标签: 无人驾驶

在科技迅速发展的时代， 保护个人隐私 的需求日益增长， 有效匿名化技术 的重要性不容忽视。无论是针对敏感的图像、视频，还是数据，在 隐私保护与保持视觉完整性 之间取得平衡至关重要。虽然模糊化一直是匿名化的常用选择，但一种更复杂、更强大的方法—— 深度自然匿名化（DNAT） ——已经成为一种更优的替代方案。 1、保留上下文信息 （1）模糊技术的局限： 模糊处理的主要缺点之一是 上下文信息的丢失 。当图像或视频严重模糊时，当图像或视频被严重模糊化时，重要的视觉线索和细节可能会 被扭曲 或 完全不可辨认 。 （2）DNAT的优势： DNAT利用先进的算法， 有选择性地修改 图像或视频中的特定元素，同时保留整体上下文。例如，通过 brighter AI的DNAT 技术在匿名化人脸时，公司可以 保留关键属性 ，如年龄、情感、视线方向、种族和年龄信息。这确保了匿名化内容仍然具有可理解性，并保持其 原始的视觉完整性 。 2、真实且美观的效果 （1）模糊技术的局限 ：模糊化通常会导致 粗糙且不自然的外观 ，从而影响内容的理解和用户体验。 （2）DNAT的优势： DNAT借助深度学习技术，能够生成更加 真实且美观 的匿名化内容。通过分析原始数据并在大型数据集上进行训练，该算法学会模拟图像或视频中的自然变化，生成的匿名化结果能够 与周围环境无缝融合 。这种真实性的效果确保了匿名化内容 不会具有误导性 。 3、增强隐私保护 （1）模糊技术的局限： 尽管模糊化可以提供基本的隐私保护，但面对先进的图像还原技术可能并不足够。有经验的人员 可以使用去模糊算法或其他工具逆向处理，恢复敏感信息。 （2） DNAT的优势： DNAT显著提高了逆向匿名化的难度。通过以更复杂和细致的方式处理内容，深度学习模型提供了更高水平的隐私保护，确保 原始信息无法轻易恢复。 4、可扩展性和自动化 （1）模糊技术的局限： 模糊化处理可能是一个 耗时的过程 ，特别是在处理大型数据集时。为视频的每一帧或多张图像逐一应用和调整模糊效果所需的手动操作 既繁琐又不切实际。 （2）DNAT的优势： DNAT则可以实现这一过程的 自动化 。一旦模型完成训练，它便能够 高效地匿名化海量数据 ，使其在需要大规模匿名化的场景中更具 可扩展性和成本效益 。 5、适应性和可定制性 （1）模糊技术的局限性： 模糊化技术通常会对整个图像或视频应用统一程度的匿名化 ，而不考虑具体的隐私需求。 （2）DNAT的优势： DNAT则提供了更高的适应性和可定制性。模型可以根据不同的隐私需求进行微调，从而实现对图像或视频中特定区域或对象的 选择性匿名化。 这种灵活性使得匿名化过程能够得到精确控制，并确保隐私问题得到有效解决。 6、展望未来 （1）模糊技术的局限性： 模糊化会删除数据，在需求出现时仅能 提供极少可用数据。 （2）DNAT的优势： 由于能够保留语义分割，DNAT通常是公司选择的匿名化技术，这使其成为 适合驾驶分析和机器学习 的匿名化方法。因此，它已成为依赖分析和机器学习的企业选择 的匿名化解决方案 。我们坚信未来准备的重要性，并优先选择DNAT而非其他匿名化技术。

