智能駕駛攝像頭
智能駕駛攝像頭
- 汽車攝像頭概述
自動駕駛汽車作爲汽車未來的重要發展方向，成爲汽車零部件產業鏈的重要增長點。國內外的汽車零部件供應商積極佈局自動駕駛傳感器領域，在車載攝像頭、毫米波雷達和激光雷達三大核心部件，以及產業鏈上下游的拓展爲零部件供應商帶來增長機遇。
國內外部分綜合實力較強的汽車零部件公司在自動駕駛汽車傳感器上進行多產品佈局，可以爲下游客戶提供綜合性的自動駕駛解決方案，形成較強的競爭力。這些公司包括國外的博世、大陸集團、法雷奧、海拉、德爾福、富士通天、奧托立夫等公司和國內的德賽西威、華域汽車和保隆科技等公司。
攝像頭：國際零部件公司市場份額較高
車載攝像頭產業鏈主要涉及上游材料、中游元件和下游產品三個主要環節。上游材料中光學鏡片、濾光片和保護膜等用於製造鏡頭組，晶圓用於製造 CMOS 芯片和 DSP 信號處理器;在中游鏡頭組、CMOS 芯片和膠合材料等組裝成模組，並和 DSP 信號處理器封裝成攝像頭產品。在產業鏈的這一層，上游供應商已經可以向下遊整車或一級供應商客戶供應完整的攝像頭產品。
在車載攝像頭產業鏈中，攝像頭和軟件算法一起，構成車載攝像頭解決方案，應用於自動駕駛汽車中。車載攝像頭產業鏈較長，上下游擁有衆多環節，每個環節都涉及國內外衆多廠商和公司。
相較於消費電子等所用的攝像頭，車規級的攝像頭對防震、穩定性、持續聚焦特性、熱補償性、雜光強光抗干擾性等都有較高的要求，因此其模組組裝工藝複雜，技術堡壘較高。從全球攝像頭供應市場來看，目前國外公司松下、法雷奧、富士通天、大陸、麥格納等廠商佔據較大份額，前五大產商市場份額合計在 59%左右，集中度相對較高。
目前車載攝像頭市場份額較大的公司均是全球領先的一級零部件供應商，下游客戶基本覆蓋了全球主要的整車公司。法雷奧的下游客戶包括大衆、奔馳、寶馬、福特、雷諾、馬自達等;大陸集團的客戶包括大衆、福特、通用、馬自達等;富士通天的客戶則以豐田爲主;麥格納的客戶羣體同樣廣泛，覆蓋歐美和日韓的主要車企;日立則以日本車企爲主。
- 攝像頭的工作原理
攝像頭就如同人的眼鏡，計算芯片就如同人的大腦，爲了給「大腦」提供可供決策的視覺信息，攝像頭需要克服不利環境對攝像頭的干擾。
相對於激光雷達加高精地圖的方案，計算機視覺方案邏輯上更像人類駕駛過程。
爲了保障安全，就必須保證攝像頭在各種惡劣環境下，能快速識別車輛、行人和交通標誌，都能輸出清晰的畫面，給現階段的自動駕駛技術提供足夠的環境感知保障。
來自攝像頭的二維信息被提取到環境的三維模型中，使用的是「基於多個計算機視覺引擎和深度網絡的算法冗餘鏈。
攝像頭環境感知基於圖像極大豐富的信息以及難以手工建模的特性，深度學習能最大限度的發揮其優勢。
物體識別
左邊的檢測結果告訴我們什麼位置大概有一輛車，但其具體位置，車的朝向信息完全沒有。
但右邊的檢測結果，可以相對精確的估算出車的位置、行駛方向等重要信息，與人看到後可以推測的信息差不多。
車輛識別怎麼建模，神經網絡可以輸出這麼精確帶方向的包圍框（Bounding box），這就是深度學習的威力。
可行駛區域（Free Space）檢測
深度學習以前的可行駛區域檢測，有兩種方法：
