PIX
“使用鐳射雷達很蠢。任何依賴鐳射雷達的人都註定要失敗，昂貴的感測器是不必要的，這就像是一大堆昂貴的附屬品”。馬斯克在“特斯拉自動駕駛開放日”活動上的話一石激起千層浪，對於這樣的說法，很多人都表示不認同。
“自動駕駛感知能力的本質是消除不確定性（資訊熵），從資訊理論的角度來說，消除不確定性需要多維度、多型別的資訊源，且資訊源要儘量形成正交，因此多感測器融合才是提升感知能力的正確途徑”PIX Moving 創始人兼CEO 喻川表示。
自動駕駛汽車關鍵技術主要由“環境感知、決策與規劃、控制與執行”三個部分組成。而執行中的安全設計會涉及到方方面面，從硬體配置到多感測器融合、安全冗餘，再到智慧道路等。
以無人小巴PIX Robobus為例，分享一下安全設計邏輯。
PIX Robobus
01
採用線控底盤--精準控制與執行
PIX Moving另闢蹊徑，Robobus的線控底盤部分採用了輪轂電機方案，在輪轂電機的加持下，對4個輪轂電機進行獨立的力矩分配，在車身姿態穩定、內部空間面積，續航里程方面都有顯著提升。
“PIX Robobus對所有執行器進行閉環控制，能夠進行精準的力矩、制動壓力、轉向輸出與控制。”PIX Moving硬體工程師Nick如是說。
PIX 線控底盤
“同時，PIX Robobus線控底盤部分設定了3層安全冗餘，當系統檢測到一個控制器失效，另一個控制器可以啟用啟動，提供基本功能候補。更進一步，如果其它控制器失效，還要有最後一重安全冗餘提供底盤制動的基本功能”。
02
多感測器融合，增強環境感知
今年5月份，馬斯克曾在Twitter發文表示，特斯拉美國工廠從5月份開始，生產沒有搭載毫米波雷達的Model 3和Model Y車型，只使用攝像頭和超聲波。
馬斯克宣佈取消毫米波雷達
這就意味著馬斯克從實際行動上押注了視覺為主的技術方案，驗證了2019年在“特斯拉自動駕駛開放日”活動上的說法。
不過與馬斯克激進選擇不同的是，PIX Robobus從資訊理論對消除不確定性的數學描述出發，選擇多感測器融合方案。
“PIX Robobus有園區、機場、地鐵以及旅遊景區接駁等不同的場景，執行環境極為複雜，加之在車輛進行自動駕駛的過程中，如果遇到雨、雪、霧等惡劣天氣時，攝像頭所見的景象和人眼基本相同，視線受阻，安全性將大大降低。”PIX Moving 自動駕駛工程師Mark Jin說到。
“現在單一的視覺方案根本無法適應，需使用更加複雜的感知系統，其中包括佈置在車輛四周不同位置、不同焦距的攝像頭，多線鐳射雷達、毫米波雷達以及超聲波雷達；輔以感知融合演算法，最大程度地減少感知盲區”。
“毫米波雷達的重要能力之一就是應對惡劣環境，識別前方存在的障礙物。這種能力得益於毫米波雷達發出的波是電磁波，電磁波在傳導過程中，惡劣環境只會造成微弱影響，但不會完全無法傳遞。而視覺感測器在惡劣環境下只能所見即所得，侷限性較大。”PIX Moving首席科學家Alexander Carballo Segura進一步解釋到。
PIXRobobus配備了32線的4個鐳射雷達、1個12路超聲波雷達探頭、2個毫米波雷達，14個攝像頭，配合高精度地圖，可以完成對複雜道路資訊的感知，為乘客提供舒適、安全的接駁。
PIX Robobus自動駕駛測試車
PIX Robobus攝像頭佈置示意圖
“對於Robobus來講，除了基礎的車輛避讓、自動變道、自動轉向、紅綠燈識別等功能，還要具備應對各類城市複雜的交通場景的能力，比如人車混雜的路口通行，Cut in處理，鬼探頭等。
PIX Robobus依靠多個鐳射雷達、遍佈車身周圍的攝像頭以及多個毫米波雷達等多種感測器進行融合，配合高精度地圖，完成對複雜道路資訊的感知。
感測器的佈局展示
高精度地圖提供先驗的道路語義資訊，比如現在處於第幾車道、哪裡會有紅綠燈、標識牌資訊等，幫助車輛根據已知道路環境提前進行決策規劃，而多感測器的融合感知給出實時道路環境的資訊。
