眾所周知，從分散式架構向集中式域控制器架構演進已經成為下一代自動駕駛系統不可逆轉的趨勢。對於下一代集中式域控架構下到的自動駕駛系統來說，域控制器因為有強大的硬體計算能力與豐富的軟體介面支援，使得更多核心功能模組集中於域控制器內，系統功能整合度大大提高，這樣對於功能的感知與執行的硬體要求降低。但是，域控制器的出現並不代表底層硬體 ECU 的大規模消失，很多 ECU 的功能會被弱化（軟體和處理功能降級，執行層面功能保留），大部分感測器也可以直接傳輸資料給域控制器，或把資料初步處理後給域控制器，很多複雜計算都可以在域控制器裡完成，甚至大部分控制功能也在域控制器裡完成，原有 ECU 很多隻需執行域控制器的命令，也就是說，外圍零件只關注本身基本功能，而中央域控制器關注系統級功能實現。此外，資料互動的介面標準化，會讓這些零部件變成標準零件，從而降低這部分零部件開發/製造成本。
作為自動駕駛之眼的攝像頭尤其是這樣，在L2階段，整個智慧駕駛的視覺感知單元一般都是放在被稱之為攝像頭總成的零部件中，這種總成零部件都是包含了攝像頭模組本身，也包含了處理攝像頭感知的環境資訊的軟體演算法模組，比如ISP、encode、神經網路、深度學習單元等AI演算法。然而，在下一代高階自動駕駛系統中，這些原本由攝像頭模組處理的感知能力將會被放到域控制器端的AI晶片進行集中式處理。那麼，問題來了，對於這型別的自動駕駛系統架構模式，攝像頭模組本身的需求將會發生哪些變化，又會帶來哪些新的需求呢？
本文主要介紹車載攝像頭基礎知識，包含攝像頭模組成像的基本原理、攝像頭型別、攝像頭選型方法、攝像頭安裝方式、攝像頭安裝過程中的常見問題等。對於自動駕駛相關零部件設計工作來說提供較好的借鑑。
資料和特徵決定了機器學習的上限，而模型和演算法只是逼近這個上限而已。
攝像頭模組基本原理
整個車載攝像頭模組分為幾個不同的較大模組，按照佈置的不同區域以及實現的不同的功能，整個攝像頭模組分為前視感知模組、艙內監測模組、顯像感知模組、外攝顯像模組。
1、攝像頭功能型別
對於高階自動駕駛系統而言，以前視感知系統為例，從攝像頭的型別分類總體可以分為：包含針對更加強悍的遠距離小目標型別、結構探測的單目感知模組；對距離、速度等深度資訊更為敏感的雙目感知模組；以及對夜間行駛下目標的紅外資訊更加有效的夜視攝像頭模組。如下圖分別表示了幾種攝像頭的不同探測功能效能。
2、攝像頭模組型別
從攝像頭的結構來看，主要包含鏡頭、基座、紅外濾光片、影象感測器、PCB和FPC，其中對成像質量影響最大的兩個為影象感測器和鏡頭。影象感測器是將光訊號轉化為電訊號的裝置，是攝像頭中最為重要的部件，分為CCD和CMOS兩大類。CMOS影象感測器晶片採用了CMOS工藝，可將影象採集單元和訊號處理單元整合到同一塊晶片上。其工作原理是將光敏元陣列、影象訊號放大器、訊號讀取電路、模數轉換電路、影象訊號處理器及控制器整合在一塊晶片上。雖然成像質量不如CCD，但是CMOS因為耗電省（僅為CCD晶片的1/10左右）、體積小、重量輕、整合度高、價格低迅速得到各大廠商的青睞。目前主流的車載攝像頭都採用CMOS影象感測器晶片。
從攝像頭應用於不同的探測功能來說，可以區分為前視、側視、後視攝像頭、艙內攝像頭等。
3、攝像頭檢測原理
實際上，在進入真正的影象處理演算法前，進入影象攝像頭模組的影象就已經在攝像頭模組的半導體合成晶片處理端被進行了初步的數字訊號處理（ISP）處理。這個過程包含原始資料處理過程（如壞點矯正、黑電平矯正）、顏色處理過程（白平衡、去躁、去馬賽克、GAMMA等）。其中常見的3A數字成像技術利用了AF自動對焦演算法、AE自動曝光演算法及AWB自動白平衡演算法，實現了影象對比度最大、改善主體拍攝物過曝光或曝光不足情況、使畫面在不同光線照射下的色差得到補償，從而呈現較高畫質的影象資訊，很好的保障影象精準的色彩還原度，呈現完美的日夜監控效果。另一種採用的寬動態範圍HDR技術則是在非常強烈的對比下讓攝像機看到影像的特色而運用的一種技術。
