2月24日用于自动驾驶的新型AI传感器技术

TUGraz的研究人员已经为汽车雷达传感器建模了一个AI系统，该系统可以滤除由其他雷达传感器引起的干扰信号，并显着改善物体检测。现在，该系统将对天气和环境影响以及新型干扰变得更加稳健。

为了让现代汽车的驾驶辅助和安全系统能够感知环境并在所有可能的情况下可靠地运行，它们必须依赖摄像头、激光雷达、超声波和雷达等传感器。后者尤其是不可或缺的组成部分。雷达传感器为车辆提供来自周围物体的位置和速度信息。然而，他们必须应对交通中的众多破坏性和环境影响。来自其他(雷达)设备和极端天气条件的干扰会产生对雷达测量质量产生负面影响的噪声。

“干扰信号的去噪效果越好，可以越可靠地确定物体的位置和速度，”信号处理和语音通信研究所的FranzPernkopf解释说。他与他的团队以及英飞凌的合作伙伴一起开发了一种基于神经网络的人工智能系统，该系统可以减轻雷达信号中的相互干扰，远远超过当前的技术水平。他们现在想要优化这个模型，使它在学习模式之外也能工作，并且更可靠地识别物体。

资源高效的智能信号处理

为此，研究人员首先开发了基于所谓的卷积神经网络(CNN)的自动噪声抑制模型架构。“这些架构以我们视觉皮层的层次结构为模型，并且已经成功地用于图像和信号处理，”Pernkopf说。CNN过滤视觉信息，识别连接并使用熟悉的模式完成图像。由于它们的结构，它们消耗的内存比其他神经网络要少得多，但仍然超过自动驾驶雷达传感器的可用容量。

芯片格式的压缩AI

目标是变得更有效率。为此，TUGraz团队使用嘈杂的数据和所需的输出值训练了各种神经网络。在实验中，他们通过分析内存空间和每个去噪过程所需的计算操作数量，确定了特别小和快速的模型架构。然后通过减少位宽(即用于存储模型参数的位数)再次压缩最有效的模型。结果是一个同时具有高过滤性能和低能耗的AI模型。出色的去噪结果，F1分数(测试准确度的衡量标准)为89%，几乎相当于未受干扰的雷达信号的物体检测率。因此，干扰信号几乎完全从测量信号中去除。

用数字表示：8位位宽的模型实现了与32位位宽的同类模型相同的性能，但只需要218KB的内存。这相当于减少了75%的存储空间，这意味着该模型远远超过了当前的最先进水平。

专注于稳健性和可解释性

在FFG项目REPAIR(用于雷达传感器的稳健且可解释的AI)中，Pernkopf和他的团队现在正在与英飞凌合作，在未来三年内优化他们的开发。Pernkopf说：“对于我们成功的测试，我们使用的数据(注意：干扰信号)与我们用于训练的数据相似。我们现在想要改进模型，以便在输入信号显着偏离学习模式时它仍然有效。”这将使雷达传感器对于来自环境的干扰，鲁棒性要高出许多倍。毕竟，传感器在现实中也面临着不同的，有时甚至是未知的情况。“到目前为止，即使是测量数据的最小变化也足以导致输出崩溃，并且无法检测到物体或被错误地检测到，这在自动驾驶用例中将是毁灭性的。”

将一盏灯照进黑匣子

系统必须应对这些挑战，并在自己的预测不确定时注意到。然后，例如，它可以通过安全的紧急程序进行响应。为此，研究人员希望了解系统如何确定预测以及哪些影响因素对此起决定性作用。网络中的这个复杂过程以前只能在有限的范围内理解。为此，将复杂的模型架构转换为线性模型并进行简化。用Pernkopf的话来说：“我们想让CNN的行为更易于解释。我们不仅对输出结果感兴趣，而且对它的变化范围感兴趣。方差越小，网络就越确定。”

无论哪种方式，在实际使用中仍有很多工作要做。Pernkopf预计该技术将在未来几年内发展到可以配备第一批雷达传感器的地步。

标签：