ADAS og autonom kørsel: Sensing Fundamentals

Gevinster:

• Evne til at forklare rollerne for kamera, radar, LiDAR og sensorfusion i detektionskæden og SAE-automatiseringsniveauer
• Evne til at oprette datamærkning, scenariedefinition og evalueringsmetrikker til objektdetektering, klassificering og sporing
• Evne til kritisk at evaluere kanttilfælde, falsk positiv/negativ balance og sikkerhedsmargin i detektionsmodellens output

De fleste køretøjer i dag har funktioner som advarsel om vognbaneskift, automatisk nødbremse eller adaptiv fartpilot. Disse er alle under paraplyen af ​​ADAS (Advanced Driver Assistance Systems). Kernen i disse systemer og yderligere autonom kørsel er perception: den måde, hvorpå køretøjet "ser" verden omkring det med sensorer og "forstår" det med kunstig intelligens. I denne enhed vil vi dække detektionskæden, sensorer, automatiseringsniveauer og det mest kritiske problem, sikkerhedsgrænser.

En advarsel fra begyndelsen: Dette område er sikkerhedskritisk. Hvis detektionsmodellen ikke registrerer en fodgænger, kan resultatet blive fatalt. Det er derfor, at hvert AI-output her skal være omgivet af sikkerhedstekniske processer (ISO 26262 og SOTIF i de næste enheder).

Sensorer: øjne, ører og radar

En autonom kørestabel kombinerer forskellige sensorer, fordi hver af dem har styrker og svagheder:

• Kamera: Kameraet "ser" bedst farve, tekst (trafikskilt), vognbanelinje og objekttype. Men det er dårligt om natten, tåge, kraftig solskin og afstandsvurdering.
• Radar (Radio Detection and Ranging): Måler afstand og hastighed med radiobølger. Den er mindre påvirket af regn/tåge og måler hastighed direkte (med Doppler-effekten); men dens opløsning er lav, hvilket gør det svært at skelne "er dette en fodgænger eller en kasse?"
• LiDAR (Light Detection and Ranging): Skyder en laser og producerer en præcis tredimensionel "punktsky" af omgivelserne; Det giver distance og form rigtig godt. Men det er dyrt og kan blive påvirket af kraftig tåge/regn.
• Ultralyd: Kort rækkevidde, som parkeringssensorer.

Da ingen af ​​dem er tilstrækkelige i sig selv, udføres sensorfusion: Ved at kombinere data fra forskellige sensorer kompenseres svagheden af ​​hver af dem med styrken af ​​den anden. For eksempel siger kameraet "fodgænger", radaren siger "ved 12 meter, nærmer sig 5 km/t"; Fusion kombinerer de to og skaber et pålideligt spor.

Tip: "hvilken sensor kan se det, og hvor godt?", når du evaluerer en registreringspåstand? spørge. Hvis kameraets afstandsestimat om natten er dårlig, er en afstandsbeslutning baseret på et enkelt kamera tvivlsom.

Detektionskæde

Den typiske kæde fra rå sensordata til beslutning er som følger:

1. Detektion: Finde objekter i billedet/punktskyen ("der er et værktøj her").
2. Klassificering: Bestemmelse af typen af ​​objekt (fodgænger, cykel, køretøj, skilt).
3. Sporing: Følger objektet mellem billederne, estimerer dets hastighed og retning.
4. Fusion: Kombinerer sensorer for at skabe en konsistent verdensmodel.
5. Forudsigelse: "Vil denne fodgænger krydse gaden?"
6. Planlægning og kontrol: Beslutning og styre-/bremse-/gas-kommando.

Kunstig intelligens (især deep learning) 1-3. meget stærk i skridt; 5-6. Trinene er i stigende grad omgivet af tekniske regler og sikkerhedslogik.

SAE automatiseringsniveauer

Autonomi er ikke noget "ja/nej", det er gradvist. SAE J3016-standarden definerer seks niveauer:

Niveau

Navn

Hvem kører?

eksempel

0

Ingen automatisering

alle kører

Kun advarsel (advarsel om blinde vinkler)

1

Driver support

driver + enkelt support

Adaptiv krydstogt ELLER vognbanehold

2

Delvis automatisering

Chauffør (konstant overvågning)

Hastighed + vognbane sammen, føreransvarlig

3

Betinget automatisering

System (under visse betingelser)

Under visse forhold kører systemet, chaufføren er klar til at tage over

4

høj automatisering

System (i specifikt område)

Førerløs i afgrænset område

5

Fuld automatisering

System (under alle forhold)

Driverløs overalt (ikke endnu)

Forsigtig: Den farligste misforståelse er niveau 2. I niveau 2 understøtter køretøjet styring og hastighed, men føreren bevarer konstant overvågning og ansvar. At forveksle systemet som "autopilot" og ikke være opmærksom har ført til dødsulykker. Niveau 2 betyder ikke "førerløs".

