根据特斯拉的技术路线,通过高性能的摄像头与BiFPN、HydraNet、RegNet等多级神经网络进行数据采集、记录、分析、学习等处理,构建虚拟道路空间,以强大的运算能力将平面图像转化为带有计算深度信息的立体数据,从而实现环境监测功能。
根据马斯克的说法,摄像头与雷达的同时应用可能会产生采集数据的冲突,在最终采用哪种数据的问题上会造成系统冲突,因此使用纯视觉效果会让采集回来的数据更加易于处理。只要摄像头性能足够强,就可以实现类似激光雷达的效果。
但是,尽管最新的特斯拉纯视觉方案已经用上了8个高清摄像头,它也无法避免摄像头躲不开的短板。
首先,作为一种光学影像采集装置,和咱们平时用手机拍照一样,摄像头的拍摄效果会受到环境光线的影响。
尤其是在大光比环境中,摄像头或许难以很好地兼顾亮部与暗部的信息还原,这或许会限制系统采集到的的环境信息,从而影响最终的环境感知性能。
此外,在黑夜之中,如果道路照明条件不足,车载摄像头尺寸非常有限的传感器也很可能无法采集到的足够精细的环境图像,在处理图像数据时甚至可能受到噪点影响,导致虚拟环境的精准构建出现一些困难。
再者,在失去了雷达这种测距装置之后,纯视觉方案的特斯拉只能依靠算法来“推测”车辆与障碍物之间的距离。
然而,正如咱们蒙住一只眼睛之后很难判断距离一样,单个摄像头采集的图像是难以为系统提供充足空间计算信息的,单靠算法猜出来的空间信息是否可靠?教授不敢妄下判断。
但根据此前教授试驾最新款Model S Plaid时的体验,当车辆在倒车入库时,面对车后的白墙,系统是无法计算出距离信息的;在某些场景下,甚至是周边的其他车辆距离都不会被准确识别出来。
因此,特斯拉当下的纯视觉自动驾驶方案仍然具有很大的发展空间;而对于环境信息的采集运算分析工作,搭配有充足雷达加持的系统似乎还是会更让人放心一些。
目前市面上的大部分厂商采用的,正是这种以摄像头和雷达共同提供环境数据的硬件架构。
以高清摄像头为基础,采集车身四周环境的图像信息,在此基础上以毫米波雷达甚至激光雷达监测与前车的距离,并以探测距离较近的超声波雷达丰富车身四周的空间信息,从而实现更高精度的环境数据采集。
不过,即便都是以摄像头+雷达构成的硬件基础,车企之间实现高阶辅助驾驶甚至自动驾驶的方式,实际上也存在两种不同的方式。
首先就是基于高精地图的“老派方案”。
高精地图在早期被认为是实现高阶辅助驾驶乃至全自动驾驶的关键,这种精度可以达到厘米级的数字地图包含了车道线、斑马线、交通灯、限高架、斜坡、桥梁等大量信息,相当于预先把数据都采集处理好,再让车载摄像头与雷达负责具体的路面车辆、行人等路况监测。