶汽车由于电源故障或其他中断问题而无法获得所有外部信息。因此，车辆始终需要配备一组传感器，这不仅适用于城市地区，也适用于农村地区。我们一直在研究的许多设计都需要在车外安装八个摄像头，在内部安装几个摄像头。前置两个摄像头，经过适当校准，我们可以实现低延迟、高分辨率立体视觉，能提供物体的深度范围，从而减少对雷达的需求。我们在车辆的前部、后部和两侧都这样做，以实现 360°全方位视角。”

在所有摄像头进行物体检测和分类时，关键信息将传递到中央计算系统以做出控制决策。

Fritz说：“如果基础设施或其他车辆信息可用，这些信息会与车载传感器信息融合，生成更全面的3D视图，从而做出更好的决策。在车内，额外的摄像头用于监控驾驶员，还可以检测遗留物体等占用情况。可能添加一个低成本雷达来处理雾天或雨天等恶劣天气情况，这是对传感器套件的高级补充。我们最近没有看到大量使用激光雷达的情况。在某些情况下，激光雷达性能会受到回波和反射的影响。最初，自动驾驶原型严重依赖激光雷达数据的GPU处理，但最近更智能的架构正朝着高分辨率、高FPS摄像头方向发展，这种分布式架构能够更好地优化整个系统的数据流。”

优化传感器融合可能很复杂。如何知道哪种组合能为您提供最佳性能？除了进行功能测试外，原始设备制造商还依赖Ansys和西门子等公司提供建模和仿真解决方案来测试各种传感器组合的效果，以实现最佳性能。随着未来几年传感器成本的下降，它可能会打开新传感器的大门。

文章来源： 面包芯语，全国党媒信息公共平台，深度学习技术前沿