自动驾驶汽车中的计算机视觉挑战，第二部分

识别几乎不可见的物体

处理信息的主要障碍是能够获得清晰且非常高分辨率的图像。人眼可能是现存最复杂的摄像机，它能够自动适应不同的光线和操作条件，结合高质量的光学器件，可以将极其详细的信息发送到大脑。

技术正在取得巨大进步，但数码摄像机需要很长时间才能匹配并超越人性提供的可能性。以下是一些以尽可能高的精度进行图像处理的关键要素：

· 扫描和采集速度

· 非常高分辨率的相机

· 即使在不利的照明条件下也能获得灵敏度

这些功能适用于自动化数字系统。为了改善所获得的结果，在安全性方面也采用了更高分辨率和更远距离的传感器。

这些传感器具有非常高的分辨率，相当于 2,000–3,000 行图像，是迄今为止使用的传统方法获得的质量的 10 倍。这些传感器收集的信息是可靠的，与现实世界的信息一致，同时不受任何外部干扰。

最近的进展有望走得更远。研究人员尝试了一种新方法来检测道路上的元素，即使它们部分或完全隐藏在其他物体后面。使用神经网络方法，系统可以通过仅分析可见部分来重建人和物体的隐藏部分。

普林斯顿大学的一个研究小组正在研究应用多普勒雷达来检测和跟踪隐藏物体，而韩国光州科技学院正在开发一种神经网络，可以让机器在自己的空间内管理被遮挡的物体.

这可能会让位于“几乎是人类”的传感器，因为人脑可以重建障碍物的缺失部分，只观察和分析一些可见元素并处理分层数据库。在实践中，这是一个真正的视觉演绎，可以实现 100% 的自动驾驶。

汽车中的人工智能：挑战和解决方案

聚焦对象是图像处理中最困难的任务之一。该系统必须处理连续移动的高分辨率图像，距离和角度随时间变化很大，光学条件会立即连续变化。

为了在所有安全方面模仿人类行为，需要解决几个问题。例如，用于自动驾驶的人工智能仍然需要改进。这可能在未来使用量子计算机成为可能。

系统还需要具有更高速度、分辨率和灵敏度的精密、高性能传感器才能获得最高质量的图像。如果在地平线上没有非常复杂的光学和声学传感器以提高分辨率和范围以获取尽可能高质量的信息，那么这些改进将毫无用处。

收集的数据和信息是一项关键资产，必须用于填充庞大的数据库。只有将不同要求以协同方式结合起来，才能实现人人安全驾驶。此外，为了尽可能接近理想的自动驾驶，需要多样化的 360˚ 传感器——光学、声学、雷达和其他类型——来实现比人类更多的大量“感官”。

多亏了人工智能，最苛刻的动作，例如面部识别和动物、植物和物体的识别，应该会得到改善。遗传算法，结合面部特征等要素的数学分析，可以为保障安全提供可靠的支持。一些研究正在通过步行方式和平均步幅来识别人。

还有其他有用的方面，例如驾驶辅助、在危险情况下提供帮助、检查驾驶员是否容易入睡或根据驾驶员的驾驶风格调整驾驶室设置。通过实施高水平的预测性维护，人工智能还可以及早检测发动机或车辆其他基本部件的可能故障。

结论

自动驾驶汽车的安全水平接近 100% 还需要一段时间。公司主要致力于尽可能提高道路安全性，并显着增加自动驾驶模式的行驶公里数，并减少人类直接驾驶的公里数。

模仿人类驾驶员的行为是一项挑战。几年后，大多数车辆将连接到网络，但根据研究人员的说法，要谈论真正的自动驾驶，我们将不得不等待大约 20 年。即便如此，行业革命仍在进行中，由真正的 AI 管理的车辆将为人类提供全面服务。

自动驾驶汽车或自动驾驶汽车是汽车行业创新的关键驱动力，并具有增长潜力。传感器将支持信息采集，但算法和系统管理方法对于执行数据分析、处理和决策方面最苛刻的任务将更为重要。