Современная электроника №4/2023

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ 33 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 4 / 2023 рах в приложениях ADAS. Непрерыв - ный рендеринг , классификация и про - гнозирование изменений во всём , что окружает автомобиль , требуют алго - ритмов для выполнения основных задач регрессионного анализа , распоз - навания образов , кластерного анализа и принятия решений ( табл . 2). Процессоры автомобильного уров - ня для высокоавтоматизированных транспортных средств должны запу - скать различные алгоритмы нейрон - ных сетей на нескольких вычислитель - ных машинах . Эти процессоры также должны поддерживать быстро меня - ющиеся алгоритмы ИИ и обеспечи - вать гибкость конвейеров данных для уменьшения задержки ИИ . Устранение препятствий в обработке данных Важно отметить , что самые ранние разработки ADAS имели дискретную архитектуру со скромной вычисли - тельной мощностью и ограниченным набором датчиков . В результате боль - шинство систем L2 ADAS обеспечива - ют непоследовательное обнаружение транспортных средств и ограниченную способность оставаться в полосе дви - жения на извилистых или холмистых дорогах . Даже адаптивные системы круиз - контроля не полностью оправ - дали ожидания потребителей . Огра - ничения более ранних конструкций ADAS приводили к частым отключе - ниям системы , требующим от води - теля резкого взятия на себя управле - ния . В современных конструкциях всё чаще используются радары и LiDAR ( хотя они всё ещё находятся в зачаточ - ном состоянии ), оба из которых гене - рируют огромные объёмы данных , что ещё больше увеличивает требова - ния к обработке сенсорных модулей . Неизбежно , что высокоинтегрирован - ные чипы будут играть важную роль в обработке сложных сенсорных дан - ных , поступающих от различных дат - чиков , таких как датчики изображения , радары , лидары , ультразвуковые и дру - гие . Они должны обрабатывать все эти данные с гораздо большей скоростью и эффективностью обработки , чем боль - шинство современных готовых чипов искусственного интеллекта . По сути , это создало возрастающую проблему , требующую более быстрых и эффективных архитектур для обработ - ки показаний не одного , а многих типов датчиков . Рассмотрим в качестве при - мера подсистему обнаружения объек - тов , состоящую только из камер , которая должна выполнять до шести различных алгоритмов . Затем появляются четыре различных алгоритма для перехода от 2D- изображения к 3D- изображению . Добавьте к этому 12 камер , создающих полный 360- градусный полусфериче - ский обзор автомобиля и его окружения , и вы легко увидите проблемы , стоящие перед отраслью , в одной лишь обработ - ке данных . От путаницы к слиянию Хотя ADAS и полноценные беспилот - ные проекты завтрашнего дня имеют параллели , у них , как правило , разные Таблица 1. Сводка уровней автономии автомобиля по SAE Уровень 0: Без автономизации Система не контролирует транспортное средство , но может выдавать предупреждения Уровень 1: Помощь водителю Водитель должен быть готов взять на себя управление в любой момент . Автоматизированная система может включать в себя такие функции , как адаптивный круиз - контроль (ACC), помощь при парковке с автоматическим рулевым управлением и помощь в удержании полосы движения (LKA) Type II в любой комбинации Level 2: Частичная автономизация Водитель обязан обнаруживать объекты и события и реагировать , если автоматизированная система не реагирует должным образом . Автоматизированная система выполняет ускорение , торможение и рулевое управление и может отключаться сразу же после того , как водитель берёт на себя управление Level 3: Условная автономизация В известных ограниченных средах ( например , на автострадах ) водитель может безопасно отвлечь внимание от задач вождения , но должен быть готов реагировать , если будет предупреждён о вмешательстве Level 4: Высокая автономизация Автоматизированная система может управлять транспортным средством во всех условиях , кроме нескольких , таких как суровая погода . Водитель должен включать автоматизированную систему только тогда , когда это безопасно . Когда она активирована , внимание водителя не требуется Level 5: Полная автономизация Помимо установки пункта назначения и запуска системы , никакого вмешательства человека не требуется . Автоматическая система может проехать в любое место , где разрешено движение Таблица 2. Наиболее распространённые категории алгоритмов , используемых в автомобильных приложениях АЛГОРИТМЫ В ADAS И БЕСПИЛОТНЫХ СИСТЕМАХ РЕГРЕССИИ РЕГРЕССИЯ ОСНОВНЫЕ ТИПЫ : байесовский подход , нейронная сеть и лес решений . • Используется для прогнозирования событий на основе повторения в среде . • Формирует статистическую модель связи между изображением и положением конкретного объекта на нём . • Анализ зависит от количества независимых переменных , типа зависимых переменных и формы линии регрессии РАСПОЗНАВАНИЕ ОБРАЗОВ ОСНОВНЫЕ ТИПЫ : поддержка векторных машин с гистограммой ориентированных градиентов (HOG), анализом главных компонентов (PCA), байесовским правилом принятия решений и K- ближайшим соседом (KNN). • Используется для сокращения и классификации данных . • Данные датчика фильтруются путём обнаружения краёв объекта . • Сегменты линий и дуги применяются для размещения всех краёв объекта . • Сегменты и дуги рекомбинируются до тех пор , пока признаки не будут соответствовать известному объекту КЛАСТЕРИЗАЦИЯ ОСНОВНЫЕ ТИПЫ : K- средние и многоклассовые нейронные сети • Используется для прогнозирования событий на основе повторения в среде . • Формирует статистическую модель связи между изображением и положением конкретного объекта на нём . • Анализ зависит от количества независимых переменных , типа зависимых переменных и формы линии регрессии МАТРИЦА РЕШЕНИЙ ОСНОВНЫЕ ТИПЫ : Gradient Boosting (GDM) и AdaBoosting • Определяет действия автомобиля , т . е . повернуть направо , повернуть налево , затормозить и ускориться . • Анализирует и оценивает эффективность взаимосвязей между наборами данных и их информацией . • Действие зависит от классификации , распознавания и предсказания необходимого следующего движения . • Прогнозы нескольких моделей решений синтезируются для создания окончательного прогноза состояния и минимизации ошибки