毫米波雷达和车联网在未来无人驾驶中的应用和比较

来源：来自新加坡南阳理工大学电气与电子信息工程学院的陆亿泷教授，研究领域包括雷达、天线、微波工程、阵列信号处理、电磁计算、复杂问题的遗传算法优化等。

会议时间：2017年8月9日 恩智浦 半导体(NASDAQ:NXPI)致力于通过安全连接及基础设施解决方案为人们更智慧、便捷的生活保驾护航。作为全球领先的嵌入式应用安全连接技术领导者，恩智浦不断推动着互联汽车、物联终端等智能安全互联应用市场的创新。 汽车的概念已经变成了一个安全互联、自驾机器人，能够自动感知环境、思考和行动。 高级驾驶员辅助系统(ADAS)是汽车日益自动驾驶的基础。恩智浦掌握了“自动驾驶机器人”技术的整个复杂性。我们的解决方案有助于确保每一段旅程都是安全和愉快的。 车辆如何探测前方道路 安置于前脸隔栅上的长距离雷达，能够保证和前方车辆保持统一的行车距离。其次，多个搭载机器视觉软件的摄像头，能够读取道路标线，识别周边物体。这些数据会及时发送回后座的行车电脑上，从而电子化控制方向，确保车辆在车道中心。另外，为了增强车辆的全局意识，该系统还配备了短距离雷达、额外的超声波传感器和激光雷达。 汽车自动驾驶计划 通用汽车计划2020年之前推出全自动汽车，行驶在洲际公路等有出入控制的道路。 日本日产汽车宣布将在日本通过Leaf车型测试 一款高级的驾车辅助系统。 互联网巨头谷歌也欲从中分一杯羹。2012年5月，谷歌自动驾驶汽车拿到了美国首个自动驾驶车辆许可证，其无人驾驶汽车早已在加 利福尼亚州、内华达州和佛罗里达州的道路上行驶了数十万英里。GoogleCEO、联合创始人佩奇此前表示，将在确保安全的情况下，令无人驾驶汽车逐渐进 入公共道路，预计10年内可以完成。 自动驾驶分级 在区分自动驾驶和无人驾驶上面,美国国家公路交通安全管理局(简称NHTSA)给出了更为详细的注释,其将自动驾驶功能分为5个级别,0-4级。 0级:无自动化 没有任何自动驾驶功能、技术,司机对汽车所有功能拥有绝对控制权; 1级:驾驶支援 向司机提供基本的技术性帮助,例如自适应巡航控制系统、自动紧急制动,司机占据主导位置,不过可以放弃部分控制权给系统管理。 2级:部分自动化 实现数种功能的自动控制,例如自动巡航控制或车道保持功能,司机和汽车来分享控制权,不过,司机必须随时待命,在系统退出的时候随时接上; 3级:有条件自动化 在有限情况下实现自动控制,系统在某些条件下可以完全负责整个车辆的操控,但是当遇到紧急情况,还是需要司机对车辆进行接管; 4级:完全自动化(无人驾驶) 无需司机或乘客的干预,在无需人协助的情况下由出发地驶向目的地。 目前大部分传统车企都停留在自动驾驶1级、2级、2.5级水平。 车联网（Internet of Vehicles）是由车辆位置、速度和路线等信息构成的巨大交互网络。通过GPS、RFID、传感器、摄像头图像处理等装置，车辆可以完成自身环境和状态信息的采集；通过互联网技术，所有的车辆可以将自身的各种信息传输汇聚到中央处理器；通过计算机技术，这些大量车辆的信息可以被分析和处理，从而计算出不同车辆的最佳路线、及时汇报路况和安排信号灯周期。 车联万物(V2X)技术支持汽车与周围环境通信，使驾驶更安全、更高效。V2X能使无形变有形，因而可警告驾驶员道路危险，从而帮助减少交通伤害和死亡。除了提高安全性，V2X还有助于优化交通流量，减少交通拥堵，减少交通对环境的影响。 「车联网」的前景是什么？你所期待的车联网世界是怎样的？ 雷达用于辅助自动驾驶，目前还不能完全用于驾驶。 雷达（RADAR），英文「Radio Detection and Ranging」 按工作波长分类 米波雷达、分米波雷达、厘米波雷达、毫米波雷达、激光/红外雷达…… 普通的雷达存在角度和距离精度低的问题 激光雷达达到纳米精度，但是成本高、受天气（如雨雪、雾霾等）影响较大 雷达的频段 SRR（）：24-24.25GHZ，带宽0.25GHZ，误差：0.6m SRR，LRR（）：76-77GHZ，带宽1GHZ，误差：0.15m 未来（LRR，SRR）：77-81GHZ，带宽4GHZ，误差：0.0375m 老师分析：随着雷达带宽的增加，变成原来的四倍，雷达检测的距离变长，精度变高；另外目前摄像头速率增加（目前已研制出是当前最快的1000倍速率的摄像头，且存储小，通过视频帧差来存储），两者结合完全能够超越激光雷达的效果，且成本低于激光雷达。所以说激光雷达的前景可能不太好。 目前他们相关的项目是：“智能交通测试平台”，2014-2018，其成果可能会在新加坡2019年的“世界智能交流大会”上展示 有人将人工智能分为：深度学习和超限学习机。 IAIS 2016 黄广斌：超限学习机(ELM)和图像处理 2004年南洋理工大学黄广斌副教授提出一套全新的学习理论和方法：Extreme Learning Machines （ELM，超限学习机）。 ELM突破了前30年流行的前馈神经网络以及近20年广泛应用的支撑向量机（SVM）的理论和技术瓶颈。和ELM相比，支撑向量机及其演伸方法只是提供次优学习方案。 ELM和SVM/LS-SVM， Deep Learning（深度学习）相比，准确率高，简单易用，学习速度可以快几千到几万倍。 ELM理论最近也得到了生物和脑神经学的直接生物验证，弥补了机器学习和脑学习机制之间的空白，解决了计算机之父冯·诺依曼（John von Neumann）60年前的关于人脑和计算机结构和能力的困惑。 超限学习机(ELM)和深度学习(DL)的有机结合是个新的机器学习趋势。超限学习机和广泛流行的学习技术（比如传统的人工神经网络，支持向量机）相比，速度快（可以达到几百到几万倍）并且准确率高。 初步研究显示在某些应用中(比如手写体识别，手语识别，交通路牌识别，3D图形分析等)，ELM与DL相比可进一步提高准确率,并且大幅度降低训练时间（相比较深度学习基于GPU的1-2天训练时间，ELM在普通计算机上的训练时间缩短到几分钟或更少）。 ELM理论可以给深度学习中广泛应用的局部吸收(Local Receptive Fields)提供理论支持。 ELM对未来机器学习的发展趋势和影响: 从机器学习工程到机器学习科学的转折点; 机器学习和生物学习机制的汇合趋势; 从人（和其他生命体）的智能到机器智能; 从物联网（IoT）到智能物的联网（Internet of Intelligent Things）以及有别于人类社会的智能体社会（Society of Intelligent Things）; 在智能制造的应用 (比如3D快速打印上的开拓性应用) 。 提出布局普适学习和普适智能。