隨著自動駕駛的普及，互聯(lián)車輛產(chǎn)生的數(shù)據(jù)成為汽車行業(yè)的驅(qū)動因素和約束因素。雖然我們不能低估收集信息的重要性，但目前一輛車的信息量接近每小時25GB。而隨著自主性水平的提高，互聯(lián)汽車之間交換的數(shù)據(jù)千兆字節(jié)數(shù)將進(jìn)一步增加。像這樣大量的數(shù)據(jù)造成了處理問題。為了解決這個問題，架構(gòu)和數(shù)據(jù)都必須變得更加復(fù)雜。這就是多傳感器融合和數(shù)據(jù)壓縮在使整個自治系統(tǒng)工作中發(fā)揮重要作用的地方。

快速、無縫的數(shù)據(jù)處理對于追求更高水平自動駕駛的汽車制造商來說是最關(guān)鍵和最具挑戰(zhàn)性的任務(wù)。Intellias是許多原始設(shè)備制造商和一級公司值得信賴的合作伙伴，致力于研究能夠最有效地處理數(shù)據(jù)流的最佳硬件和軟件解決方案。在本文中，我們將分享我們的數(shù)據(jù)專業(yè)知識，以解開信息如何在自動駕駛汽車中傳播的困惑，以及使用人工智能和深度學(xué)習(xí)優(yōu)化數(shù)據(jù)的方法。

在本文中，您將了解：

（1）用于機(jī)器學(xué)習(xí)的優(yōu)化數(shù)據(jù)集

（2）數(shù)據(jù)壓縮方法

（3）人工智能在傳感器融合和數(shù)據(jù)壓縮中的應(yīng)用

（4）基于人工智能的自動駕駛汽車多傳感器數(shù)據(jù)融合

（5）數(shù)據(jù)壓縮的深度學(xué)習(xí)方法

（6）如何將壓縮數(shù)據(jù)發(fā)送到云

為機(jī)器學(xué)習(xí)創(chuàng)建優(yōu)化的數(shù)據(jù)集：

工作原理：從多個傳感器收集原始數(shù)據(jù)后，必須對其進(jìn)行充分處理。請記住，自治級別越高，需要的傳感器就越多。處理包括幾個階段：

數(shù)據(jù)清理：通過應(yīng)用各種基于規(guī)則或模型的技術(shù)，發(fā)現(xiàn)不完整或不準(zhǔn)確的輸入，并糾正原始傳感器數(shù)據(jù)中的錯誤

數(shù)據(jù)融合：將來自不同來源的數(shù)據(jù)以及相關(guān)數(shù)據(jù)庫的信息結(jié)合起來，以確保高水平的準(zhǔn)確性

數(shù)據(jù)壓縮：通過減少冗余來減少存儲空間和傳輸?shù)臄?shù)據(jù)量，即刪除重復(fù)的或?qū)氋F的數(shù)據(jù)；使用不同的數(shù)據(jù)表示和近似技術(shù)，即傳輸更少的數(shù)據(jù)而不丟失數(shù)據(jù)，傳輸緊湊的模型而不是原始數(shù)據(jù)

要準(zhǔn)確地確定一輛自動駕駛汽車在每一個特定時刻所需要的所有必要和足夠的數(shù)據(jù)是相當(dāng)困難的。特定的先決條件有助于車輛的AI與傳感器協(xié)同工作，逐漸了解使用什么數(shù)據(jù)以及何時使用。但是，前提條件不能實時更新。對于機(jī)器學(xué)習(xí)引擎來說，識別關(guān)鍵任務(wù)操作所需的數(shù)據(jù)并進(jìn)行局部分析是非常重要的。因此，要運(yùn)行數(shù)據(jù)處理，AI必須：

（1）識別所有格式的數(shù)據(jù)（來自所有傳感器）

（2）全方位分析中傳感器融合算法的實現(xiàn)

（3）識別關(guān)鍵任務(wù)操作的數(shù)據(jù)并在本地進(jìn)行分析

（4）壓縮非關(guān)鍵數(shù)據(jù)

（5）當(dāng)不太重要的通信可用時，計劃將壓縮數(shù)據(jù)上載到云

（6）當(dāng)需要分析非關(guān)鍵數(shù)據(jù)時，從云中調(diào)用遺留數(shù)據(jù)

要像這樣運(yùn)行處理過程，自動駕駛汽車必須擁有強(qiáng)大而昂貴的機(jī)器學(xué)習(xí)引擎。但要進(jìn)入大眾市場，汽車制造商必須尋找優(yōu)化數(shù)據(jù)和降低汽車價格的方法。為了實現(xiàn)這一目標(biāo)，需要先進(jìn)的數(shù)據(jù)壓縮和數(shù)據(jù)融合技術(shù)，以及車輛和云后端之間高效的雙向通信。