比如車道線資訊、障礙物位置、當前紅綠燈狀態等，從而使車輛完成避障、變道、等待紅綠燈、避讓行人等一系列操作。同時 Robobus還需要提前根據高精度地圖預設乘客站點，配合實時感知系統，完成上下客的動作。流暢、舒適、安全的接駁，這都需要依賴實時高精度的感知系統”自動駕駛工程師Fitz表示。
天晴、下雨、夜晚場景下前視感知融合
“無人駕駛是交通和人車關係的未來形態，更是解放車對人限制的工具，是對未來移動城市空間轉移和構造的探索。”PIX Robobus無人小巴的自動駕駛設計，源於微迴圈的小巴場景，更不止於普通的乘車互動。
從人性化角度，團隊深度最佳化小巴駕控和互動效能，以柔和平穩的乘坐體驗為目標；從安全效能角度，透過制定超越ISO低速自駕全要求的標準和多重安全冗餘設計，將車內外人員的安全置於首位，徹底打消乘客的安全顧慮。
高標準的乘坐體驗和安全效能不僅解放了司機的雙手，更釋放了乘員的緊張情緒。而PIX Moving團隊的終極自動駕駛系統設計目標，則迴歸於提供無感的無人駕駛服務，讓乘員徹底忘記機器，享受移動城市生活帶來的舒適與便利。”PIXMoving自動駕駛工程師 Nan 如是說。
3D視角下的360度感知融合
03
多重安全冗餘設計，保障安全執行
安全冗餘是保障運營的重要組成部分，主要包含“自動駕駛系統、網路服務、排程系統、工控機、感測器、線束、機械結構功能、VCU、CAN線束、電池組”等安全冗餘設計。
下面以自動駕駛系統安全冗餘設計為例，來看PIX Robobus如何做多重安全冗餘設計的。
01
定位模組
GNSS組合慣導
潛在問題：GNSS網路攻擊
自檢方法：Health checker
處理方法：根據已經透過Lidar和有效時的GNSS資訊保留區域性地圖記憶，進行靠邊緊急停車操作，依賴其他感測器：Lidar、Radar、Camera進行定位。
故障型別：故障急停（不可繼續任務）
潛在問題：訊號遮擋丟失
自檢方法：SOL TYPE - 解析型別 - NMEA諾瓦泰
處理方法：
（1）自動重新定位；
（2）使用IMU繼續執行；
（3）視覺方案靠邊停車；
（4）排程系統遠端駕駛接入；
（5）如果無法繼續正常執行或排程系統終止則緊急停車。
故障型別：（1）故障繼續執行 ；（2）故障急停
02
感知模組
鐳射雷達
潛在問題：GNSS網路攻擊
自檢方法：Health checker
處理方法：根據已經透過Lidar和有效時的GNSS資訊保留區域性地圖記憶，進行靠邊緊急停車操作，依賴其他感測器：Lidar、Radar、Camera進行定位。
故障型別：故障急停（不可繼續任務）
攝像頭（主攝）
潛在問題：GNSS網路攻擊
自檢方法：Health checker
處理方法：根據已經透過Lidar和有效時的GNSS資訊保留區域性地圖記憶，進行靠邊緊急停車操作，依賴其他感測器：Lidar、Radar、Camera進行定位。
故障型別：故障急停（不可繼續任務）
攝像頭（紅綠燈）
潛在問題：GNSS網路攻擊
自檢方法：Health checker
處理方法：根據已經透過Lidar和有效時的GNSS資訊保留區域性地圖記憶，進行靠邊緊急停車操作，依賴其他感測器：Lidar、Radar、Camera進行定位。
故障型別：故障急停（不可繼續任務）
攝像頭（環視）
潛在問題：GNSS網路攻擊
自檢方法：Health checker
處理方法：根據已經透過Lidar和有效時的GNSS資訊保留區域性地圖記憶，進行靠邊緊急停車操作，依賴其他感測器：Lidar、Radar、Camera進行定位。
故障型別：故障急停（不可繼續任務）
超聲波雷達
潛在問題：GNSS網路攻擊
自檢方法：Health checker
處理方法：根據已經透過Lidar和有效時的GNSS資訊保留區域性地圖記憶，進行靠邊緊急停車操作，依賴其他感測器：Lidar、Radar、Camera進行定位。
故障型別：故障急停（不可繼續任務）
毫米波雷達
潛在問題：GNSS網路攻擊
自檢方法：Health checker
處理方法：根據已經透過Lidar和有效時的GNSS資訊保留區域性地圖記憶，進行靠邊緊急停車操作，依賴其他感測器：Lidar、Radar、Camera進行定位。
故障型別：故障急停（不可繼續任務）