随着软件定义汽车的发展，车辆生成的数据量也以前所未有的速度 不断增加 。这些数据包含广泛的信息，包括传感器数据、遥测数据、诊断数据等。在开发过程中， 有效处理这些数据并从中获得见解 至关重要。 对于原始设备制造商（OEM）和汽车一级供应商（Tier 1）来说，是否 自主构建 和 维护数据处理流程 是一个至关重要的考虑因素。 数据处理流程 是应对当下软件定义汽车所产生的海量数据的基础组件。 一、问题背景 在 AWS 等云平台 上为高级驾驶辅助系统 （ADAS） 和自动驾驶 （AD） 数据构建鲁棒的数据处理流程，通常需要全面了解各种服务及其集成。您可能使用的特定服务可能取决于 应用程序的要求、数据源和处理需求 。 为了解决这一问题， 康谋 通过使用 IVEX 提出了专门用于应对ADAS/AD海量数据的数据处理流程。 该流程的核心目的是自动 从原始传感器数据等输入中识别出值得关注的事件和场景。构建这样的数据处理流程需要仔细考虑 各种技术方面 ，例如：原始传感器数据的云端存储、基于原始数据的算法执行（包括需要例如GPU等特定资源的机器学习算法）、事件和场景等后处理数据的存储机制、算法版本控制、结果可视化以及确保数据仅对授权用户可见。 二、内部构建或获取预组装解决方案 IVEX 的数据处理流程基于多种AWS服务实现 无缝衔接 ，以下是经过 策略性部署的AWS服务 ： 1. 原始传感器的数据 （包括激光雷达点云、相机图像和GNSS信息）存储在S3存储服务中。S3用作采集数据的暂存地，为后期处理的数据提供扩展存储，并为处理提供经济高效的短期存储解决方案。此外，使用S3挂载点功能能让S3作为主要的“处理卷”，使其能够像文件系统一样使用。虽然它不完全符合POSIX标准，对某些工作负载存在限制，但可以通过整合EFS和可能添加的FSx来解决这个问题，以根据需要确保兼容性。 2. 处理后的数据 （重要事件和场景）存储在关系型数据库服务（Relational Database Service，RDS）和DocDB中。RDS是一个高效的存储库，用于组织对分析至关重要的标记数据。同时，DocDB作为文档存储运行，它是专为快速变化的数据和显示目的所需的二进制数据而设计的。 3. EKS和EC2处理算法执行和可视化任务。 EKS充当一系列服务的主机，包括后端、数据服务、前端和处理服务。EC2主要用于根据为EKS制定的规则配置机器。 4. 算法的版本控制通过 ECR 进行管理。 ECR用于存储Docker容器镜像。 5. 身份验证通过Cognito进行。 如果有必要，可以灵活地替换为任何OpenID Connect （OIDC）解决方案。 6. 数据传输和临时数据存储通过EFS进行管理。 EFS作为临时处理区域运行，供各种数据处理流水线存放中间数据并促进不同进程之间的数据共享。因为EFS完全符合POSIX标准，所以可以选择它作为S3的替代文件系统。 这个方案示例突出了 构建鲁棒的ADAS/AD数据处理流程 所涉及的 众多云服务 ，并强调了应对各种技术复杂性的必要性。此外，还必须解决诸如组织输入数据、确保数据格式兼容性以及管理和监控数据格式变化等挑战。 例如，随着ADAS/AD系统的发展，添加更多传感器以及管理不同车辆配置的需求成为数据处理流程中的关键考虑因素。如果不加以妥善处理，这些因素可能会导致 不正确的数据处理，最终得到错误的结果。 上图列出的是构建此数据处理流程的预计工作量和成本细目，该处理流程可标记 12种驾驶场景、提取驾驶参数，并支持可视化大型文件（≥ 10TB） 。 三、总结 总之，解决上述的这些问题需要付出大量的努力。显而易见的是，选择 预先搭建好的数据处理流程将拥有更低的开销 。此后，便可以将节省的时间和成本分配给开发OEM和Tier1产品的关键方面。