需要說明的是，如果攝像頭模租演算法足夠精進，在攝像頭輸出給後端AI晶片進行深度學習前也就不需要在進行基礎的ISP影象處理了，而AI晶片可以集中更多的算力和資源用於後端的深度學習、神經網路等場合。這樣不僅能夠大大降低AI晶片的處理功耗，還可以很大程度上實現更加優質的Raw data處理效能。當然，這裡內置於攝像頭模組內的ISP實際上對於其是否承載了較好的半導體處理晶片提出了較高的要求，這一塊也是增加攝像頭模組成本的一個原因。而實際處理過程中，攝像頭模組和AI晶片往往承擔著雙重ISP的處理過程。
攝像頭成像效能指標
攝像頭成像效能會大大影響後續AI晶片對環境的認知，特別是其深度學習演算法、算力都是強項關與攝像頭模組輸入的原始資料。原始資料中的影象大小、解析度、視野範圍、畫素大小、動態範圍、幀率等要素則是影響的主要因素。
整體上，對於攝像頭模組而言，主要關心的指標主要有以下幾個：
1、成像單元
以主機廠主要應用的CMOS攝像頭成像元件為例，這種影象感測器是將光敏元陣列、影象訊號放大器、訊號讀取電路、模數轉換電路、影象訊號處理器及控制器整合在一塊晶片上。在CMOS晶片中，每個畫素都有各自的訊號放大器，各自進行電荷-電壓轉換，為了讀出整副影象訊號，要求輸出放大器的訊號頻寬較寬，每個像元放大器的頻寬較低，大大降低了晶片功耗。
影響成像效果的因素包含主觀和客觀兩種，主觀因素是指環境動態目標實際的反射光線能力。如照明度低的隧道或陰雨霧天都是客觀降低成像質量的要素，針對客觀因素導致的影象成像低質量往往需要採用主動補光（一般包括DMS攝像頭、TOF攝像頭）或色彩補償的方式進行質量提升；而主觀因素則是針對攝像頭模組本身的，比如信噪比、解析度、寬動態、灰階、色彩還原度等等。
2、整合性
對於攝像頭模組而言，考慮到其處理能力需要面向更多的原始場景要求，需要整合訊號放大器你、訊號讀取電路、AD轉換電路、影象訊號處理器及控制器等在一塊晶片上。將在前端模組中實現晶片級照相機的功能。
3、採集速度
攝像頭模組需要逐個對光敏元件進行輸出，且具備多個電荷-電壓轉換器和行列開關控制，讀出速度基本大於500f/s以上。且對於高解析度的攝像頭模組而言，往往需要下采樣後進行子視窗的輸出，在僅輸出子視窗影象時可以獲得更高的速度。比如當前應用比較廣泛的是利用地平線的J3晶片處理800萬畫素的影象就需要進行下采樣後，直接輸入加串器後才能滿足J3的處理能力。
4、噪聲處理
當前各家攝像頭供應商更傾向於CMOS工藝下的攝像頭模組，這類模組往往由於缺少PN接面或二氧化矽隔離層，無法實現對噪聲的有效隔離。各元件、電路之間距離很近，干擾比較嚴重。在這一塊上，對於前段模組的消噪技術提出了比較高的要求。
5、耗電量
原來的攝像頭總成往往由於其佈置位置是在前擋風玻璃，且其本身整合的AI晶片會大量呼叫深度學習演算法進行大量的運算。因此，其耗電量也是十分巨大的。當下一代自動駕駛系統架構中，攝像頭僅僅擔任原始影象識別的功能，作為模組而言，可以減少計算單元對其耗電單元的消費。
攝像頭外圍介面
對於以集中式域控制器架構設計的自動駕駛控制系統來說，攝像頭輸入的介面資料將不再是之前可以直接用於演算法控制的CAN資料，而是原始的影象資料，常用的攝像頭rawdata輸入介面形式包括FPD link III、MIPI、DVP。
其中FPD-link是第一次對LVDS規範的應用，由於FPD-link是第一次對LVDS的成功使用，許多顯示工程師LVDS術語來代替FPD-link。LVDS也是攝像頭影象傳輸的主要方式，而MIPI-CSI-2（camera serial interface）協議是MIPI聯盟協議的子協議，應用非常廣泛，具有高速，低功耗的特點。是專門針對LVDS這一傳輸介質配置的一種傳輸協議。
對於整個自動駕駛系統而言每上一套新的模組就需要進行環境適配。適配流程如下：
以車型外CAS為載體利用CATIA、CAD等軟體建立模擬模擬確定佈置位置，釋放相應的位置資訊給攝像頭模組供應商，攝像頭模組供應商進行模組調優、ISP tuning、硬體修改，隨後進行主觀測試、客觀測試。透過行業或企業內製定的模組標準確定該模組調優結果是否透過，透過調優的模組可以進一步進行演算法摸底測試了。攝像頭模組選擇是否合理，以最終的模組合格性測試報告為準。
總結
綜合以上情況可知，影響攝像頭模組識別效能的要素包括模組效能、佈置位置、探測環境光線等，當然採用影象調優可以部分解決以上問題所帶來的影響，後期也可以透過標準化引導生成主觀及客觀測試標準，最佳化演算法需求，整合到產品要求中。