一是基於雙目攝像頭立體視覺或者運動恢復結構（Structure from motion）；
二是基於局部特徵，馬爾科夫場之類的圖像分割。
行駛路徑識別
深度學習提供了一個行駛路徑識別的解決辦法。在沒有車道線的路況下駕駛的數據來訓練神經網絡，訓練好之後，神經網絡在沒有車道線的時候也能大概判斷未來車可以怎麼駕駛。
這一部分原理也是比較清楚的，找一個人駕駛，把整個駕駛的過程攝像頭的錄像保存下來，把人駕駛的策略車輛的行駛路徑也保存下來。用每一幀圖片作爲輸入，車輛未來一段時間（很短的時間）的路徑作爲輸出訓練神經網絡，神經網絡提供的行駛路徑基本上符合人類的判斷。
這種基於深度學習的物體檢測方法是目前效果最好、最主流的方法。它對於傳統算法來講，大大降低了物體檢測的漏檢率和誤檢率。
- 攝像頭的優勢與劣勢
2013年，特斯拉與谷歌的自動駕駛合作宣告破產，馬斯克推翻了谷歌搭載激光雷達的自動駕駛解決方案。自此特斯拉開始內部組建自己的Ap團隊，以計算機視覺爲主的多傳感器融合方案。與此同時，谷歌也通過Waymo繼續依靠激光雷達，研發直接面向L4的自動駕駛解決方案。
攝像頭記錄四周的一切
自從實現高級別自動駕駛的兩種技術路線開始形成，而圍繞「高級別自動駕駛到底需不需要激光雷達？特斯拉和谷歌Waymo到底誰纔是自動駕駛的行業第一」的爭議聲，也從未停息。
就目前來看，谷歌 Waymo、通用 Cruise、百度阿波羅、Pony.ai等自動駕駛企業都採用了激光雷達這一傳感器應用方案。
從優勢上，攝像頭比激光雷達便宜得多。這無疑降低了自動駕駛汽車的成本，讓其有望真正被普通消費者所承受。
此外，攝像頭不會被霧、雪、雨等天氣干擾，適應性更好。
從形態上看，攝像頭可以輕鬆融入汽車的設計中並隱藏結構中，不會讓汽車外形顯得突兀，對消費者更具吸引力。
不過，攝像頭也有着自己的軟肋。與直接提供物體精確距離和位置的激光雷達不同，攝像頭僅能將原始圖像數據反饋給系統。這就要求汽車系統必須依靠強大的計算機視覺能力，針對圖像進行準確處理——就像人類大腦處理來自眼睛的反饋。
此前，計算機視覺系統還不夠強大，無法處理來自攝像頭的大量數據，以便及時處理並做出駕駛決策。不過特斯拉推出「全自動駕駛計算機」（FSD計算機）。除了8個視覺攝像頭、12個超聲波傳感器及雷達等組件，每臺FSD計算機還包含兩個芯片，每個芯片都有兩個專門設計用來運行神經網絡的加速器。再加上超強性能，特斯拉以攝像頭爲基礎的自動駕駛方案有了成功的可能性。
馬斯克表示，「只有傻瓜纔會用激光雷達」。馬斯克或許認爲，攝像頭+數據+神經網絡的組合足以挑戰甚至勝過激光雷達。
- 攝像頭的分類
車載攝像頭包括單目攝像頭、雙目攝像頭、廣角攝像頭等。ADAS階段單目攝像頭應用較多，L3以後，需要多個攝像頭配合。
爲了實現從自動駕駛到手動駕駛的安全過渡，系統必須全面掌握車輛內外的情況。對內攝像頭用來監測駕駛員的情況，持續監控駕駛員是否在執行駕駛操作，以及車輛前方的交通狀況。相關軟件會持續評估攝像頭的數據，顯示駕駛員是在專心駕車還是處於分神狀態，是否將臉朝向後座的兒童，是否盯着智能手機屏幕，或者駕駛員的手是放在轉向盤上還是放在後腦上。通過這個新攝像頭系統，車輛和駕駛員可以持續關注彼此的情況。這最終有助於人們建立對自動駕駛的信任感。