近日，一则新闻武汉市正式投入运营千辆无人驾驶出租车“萝卜快跑”，引发了大家的广泛关注与讨论，萝卜快跑是属于百度旗下Apollo智能驾驶解决方案及汽车智能化的产品，目前投放在各大城市的无人驾驶出租车是属于L4级别的自动驾驶技术。关于自动驾驶分级技术的定义： L0:由人类驾驶员全权驾驶汽车，在行驶过程中可以得到警告，如ABS警告等。 L1:通过驾驶环境对方向盘和加速减速中的多项操作提供支持，其余由人类操作，如并线辅助、车道偏离预警、定速巡航等这些辅助驾驶技术。 L2:通过驾驶环境对方向盘和加速减速中的多项操作提供支持，其它由人类操作，如车速保持、ACC自适应巡航、主动刹车AEB、转向功能等。 L3:由无人驾驶系统完成所有的驾驶操作，但根据系统要求，人类提供适当的应答，是属于有条件的自动驾驶技术。蔚来的NOP、奔驰的Drive Pilot、小鹏的Xpilot 4.0、特斯拉的FSD这些都属于L3级别的自动驾驶技术，未来是趋向于L4，L4版本更多还是在测试阶段。 L4:由无人驾驶系统完成所有的驾驶操作，根据系统要求，人类不一定提供所有的应答，但这个是限定道路和环境条件的，是属于高度自动化驾驶技术。萝卜快跑就是属于这个级别。 L5:由无人驾驶系统完成所有的驾驶操作，可能的情况下，人类接管，不限定道路和环境条件，是属于完全自动化驾驶技术。 无人驾驶技术的发展方向目前分为特斯拉为代表的纯视觉方向，传统车企的多传感器融合方向。环境感知与精准定位、路径规划、线控执行一起并称自动驾驶四大核心技术。“多传感器融合”方案则是通过摄像头、毫米波雷达、激光雷达等设备一起收集车辆的周边信息。说了那么多关于自动驾驶技术的信息，那么晶振产品与自动驾驶有什么相互联系的呢？ 晶振 素有“ 芯片的心脏 ”之称，在自动驾驶系统中，它作为电子设备的核心元器件，为芯片提供稳定的时钟信号，确保整个系统的正常运作。其稳定性和精确性对自动驾驶系统的性能有着决定性影响。 视频监控系统模块 ：在无人驾驶汽车的视频监控系统中，高清摄像头依赖精准的时钟信号进行视频捕获和传输。同时，雷达测距系统也需要稳定的信号发射与接收，以确保汽车能够准确识别并应对周围物体。这些系统同样依赖于晶振提供的高精度时钟信号。常见的贴片晶振频率如12MHz、16MHz、24MHz、27MHz等，都是确保视频信号稳定传输的关键。 雷达测距系统模块 ：雷达测距系统需要晶振提供稳定的信号发射与接收，以确保对周围物体的精准测距。温补晶振（TCXO）等类型的晶振因其能在不同温度下保持稳定的频率输出，成为雷达测距系统的理想选择。 传感器模块： 无人驾驶汽车依赖多种传感器（如激光雷达、摄像头和雷达）来感知环境。这些传感器需要精确的时钟信号来同步数据采集和处理。晶振可以提供高稳定性的时钟信号，确保传感器数据的一致性和准确性。 通信系统： 车载通信系统需要可靠的时钟源来处理车对车（V2V）和车对基础设施（V2I）的数据传输。晶振的高稳定性和低相位噪声特性，可以确保了数据传输的可靠性和实时性，是无人驾驶汽车安全行驶的重要保障。 导航系统： 无人驾驶汽车的导航系统依赖于高精度的定位和时间同步。晶振为GPS、北斗等卫星导航系统提供稳定的基准频率，如TCXO 26MHz晶振，其精度越高，稳定性越好，定位越准确。这提升了无人驾驶汽车的定位精度和导航性能。 控制系统： 无人驾驶汽车的自动驾驶控制系统需要精确的时钟信号来执行复杂的算法和实时决策。晶振的高频率稳定性和低延迟特性，使控制系统能够高效、精确地运行。这对于无人驾驶汽车的行驶安全至关重要。 晶振在无人驾驶汽车领域未来的前景 市场需求增长： 随着无人驾驶技术的不断发展和普及，对晶振等电子元器件的需求将持续增长。自动驾驶汽车将成为未来汽车行业的重要发展方向，为晶振市场带来巨大的增量空间。 技术创新与升级 ：为了满足自动驾驶系统对晶振产品的高性能要求，晶振产品将不断进行技术创新和升级。小型化、贴片化、高精度、低功耗、高抗干扰性、高端化等将成为晶振产品的重要发展方向。此外，随着5G、物联网等技术的普及，晶振产品还需要具备更强的兼容性和扩展性，以适应未来自动驾驶系统的发展需求。 