ADAS och autonom körning: Sensing Fundamentals

Vinster:

• Förmåga att förklara rollerna för kamera, radar, LiDAR och sensorfusion i detekteringskedjan och SAE-automationsnivåer
• Möjlighet att skapa datamärkning, scenariodefinition och utvärderingsmått för objektdetektering, klassificering och spårning
• Förmåga att kritiskt utvärdera kantfall, falsk positiv/negativ balans och säkerhetsmarginal i detektionsmodellens utdata

De flesta fordon idag har funktioner som filbytesvarning, automatisk nödbromsning eller adaptiv farthållare. Dessa är alla under paraplyet av ADAS (Advanced Driver Assistance Systems). Kärnan i dessa system och ytterligare autonom körning är perception: hur fordonet "ser" världen omkring sig med sensorer och "förstår" den med artificiell intelligens. I den här enheten kommer vi att täcka detekteringskedjan, sensorer, automationsnivåer och det mest kritiska problemet, säkerhetsgränser.

En varning från början: Det här området är säkerhetskritiskt. Om detektionsmodellen inte upptäcker en fotgängare kan resultatet bli dödligt. Det är därför varje AI-utgång här måste omges av säkerhetstekniska processer (ISO 26262 och SOTIF i nästa enheter).

Sensorer: ögon, öron och radar

En autonom körstack kombinerar olika sensorer eftersom var och en har styrkor och svagheter:

• Kamera: Kameran "ser" färg, text (trafikskylt), körfältslinje och objekttyp bäst. Men det är dåligt på natten, dimma, stark solbländning och avståndsuppskattning.
• Radar (Radio Detection and Ranging): Mäter avstånd och hastighet med radiovågor. Den påverkas mindre av regn/dimma och mäter hastigheten direkt (med Dopplereffekten); men dess upplösning är låg, vilket gör det svårt att skilja "är det här en fotgängare eller en låda?"
• LiDAR (Light Detection and Ranging): Tar en laser och producerar ett exakt tredimensionellt "punktmoln" av omgivningen; Det ger distans och form väldigt bra. Men det är dyrt och kan påverkas av kraftig dimma/regn.
• Ultraljud: Kort räckvidd, som parkeringssensorer.

Eftersom ingendera är tillräcklig i sig utförs sensorfusion: genom att kombinera data från olika sensorer kompenseras svagheten hos var och en av den andras styrka. Till exempel säger kameran "fotgängare", radarn säger "vid 12 meter, närmar sig 5 km/h"; Fusion kombinerar de två och skapar ett pålitligt spår.

Tips: När du utvärderar ett upptäcktspåstående, "vilken sensor kan se det och hur bra?" be. Om kamerans avståndsuppskattning på natten är dålig är ett avståndsbeslut baserat på en enda kamera tveksamt.

Detektionskedja

Den typiska kedjan från rå sensordata till beslut är följande:

1. Detektion: Hitta objekt i bilden/punktmolnet ("det finns ett verktyg här").
2. Klassificering: Bestämma typen av föremål (fotgängare, cykel, fordon, skylt).
3. Spårning: Följer objektet mellan bildrutor och uppskattar dess hastighet och riktning.
4. Fusion: Kombinera sensorer för att skapa en konsekvent världsmodell.
5. Förutsägelse: "Kommer den här fotgängaren att korsa gatan?"
6. Planering och kontroll: Beslut och styr-/broms-/gaskommando.

Artificiell intelligens (särskilt djupinlärning) 1-3. mycket stark i steg; 5-6. Stegen omges i allt högre grad av ingenjörsregler och säkerhetslogik.

SAE automationsnivåer

Autonomi är inte en "ja/nej" sak, det är gradvis. SAE J3016-standarden definierar sex nivåer:

Nivå

Namn

Vem kör?

exempel

0

Ingen automatisering

alla kör

Endast varning (varning för döda vinkeln)

1

Förarstöd

drivrutin + enkel support

Adaptiv kryssning ELLER filhållning

2

Partiell automatisering

Förare (ständig övervakning)

Hastighet + fil tillsammans, föraransvarig

3

Villkorlig automatisering

System (under vissa förutsättningar)

Under vissa förhållanden kör systemet, föraren är redo att ta över

4

hög automatisering

System (i specifikt område)

Förarlös i avgränsat område

5

Full automatisering

System (under alla förhållanden)

Förarlös överallt (inte än)

Varning: Det farligaste missförståndet är nivå 2. I nivå 2 stödjer fordonet styrning och hastighet, men föraren behåller ständig övervakning och ansvar. Att missförstå systemet som "autopilot" och inte uppmärksamma har lett till dödsolyckor. Nivå 2 betyder inte "förarlös".