感測器的佈局展示
03
規劃模組
全域性路徑規劃：
潛在問題：道路突發封閉
自檢方法：（1）接入導航系統；（2）人工檢測
處理方法：（1）重新自動規劃路徑；（2）人工干預；（3）排程系統指令。
故障型別：（1）故障繼續執行；（2）故障急停
區域性路徑規劃：
潛在問題：變道、行駛失敗
自檢方法：（1）接入導航系統 ；（2）人工檢測
處理方法：（1）重新自動規劃路徑；（2）人工干預（3）排程系統指令
故障型別：（1）故障繼續執行；（2）故障急停
04
事故
碰撞事故-非行人
潛在問題：碰撞事故-非行人
自檢方法：（1）接入導航系統；（2）人工檢測
處理方法：（1）重新自動規劃路徑；（2）人工干預；（3）排程系統指令
故障型別：（1）故障繼續執行；（2）故障急停
碰撞事故-行人
潛在問題：碰撞事故-行人
自檢方法：（1）接入導航系統；（2）人工檢測
處理方法：（1）重新自動規劃路徑；（2）人工干預；（3）排程系統指令
故障型別：（1）故障繼續執行；（2）故障急停
從硬體選擇，到多感測器融合，再到安全冗餘設計，自動駕駛運營安全設計是一項系統工程，從現階段的技術成熟度來看，多感測器融合可靠性會更高。
自動駕駛時代即將來臨，一切不以安全為前提的技術開發，都是耍流氓。對於自動駕駛汽車而言，安全問題尤為不容忽視，只有解決好了安全問題，自動駕駛才能真正實現大規模商用。
更多佐思報告
佐思 2021年研究報告撰寫計劃
智慧網聯汽車產業鏈全景圖（2021年7月版）
|
主機廠自動駕駛 |
汽車視覺 |
高精度地圖 |
|
商用車自動駕駛 |
汽車視覺（下） |
高精度定位 |
|
低速自動駕駛 |
汽車模擬（上） |
OEM資訊保安 |
|
ADAS與自動駕駛Tier1 |
汽車模擬（下） |
汽車閘道器 |
|
汽車與域控制器 |
毫米波雷達 |
APA與AVP |
|
域控制器排名分析 |
車用鐳射雷達 |
駕駛員監測 |
|
處理器和計算晶片 |
車用超聲波雷達 |
OEM車聯網 |
|
E/E架構 |
Radar拆解 |
車載語音 |
|
汽車分時租賃 |
充電基礎設施 |
人機互動 |
|
共享出行及自動駕駛 |
汽車電機控制器 |
L4自動駕駛 |
|
汽車智慧座艙 |
混合動力報告 |
L2自動駕駛 |
|
汽車作業系統 |
V2X和車路協同 |
燃料電池 |
|
座艙多屏與聯屏 |
路側智慧感知 |
汽車功率電子 |
|
合資品牌車聯網 |
特斯拉新四化 |
汽車IGBT |
|
自主品牌車聯網 |
比亞迪新四化 |
線控底盤 |
|
戴姆勒新四化 |
華為新四化 |
轉向系統 |
|
大眾新四化 |
新勢力Top4 |
車載顯示 |
|
四維圖新新四化 |
T-Box市場研究 |
OTA研究 |
|
Waymo智慧網聯佈局 |
T-Box排名分析 |
智慧後視鏡 |
|
車載紅外夜視系統 |
HUD行業研究 |
商用車車聯網 |
|
Tier1智慧座艙（上） |
汽車數字鑰匙 |
商用車ADAS |
|
Tier1智慧座艙（下） |
汽車線束、線纜 |
汽車5G |
|
智慧網聯和自動駕駛基地 |
無線通訊模組 |
模組化報告 |
|
智慧汽車個性化 |
汽車功率半導體 |
飛行汽車 |
|
汽車雲服務平臺 |
TSP廠商及產品 |
汽車照明 |
|
專用車自動駕駛 |
座艙SOC |
汽車座椅 |
|
農機自動駕駛 |
汽車MCU研究 |
汽車MLCC |
|
無人接駁車 |
感測器晶片 |
自動駕駛法規 |
|
港口自動駕駛 |
ADAS/AD主控晶片 |
智慧停車 |
|
礦山自動駕駛 |
AUTOSAR軟體 |
自動駕駛重卡 |
|
乘用車攝像頭季報 |
軟體定義汽車 |
ADAS資料年報 |
「佐思研究月報」
ADAS/智慧汽車月報 | 汽車座艙電子月報 | 汽車視覺和汽車雷達月報 | 電池、電機、電控月報 | 車載資訊系統月報 | 乘用車ACC資料月報 | 前視資料月報 | HUD月報 | AEB月報 | APA資料月報 | LKS資料月報 | 前雷達資料月報
報告訂購請私信小編