产业链协同发展： 自动驾驶技术的发展需要整个产业链的协同努力。晶振工厂与芯片制造商、传感器制造商等产业链上下游企业紧密合作，共同推动自动驾驶技术的发展。这种协同发展将促进晶振产品的技术创新和产业升级，提高整个产业链的竞争力。 国产替代： 当前，全球晶振市场主要由日本、美国、中国台湾等国家和地区的企业占据主导地位。然而，随着我国电子信息制造业的快速发展和人工智能技术应用范围的扩大，本土晶振生产制造企业将迎来更多的发展机遇。未来，我国晶振行业有望实现国产替代，提高市场竞争力。 政策支持与推动： 各国政府都在积极推动自动驾驶技术的发展和应用。政策支持和资金投入将为自动驾驶技术的研发和应用提供有力保障及普及。这将为晶振等电子元器件提供更多的市场机会和发展空间。 综上所述，晶振产品在无人驾驶领域具有广泛的应用和广阔的发展前景。随着技术的不断进步和市场需求的增长，晶振产品将在无人驾驶汽车中发挥更加重要的作用。

根据官方定义，高级驾驶辅助系统（Advanced Driver Assistance System，ADAS）功能覆盖范围主要是L0~L2级自动驾驶，该范围内驾驶主体仍为驾驶员，系统则辅助人类执行动态驾驶任务。当前在政策法规、市场竞争和消费者需求的共同推动下，ADAS市场迎来快速增长。 ▶ 未来3-5年，ADAS市场将进入快速渗透期，L1-L2级ADAS依然是带动全球自动驾驶汽车出货量增长的最大细分市场；预计至2025年，中国乘用车L1-L2级ADAS渗透率达75%； ▶ 基于数据统计，我们可以看到2022年1-3月乘用车ADAS渗透率相比2021年有所提升；从月度数据来看，自2021年6月开始，L2级辅助驾驶渗透率持续高于L1级的市场渗透率，成为主要的辅助驾驶方案；2022年3月，国内新车L2级配套量接近41.6万，当月渗透率接近30%； ▶ 从市场格局来看，目前ADAS系统集成领域主要由头部Tier 1占据绝大多数市场份额，如博世、电装、大陆、采埃孚、安波福等，CR5达到80%；同时由于市场发展潜力巨大，互联网科技公司、初创公司等玩家纷纷切入，部分自动驾驶初创公司也吸引大量资本，推动自动驾驶产品的量产落地，加速商业化进程； ▶ 对于自动驾驶实现路径，由于车辆搭载ADAS系统实现智能化更易落地推进，成为中短期的主要选择；L3级及以上的高级别自动驾驶对于网联协同的要求更高，长远来看车路协同作为补充，与单车智能融合互补，最终实现高度自动驾驶； ▶ 在单车智能路线上，存在两类不同的感知方案：以特斯拉为代表的坚持视觉感知为主的路线（目前特斯拉已演进成纯视觉方案），另一类则是以Waymo为代表的激光雷达+多传感器融合的技术路线，从国内发展来看，激光雷达的多传感融合方案是主流选择； ▶ 未来具有自动驾驶功能的智能汽车主要遵循硬件优先发展，软件算法逐步升级的方式，其中对智驾芯片也提出了高算力、开放性等要求，多种传感器也在不断迭代升级，并结合5G/V2X，最终实现车辆的无人驾驶 2021年SAE发布的新版自动驾驶分级标准对“驾驶员辅助系统”和“自动驾驶系统”进行了区分，该新框架将L0-L2级系统命名为“驾驶员辅助系统”，而L3级至L5级则被视为“自动驾驶系统”。此外，根据我国工信部发布《汽车驾驶自动化分级》，自动驾驶划分为L0-L5六个等级，其中L0~L2级为驾驶辅助，即先进驾驶辅助系统——Advanced Driver Assistance System（ADAS），由此规范了ADAS产业的进一步发展。 在政策、市场、消费者三重作用的推动下，国内ADAS渗透率保持稳定增长，目前L2级ADAS系统的渗透率已经超过L1级，成为主要的辅助驾驶方案；预计未来3-5年， L1-L2级ADAS依然是带动全球自动驾驶汽车出货量增长的最大细分市场。 