Utvärderingsmått: falskt positivt och falskt negativt

Två typer av fel är kritiska när man utvärderar en upptäcktsmodell:

• Falskt positivt: Tänker att det är något som inte finns. T ex att tänka att en broskugga är ett "hinder" och bromsa i onödan. Disturbing and sometimes dangerous (rear-end collision).
• Falskt negativt (falskt negativt/miss): Att inte kunna se något som finns. Till exempel att inte se en riktig fotgängare. Detta är det dödligaste misstaget i autonom körning.

Mätvärden som sammanfattar dessa:

• Precision: Hur mycket av det du markerat är faktiskt korrekt.
• Återkallelse (känslighet): Hur mycket av det som faktiskt finns har du fångat.
• mAP (medelmedelprecision): Vanligt sammansatt mått för objektdetektering.

Återkallelse (att inte sakna någon fotgängare) är avgörande i frågor som fotgängares upptäckt vid autonom körning; Att öka detta ökar ibland det falska positiva. Denna avvägning är ett säkerhetstekniskt beslut, inte ren modellnoggrannhet.

Kantfodral och den långa svansen

Den svåraste delen av autonom körning är inte de vanliga situationerna, utan de sällsynta och konstiga: skylten halvt synlig under snön, den upp och nervända lastbilen, en utklädd fotgängare, möbler som fallit på vägen. Dessa sällsynta men farliga situationer kallas lång svans. Även om en modell kan vara perfekt för miljontals "normala" miles, kan den misslyckas i en extrem situation som den aldrig har sett förut. Det är därför scenariobaserad testning, simulering och verklig validering är oändliga.

Mini fallstudier

Fall 1 - Värdet av fusion. När ett ADAS-team testade automatisk nödbromsning upptäckte det att det var långsamt att upptäcka ett mörkfärgat fordon framför sig i stark sol med bara kameran. När radardata läggs till (radarn påverkas inte av bländning) upptäcker systemet fordonet 0,4 sekunder tidigare; Det innebär en bromssträcka på cirka 10 meter i 90 km/h. Resultat: Fusion stängde den enda sensorns döda vinkel.

Fall 2 - Recall/precision balans. När tröskeln för fotgängardetekteringsmodellen sänks ökar återkallelsen från 96 % till 99 %, men falska positiva (skugga, buskar) ökar, vilket leder till onödig inbromsning. Säkerhetsteamet fattar beslutet: att undvika fotgängare är en prioritet, men komforten upprätthålls genom att eliminera falska positiva resultat med fusions- och spårningslogik. Slutsats: Metriskt val är ett ingenjörs-/säkerhetsbeslut, det finns inget "rätt nummer".

Case 3 - Edge case surprise. Medan en modell var 99,8 % framgångsrik i sin valideringsuppsättning, misstog den ett foto av en gigantisk fotgängare bakom en lastbil som bar en snödäcksreklam på fältet för en "riktig fotgängare" och bromsade plötsligt. Teamet lägger till detta kantfall till scenariobiblioteket och tränar om modellen. Slutsats: Den långa svansen "slutar" aldrig; Konstant scenarieinsamling krävs.

snabbmallar

Mall 1 - Skapa en scenariolista:

Roll: Du är ADAS testfallsingenjör. Uppgift: Ta fram utmanande (kantfall) testscenarier för automatisk nödbromsning. Sammanhang: Urban, 30-50 km/h, blandad fotgängare och cyklist. Begränsning: Prioritera sällsynta/farliga, inte frekventa scenarier; skriv det förväntade korrekta beteendet för varje scenario.Output: Scenario | skick | förväntat beteende | risknivå.