- 在無人駕駛中的應用
1）在ADAS中的應用
車載攝像頭是實現衆多預警、識別類ADAS功能的基礎。在衆多ADAS功能中，視覺影像處理系統較爲基礎，對於駕駛者也更爲直觀，而攝像頭又是視覺影像處理系統的基礎，因此車載攝像頭對於智能駕駛必不可少。
車道偏離預警（LDW）、前向碰撞預警（FCW）、交通標誌識別（TSR）、 車道保持輔助（LKA）、行人碰撞預警（PCW）、全景泊車（SVP）、駕駛員疲勞預警等衆多功能都可藉助攝像頭實現，有的功能甚至只能通過攝像頭實現。
2）在無人駕駛中的應用
在無人駕駛的體系中，我們採用的是一個雙目攝像頭，因爲成本比較低。
但是，雙目在實際生產中的問題在於：雙目系統的兩個攝像頭需要精確標定，由於硬件機械結構的不穩定，在車輛行進的過程中，比較小的顛簸和抖動都會對兩個攝像頭的外參造成擾動。所以我們要實現一個相對可靠的自標定，這是雙目從實驗環境走到實際生產比較大的挑戰。
我們的做法是研發了一套比較可靠的雙目自標定算法，在車輛行駛過程中會以一個固定的頻率對雙目的外參不停地進行修正。在無人駕駛中，我們採用的解決方案是以計算機視覺爲主導，然後輔以其他傳感器，比如說毫米波雷達、GPS、IMU 等傳感器的解決方案。
降低成本最關鍵的一點是如何利用算法的優勢來保障安全性，這其中包含兩點：
第一，在視覺傳感器自身之間不同任務和算法之間做交叉驗證。我們知道沒有一個算法是 100% 可靠的，任何一個單一算法都會有失效的可能。但是，如果我們同時進行多個算法之間的交叉驗證，那麼安全性就會得到一個大的提升。
這是我們說的多個任務之間的交叉驗證。
第二，多個傳感器之間的交叉驗證，主要是視覺傳感器的輸出和毫米波雷達的交叉驗證。所以降低成本的關鍵，並不意味着我們犧牲安全性，降低的關鍵就是提升單個算法性能極限，同時對多個算法的結果做交叉驗證。
- 攝像頭產業
車載攝像頭的產業鏈情況
主要包括鏡片、濾光片、CMOS、PCBA、DSP和其他封裝、保護材料等。不同於手機攝像頭，車載攝像頭的模組工藝難度大很多，主要是因爲車載攝像頭需要在高低溫、溼熱、強微光和震動等各種複雜工況條件下長時間保持穩定的工作狀態。
芯片，CMOS（Complementary Metal-Oxide Semiconductor，即互補性金屬氧化物半導體）是攝像頭的核心部件，廣泛應用於車載攝像頭上。CMOS價值約佔到攝像頭成本的三分之一，基本被外資品牌把控。Sony、Samsung和OmniVision三家企業的市場份額超過60%。
CCD和CMOS芯片是組成倒車攝像頭的重要組成部分，根據元件不同可分爲CCD和CMOS。CMOS主要應用於較低影像品質的產品中，它的優點是製造成本、功耗較CCD低，缺點是CMOS攝像頭對光源的要求較高;CCD，是應用在攝影、攝像方面的高端技術元件還附帶有視頻捕捉卡。CCD和CMOS在技術上和性能差距很大，一般來說，CCD效果要好，但價格也貴些，建議在不考慮費用的前提下選擇CCD的攝像頭。
鏡頭也是攝像頭的一個重要部件，國內自主品牌企業有明顯優勢。根據TSR的研究報告，2015年全球攝像頭鏡頭廠商中，臺灣企業大立光電的出貨量仍保持第一，佔據全球約三分之一的市場份額。