在这一巨大市场发展潜力之下，除了传统零部件Tier1之外，互联网科技公司、初创公司等玩家纷纷切入，竞争激烈。初创公司由于研发成本等资金需求量大，积极寻找融资机会；部分初创企业从成立以来已进行多轮融资，吸引大量资本的入场。 目前业界普遍认为单车智能和车路协同是实现智能驾驶的两大路径。由于单车智能（即车辆搭载ADAS系统）更易落地推进，因此成为各企业在中短期内推动智能驾驶业务发展的主流选择；而在单车智能的感知方案上，又存在“视觉派”与“多传感融合派”之争。 从各车企ADAS系统配置来看，特斯拉与极氪目前采用视觉感知方案，具备量产成本优势，而其他车企（以国内新势力企业为代表）则大多引入了激光雷达，采用多传感融合方案，同时加入了高精度地图/定位，实现驾驶辅助功能。未来随着ADAS功能的不断演化，需要更多传感器的加入来实现不同场景下（包括行车域、泊车域等）的特定功能，因此多传感器融合将是主流发展趋势，并结合5G/V2X，最终实现车辆的无人驾驶。

在无人驾驶汽车的研发过程中，人工智能 (AI)和机器学习起着重要作用。相应的，无人驾驶（和半无人驾驶）汽车的软件开发团队又要面临新的安全挑战：如何在故障未发生时保证预期功能安全？为了解决这一问题，新的ISO标准ISO/PAS 21448应运而生。 什么是 SOTIF SOTIF即道路车辆预期功能安全，它是ISO/PAS 21448: Road Vehicles —Safety of the Intended Functionality的简称。 ISO/PAS 21448适用于需要适当环境感知的功能，该标准关注的是在没有故障的情况下如何确保目标功能的安全性。 SOTIF与传统的功能安全形成了鲜明的对比，传统的功能安全关注的是如何降低由于系统故障而带来的安全风险，而SOTIF关注的是如何在没有系统故障的情况下确保安全。 SOTIF提供设计、验证和确认阶段的指导，通过这些指导，帮助您在没有错误的情况下达到预期安全的要求。 SOTIF示例如下： 设计阶段的测量示例：提供传感器性能的需求 验证阶段的测量示例：提供具有高覆盖度场景的测试用例 确认阶段的测量示例：提供模拟仿真 ISO/PAS 21448与ISO 26262的关系 ISO 26262能够覆盖系统失效的功能安全，但它没有覆盖到在系统失效未出现的情况下的安全隐患，这就是ISO/PAS 21448存在的必要性。 事实上，最初ISO/PAS 21448本来是要成为ISO 26262的第14章节。但是因为在没有系统失效的情况下保证安全这个概念非常复杂，SOTIF便成为了一个独立的标准。 2018年末，ISO/TC22/SC32/WG8功能安全工作组在意大利比萨召开会议，讨论了国际标准ISO21448的范围、对象、主要内容及框架等，中国代表团就“车辆运动控制系统功能安全可控性研究项目”进行了主旨发言，提出关于自动驾驶车辆的5项提案。 在无人驾驶的开发热潮中，功能安全ISO26262获得越来越多的关注和重视，与此同时，预期功能安全ISO/PAS 21448无疑将会成为汽车行业的另一大焦点。 ISO 26262与ISO/PAS 21448 ISO 26262仍然适用于现存的和已建立的系统，例如：动态稳定性控制（DSC）系统或者气囊系统。在这些系统中，可以通过降低系统的失效风险来保证安全。 ISO/PAS 21448适用于没有系统故障但是存在安全隐患的系统，例如：紧急干预系统和高级驾驶辅助系统。 ISO/PAS 21448是ISO 26262的补充。 为什么SOTIF 很重要 因为对自动系统进行验证是非常困难的。 