利用人工智能進(jìn)行傳感器融合和數(shù)據(jù)壓縮

由于基于人工智能的自動駕駛汽車有多個傳感器——攝像頭、聲納、激光雷達(dá)等，因此必須采用融合和壓縮連接汽車數(shù)據(jù)陣列的技術(shù)。這是一個惡性循環(huán)：一輛自動駕駛汽車要實現(xiàn)無縫運(yùn)行，就需要大量的輸入，而這需要龐大的計算處理能力、更多的處理器，以及汽車內(nèi)部更多的存儲空間。它增加了成本、重量和車輛的人工智能系統(tǒng)的復(fù)雜性。如何解決這個問題？

融合來自多個物聯(lián)網(wǎng)設(shè)備的數(shù)據(jù)后，您將收到大量信息，這些信息被推送到系統(tǒng)中，供人工智能進(jìn)行分析。為了處理這些數(shù)據(jù)量，使用了各種壓縮技術(shù)。在這些技術(shù)的幫助下，信息經(jīng)過編碼和壓縮，然后解碼和解壓縮以供使用。有所謂的無損壓縮和有損壓縮方法：在第一種情況下，您可以恢復(fù)原來保存的所有信息，而在第二種情況下，一些數(shù)據(jù)丟失。

為了保證通信帶寬和處理能力，融合中心必須對數(shù)據(jù)進(jìn)行壓縮。

基于人工智能的自動駕駛汽車的多傳感器數(shù)據(jù)融合

讓我們回顧一下傳感器融合及其重要性。傳感器融合的前提是合并來自不同來源的數(shù)據(jù)，以形成準(zhǔn)確和全面的感知。傳感器融合對于車輛的人工智能做出智能和準(zhǔn)確的決策至關(guān)重要。

自動駕駛汽車的傳感器融合

多傳感器數(shù)據(jù)融合既可以是來自相似傳感器的同質(zhì)數(shù)據(jù)，也可以是來自不同類型傳感器的基于到達(dá)時間的異質(zhì)數(shù)據(jù)。多傳感器數(shù)據(jù)融合也有不同的層次：

信號電平：在這個電平上，融合產(chǎn)生一個質(zhì)量更好的新信號

對象級：基于對象的融合生成融合圖像，通過聚類確定每個信號數(shù)據(jù)類型

特征級：在這個級別上的融合需要識別來自不同數(shù)據(jù)源的對象

決策層：這個層次上的融合需要多個算法的結(jié)果的組合

目前，汽車制造商正在使用特征級和決策級多傳感器數(shù)據(jù)融合。然而，這還不足以達(dá)到更高層次的自治。為了獲得更廣泛的環(huán)境感知和更好的上下文輸入，必須采用基于信號的融合技術(shù)。

這引發(fā)了第二個挑戰(zhàn)：人工智能必須完成的處理越復(fù)雜，它需要的能力就越大。自動駕駛汽車需要更多的處理器和內(nèi)存，這會增加成本和更大的能源消耗。更關(guān)鍵的是，融合和解釋來自如此多不同傳感器的數(shù)據(jù)將需要更多的時間，人工智能的反應(yīng)在路上是無法改變的。這就是為什么數(shù)據(jù)壓縮對自動駕駛車輛的重要性不亞于融合。

調(diào)查數(shù)據(jù)壓縮方法

傳感器產(chǎn)生的數(shù)據(jù)類型和數(shù)量各不相同。看看來自Lucid Motors的Stephen Heinrich的估計，差異可能非常大：

由于攝像機(jī)占用了數(shù)據(jù)交換通道的大部分，因此它是壓縮的首選。如前所述，視頻和激光雷達(dá)數(shù)據(jù)壓縮可以是無損和有損的。讓我們詳細(xì)說明一下Intellias如何利用深度學(xué)習(xí)方法進(jìn)行數(shù)據(jù)壓縮。

無損壓縮方法解決了兩個關(guān)鍵問題：

1.將真實數(shù)據(jù)分布近似于模型。

2.開發(fā)一種實用的壓縮算法稱為熵編碼方案。

我們可以從ImageNet中100幅圖像的壓縮比來近似無損視頻編碼的預(yù)期效率：

對于LIDAR，數(shù)據(jù)壓縮的方法有：

ilLASCompression

LASZip

LZMA或Lempel-Ziv-Markov鏈算法

壓縮POINT10

為了改進(jìn)數(shù)據(jù)壓縮，我們實現(xiàn)了深度學(xué)習(xí)技術(shù)。最近的BB-ANS方法利用了潛在變量模型。這個模型定義了未觀察到的隨機(jī)變量，用來表示原始數(shù)據(jù)的分布。例如，在圖像的情況下，像素的分布可能依賴于邊緣和紋理的位置，這是潛在變量。