Mall 2 - Märkningsguide:

Roll: Datamärkning kvalitetsledning. Uppgift: Skriv ett utkast till konsekvensregler för fotgängarmärkning. Sammanhang: Det finns fotgängare delvis synliga, sittande, i rullstolar och i grupper.Output: Regel | exempel | gränstillståndsgradstabell.

Mall 3 - Metrisk tolkning:

Roll: Expert för utvärdering av datorseende. Uppgift: Tolka mina resultat för fotgängardetektering. Sammanhang: precision 0,93, återkallelse 0,90, de flesta missar på natten eller i regn. Begränsning: Betona vikten av återkallelse för säkerheten; Berätta för mig under vilka villkor ytterligare verifiering krävs. Resultat: Kommentar + prioriterade förbättringsområden.

Mall 4 - Fusion logiköversikt:

Roll: Du är ingenjör med sensorfusion. Uppgift: Föreslå ett utkast till beslutslogik när kamera och radar konflikter. Sammanhang: Radarn ser ett litet föremål i rörelse på 15 m medan kameran säger "ingen fotgängare". Begränsning: Tillämpa antagandeprincipen till förmån för säkerhet (säker sida). Resultat: Beslutstabell + motivering.

Svag prompt / Stark prompt

Svag uppmaning:

Är min autonoma fordonsmodell säker?

Utan sammanhang; "säker" är odefinierat; AI talar bara i allmänna termer och kan ge missvisande förtroende.

Kraftfull uppmaning:

Roll: Du är ADAS säkerhetsbedömningskonsult. Uppgift: Skapa en checklista så att jag kan ifrågasätta sårbarheterna i min modell för fotgängardetektering. Sammanhang: Urban Level 2-system; Recall faller på natten och i regnet; Det finns bara kamera + radar, ingen LiDAR. Begränsning: Förklara inte "säker"; specificera under vilka förhållanden systemet är på sin gräns och vilka ytterligare tester som krävs. Output: Riskområde | varför | rekommenderat test | betydelsetabell.

Vanliga misstag

• Misstag nivå 2 för "förarlös". Ansvaret ligger på föraren; Denna missuppfattning är dödlig.
• Förlitar sig på en enda sensor. Varje sensor har en död vinkel; fusion är avgörande.
• Tittar bara på genomsnittlig noggrannhet. 99 % framgång, 1 % missad fotgängare kan vara dödlig; återkallelse och kantfall är kritiska.
• Ignorera extrema fall. Den långa svansen tar aldrig slut; Scenarioinsamling är kontinuerlig.
• Överlåter säkerhetsbeslutet till modellen. Beslut om tröskel och balans är säkerhetsteknikens ansvar.

Sammanfattningsvis

• I hjärtat av ADAS och avkänning av autonom körning är kamera, radar, LiDAR och sensorfusion; Varje sensor har olika styrkor/svagheter.
• Detektionskedjan består av detektion, klassificering, övervakning, sammansmältning, förutsägelse och kontroll; AI är stark i de första stegen.
• SAE-nivåer sträcker sig från 0 till 5; I nivå 2 ligger ansvaret på föraren.
• Falsk negativ (bortförande av fotgängare) är det mest ödesdigra felet; återkallelse och kantärenden har prioritet.
• Säkerhetsbeslut är tekniskt ansvar; Modellnoggrannhet är inte det enda kriteriet.

Applikationsuppgift

Välj en ADAS-funktion (t.ex. filhållningshjälp). (1) Skriv i en tabell vilka sensorer som stöder denna funktion och hur väl. (2) Skapa 5 kantfallsscenarier med mall 1 och specificera det förväntade säkra beteendet för varje. (3) Jämför resultaten av falskt positivt och falskt negativt för denna funktion. (4) Ange vilka oberoende tester som krävs innan du hävdar att modellen är "säker".

checklista

• [ ] Jag utvärderade styrkorna/svagheterna hos sensorerna efter funktion.
• [ ] Jag har också listat slutfallsscenarierna (long tail).
• [ ] Jag jämförde falskt positiva/negativa resultat för säkerhets skull.
• [ ] Jag tog hänsyn till den säkerhetskritiska betydelsen av Recall.
• [ ] Jag klargjorde SAE-nivån och vem som är ansvarig.
• [ ] Jag förberedde en oberoende testplan innan jag hävdade "säker".