为了避免潜在的安全隐患，需要自动系统具备情景感知能力，这样自动系统才能根据环境做出决策。 前文说到，人工智能和机器学习是开发自动系统的关键，而这些自动化系统拥有庞大的数据量（这些数据被输入到复杂的算法中），验证这些自动系统是否安全是复杂并且困难的，所以应用SOTIF是保证人工智能做出规避安全隐患决策的关键。 应用SOTIF 的 实例 SOTIF适用于没有系统故障的情况下存在安全隐患的系统。 例如： 路面结冰，人工智能系统可能无法感知到结冰路况，从而不能做出正确地反应，这种情况下就会存在安全隐患。由于不能感知结冰路况，无人驾驶车辆的行驶速度可能会超过此时应有的安全车速。实施SOTIF就意味着需要考虑这样的情况，并且基于可能性来进行相应的决策。 SOTIF的目标是减少潜在和未知的不安全的状况。然而，这样定义是很宽泛的，因为很难证明你已经考虑到所有的潜在的边界情况。 如 何确保无人驾驶的功能安全 安全性一直是汽车行业软件开发的关键。确保功能安全对无人驾驶至关重要。为了保证编写的软件是安全的，研发团队需要这样做： 使用信息安全的研发流程 人工智能和机器学习的最大挑战之一是其信息安全性，网络安全和人工智能本身都有大量需要考虑的地方。 关键的信息安全开发流程有如下三个示例： 为了消除安全漏洞，良好的编程实践和周密的 的 测试工作至关重要，可以通过使用信息安全编码标准来实现 开发安全模块的关键是对信息威胁建模和降低风险，可以通过进行危害和风险分析来实现 控制构建/发布环境是防止黑客入侵的关键，也能确保构建的安全。这可以通过在CI/CD环境中进行访问控制来实现 将设计、验证和确认变得自动化 在人工智能，机器学习和无人驾驶汽车领域，为保证软件的安全性，软件开发人员有很多需要考虑的风险。将设计、验证和确认过程变得自动化，可以提高研发效率。 SOTIF示例： 设计阶段的测量示例 使用需求管理工具，帮助 您满足 传感器性能的需求，这有助于设计更安全的软件。 验证阶段的测量示例 使用测试用例管理工具，帮助 您确保 不同场景的高覆盖率，这有助于软件验证。 确认阶段的测量示例 有一半的信息安全缺陷是在源代码级引入的。所以代码一旦完成，立即发现和修复BUG就是至关重要的。 但是很多开发者缺乏信息安全方面的培训，在进行代码审查时就很难识别出信息安全方面的问题。即使是训练有素的开发者，也很可能会犯不易察觉的错误。所以，开发人员需要通过遵循信息安全编码规范来查找和避免这类缺陷的产生。 静态代码分析工具可以帮助开发工程师快速遵循编码规范。它们可以标识信息安全方面的漏洞，加速代码审查的过程。能识别的错误包括内存泄露、非法访问、算法错误、数组和字符串溢出等。 使用专业的静态测试工具，如Perforce公司的Helix QAC代码静态测试分析软件，可以帮助您模拟潜在的运行场景，这有助于软件确认。 符合功能安全标准 SOTIF虽然对无人驾驶的功能安全非常重要，但是，不要忘记ISO 26262，遵守已确立的功能性安全标准仍然重要。 对于无人驾驶汽车来说，最好是遵循基于ISO 26262 ASIL的建议。 Perforce公司的Helix QAC得到SGS-TÜV SAAR认证，可用于安全相关软件的开发，可达ISO 26262 ASIL D的要求。 赶快上车，了解更多满足汽车功能安全的要求吧！ 参考文献 Richard Bellairs .Why SOTIF(ISO/PAS 21448) is Key For Safety in Autonomous Driving 《ISO/TC22/SC32/WG8功能安全工作组ISO21448预期功能安全（SOTIF）会议在意大利召开》-汽车标准化研究所