對于有損壓縮方法，采用無監(jiān)督學(xué)習(xí)方法進(jìn)行圖像建模。我們使用變分自動編碼器（VAEs）、PixelCNN和PixelRNN模型來學(xué)習(xí)潛在圖像表示。在這種情況下，交換一個較小的編碼向量，然后解碼。

為了將有價值和快速變化的信息從不那么有價值和更靜態(tài)的信息中分離出來，采用了一種有損和無損方法的組合。當(dāng)我們想要優(yōu)化數(shù)據(jù)時，我們使用一種無損的方法來傳輸和壓縮大量的高度動態(tài)和關(guān)鍵的信息。較不精確但更緊湊的數(shù)據(jù)傳輸將應(yīng)用于描述靜態(tài)環(huán)境或非關(guān)鍵背景的圖像。

反過來，背景為應(yīng)用深度學(xué)習(xí)模型進(jìn)行目標(biāo)檢測和跟蹤開辟了可能性。在這種情況下，感興趣的對象以更高的質(zhì)量和速度轉(zhuǎn)移，而其他所有東西都保持較低的質(zhì)量。

其他用于傳感器數(shù)據(jù)壓縮的深度學(xué)習(xí)方法包括注意力模型，它用于減少數(shù)據(jù)規(guī)模并指出最有價值的信息，以及Golomb-Rice編碼，一種基于熵、波動性/持久性、多樣性/均勻性、初始數(shù)據(jù)規(guī)模等的數(shù)據(jù)壓縮方法。這些方法被認(rèn)為是有損壓縮，通常指的是多維尺度。它們對于數(shù)字多維數(shù)據(jù)是有效的。

盡管即使是簡單的數(shù)據(jù)壓縮方法也可以顯著節(jié)省帶寬，但高級ML增強(qiáng)的維數(shù)縮減更具前景。通過這種縮減，連接車輛之間傳輸?shù)臄?shù)據(jù)量減少了一半。此外，當(dāng)編碼或壓縮信息被發(fā)送到云端時，傳輸數(shù)據(jù)的大小也會減少兩倍。

將壓縮數(shù)據(jù)發(fā)送到云

非關(guān)鍵數(shù)據(jù)，即長響應(yīng)時間參考數(shù)據(jù)，未經(jīng)本地處理，被壓縮并發(fā)送到云。用于存儲數(shù)據(jù)的云平臺必須能夠承載生成的數(shù)據(jù)陣列。當(dāng)涉及到自動駕駛汽車時，計算成本很少被提及，但它們應(yīng)該被考慮在內(nèi)：例如，通用汽車（GM）斥資2.88億美元新建了兩個存儲和處理汽車數(shù)據(jù)的倉庫。

這正是谷歌云數(shù)據(jù)融合解決方案等產(chǎn)品派上用場的地方。在此解決方案的幫助下，來自不同來源的數(shù)據(jù)可以融合到中央數(shù)據(jù)倉庫中。融合云允許構(gòu)建數(shù)據(jù)管道并對其進(jìn)行轉(zhuǎn)換，而無需編寫任何代碼。

云數(shù)據(jù)融合解決方案

Intellias汽車專家將該解決方案作為數(shù)據(jù)分析的骨干，以及大數(shù)據(jù)應(yīng)用的開發(fā)和運(yùn)行。

總的來說，傳感器融合和數(shù)據(jù)壓縮是汽車行業(yè)走向更高水平自主的關(guān)鍵課題。為了達(dá)到第三級甚至更高的水平，自動駕駛汽車必須使用大量的傳感器，以及它們產(chǎn)生的大量數(shù)據(jù)。

為了實現(xiàn)這一點(diǎn)，數(shù)據(jù)流程應(yīng)從生成階段到存儲階段和非關(guān)鍵洞察的貨幣化階段進(jìn)行優(yōu)化。像Intellias這樣的高科技公司利用深度學(xué)習(xí)技術(shù)改進(jìn)數(shù)據(jù)壓縮，并致力于找出最有效的多傳感器融合方法。這一切都是為了幫助原始設(shè)備制造商降低自動駕駛汽車的價格，從而使其更容易進(jìn)入大眾市場。

原文鏈接：

https://www.intellias.com/the-way-of-data-how-sensor-fusion-and-data-compression-empower-autonomous-driving/

編輯：jq