Evalueringsmålinger: falsk positiv og falsk negativ

To typer fejl er kritiske ved evaluering af en detektionsmodel:

• Falsk positiv: Tænker, at der er noget, der ikke eksisterer. For eksempel at tænke at en broskygge er en "forhindring" og at bremse unødigt. Foruroligende og nogle gange farligt (påkørsel bagfra).
• Falsk negativ (falsk negativ / miss): Ikke at kunne se noget, der eksisterer. For eksempel ikke at se en rigtig fodgænger. Dette er den mest dødelige fejl i autonom kørsel.

Metrics, der opsummerer disse:

• Præcision: Hvor meget af det du har markeret er faktisk korrekt.
• Genkald (følsomhed): Hvor meget af det, der faktisk eksisterer, har du fanget.
• mAP (middelgennemsnitlig præcision): Fælles sammensat metrik til objektdetektering.

Tilbagekaldelse (ikke savner nogen fodgænger) er afgørende i spørgsmål som fodgængerregistrering ved autonom kørsel; Forøgelse af dette øger nogle gange den falske positive. Denne afvejning er en sikkerhedsteknisk beslutning, ikke ren modelnøjagtighed.

Kantsager og den lange hale

Den sværeste del af autonom kørsel er ikke de almindelige situationer, men de sjældne og mærkelige: skiltet halvt synligt under sneen, lastbilen på hovedet, en udklædt fodgænger, møbler faldet på vejen. Disse sjældne, men farlige situationer kaldes long tail. Selvom en model kan være perfekt til millioner af "normale" miles, kan den fejle i en ekstrem situation, den aldrig har set før. Det er derfor, scenariebaseret test, simulering og validering i den virkelige verden er uendelig.

Mini casestudier

Case 1 - Værdien af fusion. Mens de testede automatisk nødbremsning, fandt et ADAS-hold ud af, at det var langsomt at se et mørkfarvet køretøj foran sig i skarp sol med kun kameraet. Når radardata tilføjes (radaren påvirkes ikke af blænding), registrerer systemet køretøjet 0,4 sekunder tidligere; Det betyder en bremselængde på cirka 10 meter ved 90 km/t. Resultat: Fusion lukkede den blinde vinkel med enkelt sensor.

Case 2 - Recall/præcision balance. Når tærsklen for fodgængerdetekteringsmodellen sænkes, stiger tilbagekaldelsen fra 96 ​​% til 99 %, men falske positiver (skygge, buske) øges, hvilket fører til unødvendig opbremsning. Sikkerhedsteamet træffer beslutningen: At undgå fodgængere er en prioritet, men komforten opretholdes ved at eliminere falske positiver med fusions- og sporingslogik. Konklusion: Metrisk valg er en ingeniør-/sikkerhedsbeslutning, der er ikke et enkelt "korrekt tal".

Case 3 - Kantkasse overraskelse. Mens en model havde 99,8 % succes i sit valideringssæt, forvekslede den et billede af en kæmpe fodgænger bag en lastbil med en snedæksreklame i marken for en "rigtig fodgænger" og bremsede pludselig. Teamet tilføjer denne kant-case til scenariebiblioteket og genoplærer modellen. Konklusion: Den lange hale "slutter" aldrig; Konstant scenarieindsamling er påkrævet.

prompte skabeloner

Skabelon 1 - Generering af en scenarieliste:

Rolle: Du er ADAS testcase ingeniør. Opgave: Lav udfordrende (kanttilfælde) testscenarier for automatisk nødbremsning. Kontekst: Urban, 30-50 km/t, blandet fodgænger og cyklist. Begrænsning: Prioriter sjældne/farlige, ikke hyppige scenarier; skriv den forventede korrekte adfærd for hvert scenarie.Output: Scenario | tilstand | forventet adfærd | risikoniveau.

