智能驾驶行业专题AI赋能背景下看汽车智能驾驶算法的迭代.docxVIP

智能驾驶行业专题AI赋能背景下看汽车智能驾驶算法的迭代 （报告出品方/作者：国信证券，唐旭霞、杨钐） 数据融合和神经网络构筑智能驾驶方案底层 目前自动驾驶行业网络基础架构广为为 Input - backbone - neck -head-output。以特斯拉为基准，其自动驾驶理念就是通过深度自学模型建立效仿人脑基于视觉的计算机神经网络系统，将摄像头的图像数据经过融合、特征提取、识别、决策几步处理成鸟瞰图模式或者 3D 空间占用情况，用做时程的路径规划，各家处理顺序有所不同。具体内容而言，特斯拉独立自主构筑的 HydraNet 网络在input 端的输入摄像头的完备图像数据，通过 backbone 层的神经网络架构提取图像特征数据，将特征输入 neck 融合时程路径规划等任务搞出调整，再对特征数据褫夺时间信息，进一步同时同时实现对目标相同时间信息的融合，并将结果传向各个heads，顺利完成时程任务。整个算法的核心就是特征提取及数据融合，高效率的数据处理和有效率的心智图层构筑就是自动驾驶落地的基础。特斯拉以视觉图像数据居多，其他车企也可以挑选出将毫米波雷达、超声波雷达、激光雷达等多传感器数据不予综合，并在特征提取、识别、融合、决策等数据处理顺序上存差异，以此可以将数据融合分为前融合、后融合、特征级融合三种模式。 特征级融合集低数据损失与低算力消耗优势于一体 1）前融合：传感器数据融合，排序量大，目前业内应用领域并不多。前融合，也称为数据级融合，所指的就是将传感器的观测数据融合，然后再从融合数据中提取特征向量进行推断识别。其特点就是只有一个心智的算法，对融合后的多维综合数据进行心智。 前融合的优势就是不存数据遗失的问题，赢得的结果也较为准确，前融合属于底层数据融合。将多个传感器的完备观测数据(raw data)轻而易举进行融合，比如说把激光雷达的点云数据和摄像头的像素级数据进行融合，数据的损失比较太太少；其挑战主要就是排序量大，对算力和融合策略建议较低，由于视觉数据就是2D 图像空间，激光雷达点云就是 3D 空间，在进行融合时，要么在图像空间里把点云放进，给图像提供更多更多深度信息，要么在点云坐标系里，通过给点云染色或搞出特征图形，并使点云具有更多样的语义信息。 2）后融合：各传感器输出结果在决策层融合，为智能驾驶早期阶段主流方案。后融合，也称为目标级融合、决策级融合，所指的就是每个传感器各自单一制处理分解成的目标数据，每个传感器都存自己单一制的心智算法，比如说视觉心智算法、激光雷达心智算法、毫米波雷达心智算法等，从而各自输出具备传感器自身属性的结果，并在决策层由主处理器进行数据融合，这也就是当前的主流方案。后融合的优势就是 1）相同的传感器都单一制进行目标识别，解耦性不好，且各传感器可以互为内存备份；2）对于主机厂来说，后融合算法比较简单，每种传感器的识别结果输入至融合模块，融合模块对各传感器在相同场景下的识别结果，设置相同的置信度，最终根据融合策略进行决策；3）算力建议更高，参考汽车之心数据，后融合策略对车端算力建议在 100TOPS 以内，前融合却仍须500-1000TOPS算力。后融合的缺点就是在后融合策略下，低置信度信息可以被过滤器掉，原始数据遗失。 3）特征级融合：较之后融合数据损失太太少，较之前融合算力消耗太太少，在BEV空间中使用更大。 特征级融合，也称为中间层次级融合，所指的就是先将各个传感器通过神经网络模型提取中间层特征（即为为有效率特征），再对多种传感器的有效率特征进行融合，从而更有可能获得最佳推理小说。特征级融合的好处就是，相较于后融合，数据损失太太少、准确度更高，相较于前融合，算力消耗较太太少，参考汽车之心数据，特征级融合对车端算力市场需求大约在 300-400TOPS 之间。 前融合算法算力建议高、目前更多盛行于学术界，后融合算法可以产生轻微的原始数据遗失问题，特征级融合算法兼具数据损失太太少、算力消耗太太少的两大优势，被明确提出后广为应用于车企及供应商中；特斯拉采用氢铵视觉方案通过特征级融合同时同时实现算力和推理小说结果的最佳权衡。国内小鹏、理想、华为等同样挑选出特征级融合方案，差异就是国内车企广为采用雷达、摄像头等多种类传感器布局，特征级融合还是基于视觉传感器数据，理想等公司另外明确提出将传感器的特征级融合结果和激光雷达数据再次进行前融合回去进一步进一步增强整体心智效果。 自动驾驶的心智层在输入摄像头等原始数据后，其处理涵盖融合、特征提取、识别、决策几个步骤，车企根据自身的传感器布局挑选出数据融合方案，并挑选出相同的神经网络搞出图像的特征提取、数据融合等处理过程，根据内部结构的相同，神经网络模型通常可以分为 DNN、CNN、RNN、Transformer 等多种，相同的神经网络结构可以在处理过程