Skabelon 2 - Mærkningsvejledning:

Rolle: Datamærkning kvalitetsled.Opgave: Skriv et udkast til konsistensregler for fodgængermærkning.Kontekst: Der er fodgængere delvist synlige, siddende, i kørestole og i grupper.Output: Regel | eksempel | grænse tilstand karakter tabel.

Skabelon 3 - Metrisk fortolkning:

Rolle: Ekspert i computersynsevaluering. Opgave: Fortolk mine fodgængerdetekteringsresultater. Kontekst: præcision 0,93, tilbagekaldelse 0,90, de fleste misser om natten eller i regnen. Begrænsning: Understreg vigtigheden af ​​tilbagekaldelse for sikkerheden; Fortæl mig, under hvilke betingelser yderligere bekræftelse er påkrævet. Output: Kommentar + prioriterede forbedringsområder.

Skabelon 4 - Fusion logik skitse:

Rolle: Du er sensorfusionsingeniør. Opgave: Foreslå et udkast til beslutningslogik, når kamera og radar er i konflikt. Kontekst: Radaren ser et lille objekt i bevægelse på 15 m, mens kameraet siger 'ingen fodgænger'. Begrænsning: Anvend antagelsesprincippet til fordel for sikkerhed (sikker side). Output: Beslutningstabel + begrundelse.

Svag prompt / Stærk prompt

Svag prompt:

Er min selvkørende køretøjsmodel sikker?

Uden kontekst; "sikker" er udefineret; AI taler kun i generelle vendinger og kan give vildledende tillid.

Kraftig prompt:

Rolle: Du er ADAS sikkerhedsvurderingskonsulent. Opgave: Lav en tjekliste, så jeg kan stille spørgsmålstegn ved sårbarhederne i min fodgængerdetektionsmodel. Kontekst: Urban Level 2 system; Recall falder om natten og i regnen; Der er kun kamera + radar, ingen LiDAR. Begrænsning: Erklær ikke 'sikker'; specificere, under hvilke forhold systemet er på grænsen, og hvilke yderligere test der er påkrævet. Output: Risikoområde | hvorfor | anbefalet test | vigtighedstabel.

Almindelige fejl

• Forkert niveau 2 for "førerløs". Ansvaret ligger hos chaufføren; Denne misforståelse er fatal.
• Stoler på en enkelt sensor. Hver sensor har en blind vinkel; fusion er afgørende.
• Ser bare på gennemsnitlig nøjagtighed. 99 % succes, 1 % savnet fodgænger kan være dødelig; tilbagekaldelse og randsager er kritiske.
• Ignorerer ekstreme tilfælde. Den lange hale ender aldrig; Scenarieindsamling er kontinuerlig.
• Overlader sikkerhedsbeslutningen til modellen. Tærskel- og balancebeslutninger er sikkerhedsingeniørens ansvar.

Sammenfattende

• I hjertet af ADAS og autonom kørselsregistrering er kamera, radar, LiDAR og sensorfusion; Hver sensor har forskellige styrker/svagheder.
• Detektionskæden består af detektion, klassificering, overvågning, fusion, forudsigelse og kontrol; AI er stærk i de første trin.
• SAE-niveauer spænder fra 0 til 5; I niveau 2 ligger ansvaret hos chaufføren.
• Falsk negativ (bortførelse af fodgængere) er den mest fatale fejl; tilbagekaldelse og kantsager prioriteres.
• Sikkerhedsbeslutninger er ingeniøransvar; Modelnøjagtighed er ikke det eneste kriterium.

Ansøgningsopgave

Vælg en ADAS-funktion (f.eks. vognbaneassistent). (1) Skriv i en tabel, hvilke sensorer der understøtter denne funktion og hvor godt. (2) Generer 5 edge case-scenarier med skabelon 1 og angiv den forventede sikre adfærd for hver. (3) Sammenlign resultaterne af falsk positive og falsk negative for denne funktion. (4) Angiv, hvilke uafhængige tests der kræves, før du hævder, at modellen er "sikker".

tjekliste

• [ ] Jeg vurderede sensorernes styrker/svagheder efter funktion.
• [ ] Jeg har også listet slutcase (long tail) scenarierne.
• [ ] Jeg sammenlignede falsk positive/negative resultater for sikkerhed.
• [ ] Jeg tog højde for den sikkerhedskritiske betydning af Recall.
• [ ] Jeg præciserede SAE-niveauet, og hvem der er ansvarlig.
• [ ] Jeg udarbejdede en uafhængig testplan, før jeg hævdede "sikker".