NOA憑借著智能輔助駕駛和高精度地圖的完美結合，可以使車輛在行駛過程中自動完成變道、超車、躲避大車等操作，無需人為干預，并且還能自動駛入和駛出高速公路匝道或立交橋岔路口。進一步提高了智能駕駛的自動化水平，給用戶的智能駕駛帶來了全新的體驗。

福瑞泰克基于ADC中央計算平臺為客戶提供不同場景下NOA行泊一體方案，包含ADC20（支持L2.9）、ADC25（支持城區場景）、ADC30（支持L3-L4）三個版本，能夠支持高速場景下的上下匝道、自動變道、城市道路的堵車自動跟車、低速場景下的自動泊車等功能。

根植于技術的創新，福瑞泰克ADC中央計算平臺通過泊車與行車功能的集成和360度感知技術實現L2+增強感知能力，將整體功能體驗和性能提升到一個新高度。福瑞泰克360°感知技術支持客戶基于場景重構，針對不同整車企業的訴求，助力其解決在城市道路、高速公路、鄉村道路的差異化場景下感知需求的挑戰。

# 01 實現360度環視感知

福瑞泰克ADC20域控制器通過獨創的高性價比6V5R架構，完美支持NOA功能，域控制器的傳感器由6個攝像頭和5個毫米波雷達，以及12個超聲波雷達組成，實現360°全方位感知，同時輔助于高精度地圖，實現超視距的靜態道路環境感知。通過多種傳感器的感知冗余，在每個方位上至少保證有兩個傳感器系統的覆蓋，更大程度上保證的感知準確性。

福瑞泰克基于360°感知的高階自動駕駛解決方案，在規模化量產開發過程中不斷探索傳感器在不同場景下的性能邊界，針對場景開發不同的多傳感器融合策略，充分發揮各自的優勢，揚長避短。融合感知為功能決策提供更可靠的依據，并評估傳感器的狀態及感知置信度，在困難場景下能及時給駕駛員提醒，從而避免危險的自動駕駛策略。

# 02 數據閉環、工具鏈

智能駕駛智能化程度越高，對數據的依賴也越大是行業的普遍共識。智能駕駛所面臨的數據問題是典型的數據分布長尾問題，即極端case場景少但極其重要難，所以業內提出數據閉環的概念，通過建立一套完整的工具鏈，自動或半自動完成從數據采集、數據挖掘，到算法訓練、驗證及車端升級應用的完整閉環。對長尾數據的采集及處理效率決定了算法能力和迭代速度。福瑞泰克基于對客戶需求和場景數據的理解，搭建了數據閉環系統，支持產品開發階段和產品應用階段的不同應用策略，并在客戶項目和產品開發過程中不斷優化和升級。

福瑞泰克在車端ADC20域控制器中部署了影子模式和OTA在線升級模塊。影子模式基于在量產車上的推理判斷，實時識別出特殊功能場景信息，自動記錄感興趣的感知信息和駕駛信息。根據算法需求，在ADC20中設置了多種不同的觸發條件，例如駕駛員接管、自動/人工駕駛條件下的緊急制動、自動變道功能開啟失效等，當某種觸發條件滿足時，就會自動記錄事件發生前后的相關信息。為了節省數據內部存儲空間，對觸發事件分級，優先存儲重要性更高的數據，適當的時機通過4G/5G無線網絡上傳數據中心，并在上傳之前做數據脫敏處理。

在后端數據中心，對數據進行預處理、挖掘、清洗和標注，之后用于算法模型訓練、驗證和部署，最終通過OTA升級到車端。從而形成數據閉環，提高產品迭代效率。在后端數據處理的不同階段，福瑞泰克開發出多種工具鏈，比如感興趣數據挖掘工具、自動化數據清洗工具、便捷的數據可視化工具、反饋駕駛環境的性能評價指標統計工具。

在產品及項目開發階段，福瑞泰克采集百萬公里的實際道路數據，用于算法的開發和回灌驗證。對于視覺感知算法開發，從海量數據中快速篩選出有效數據對算法快速迭代至關重要， 我們通過對算法性能的客觀評價，定義數據挖掘策略，快速篩選到高價值的數據。借助超大網絡，配合時序信息，以及后處理跟蹤分析完成的離線數據挖掘工具，可有效挖掘corner case場景，提高數據的有效性。

# 03 環視攝像頭在行車中的應用

市場上普遍的環視攝像頭主要用泊車功能，福瑞泰克則將環視攝像頭復用于行車環境感知，在不增加成本的條件下補充其他傳感器在超近距離的感知盲區，從而增加行車條件下的感知可靠性。由于環視攝像頭的魚眼成像特性，能夠看到超近距離車輛的車輪和行人的腳部，所以在識別目標位置上相對其他攝像頭有明顯優勢，尤其在NOA變道過程中提供相鄰目標車輛的位置和姿態。行車環視可同時檢測車輛、行人、二輪車以及車道線、道路邊界等動態和靜態目標。為了實現高精度，低耗時的算法效果，我們采用了多個技術方法。

4路環視的數據量較大，對計算平臺的算力有較高的要求。如果對每路圖片分別處理則會明顯增加計算量和感知延時，為了節省算力，我們將4路圖像先合并再計算。對于目標檢測網絡，直接將原始圖像拼接成田字格作為網絡輸入，對于車道線檢測網絡則做俯視拼接，并對圖像做了適當的降采樣。通過這種方式，可明顯降低神經網絡耗時，提高處理的并行性。

對于目標檢測功能，福瑞泰克的檢測方案和其它攝像頭方案類似，即檢測目標框和接地點，然后將圖像坐標根據攝像頭的內外參投影到車輛坐標系。同時將4路目標做BEV融合，從而得到穩定目標輸出。對于車道線檢測功能，先根據攝像頭內外參將圖像拼接成俯視圖，然后直接回歸車道線3次曲線方程，相對于傳統的分割方法，省去了后處理對車道線的擬合過程。

# 04 視覺感知算法應用優化

感知算法是整個自動駕駛系統的基礎，需要為功能決策提供豐富的、可靠的信息。車上感知算法表現如何，最直接體現在是否能夠快速地、準確地識別出周邊障礙物，以及一系列的馬路地面信息，如車道線、路沿、地面標志、停止線等。為了得到好的感知效果，往往會采用較大的神經網絡模型，但是大的網絡模型會消耗更大的計算資源。為了給客戶提供高性價比的產品，提高產品競爭力，福瑞泰克選擇成本適中的硬件平臺，這對算法部署落地提出了更高的要求，因此我們更重視在低算力平臺上的算法部署。

為了解決芯片功耗和算力的限制，小規模網絡模型是必然選擇，但是模型的訓練比較困難，福瑞泰克探索了多種訓練技巧來提高模型精度。知識蒸餾技術在學術界和工業界都有大量的研究和應用，福瑞泰克同樣在這方面做了大量驗證工作。我們選擇將同結構更大的模型作為教師網絡，在訓練時在教師網絡與現有網絡之間建立損失。通過縮小損失來使現有網絡擁有與教師網絡相近的性能表現。在常規的網絡訓練中，往往會使用人工標注的標簽（即one-hot編碼標簽）來對網絡進行訓練。這些標簽可以使網絡認識圖像中的目標內容。不過這種標簽的缺點是目標的分類只能是單一的，一個目標是某種類別的概率只能是100%。而真實的世界中可能會有目標重疊或者相似的情況。蒸餾過程中教師網絡會輸出soft-target標簽，它是由教師模型預測出的各個類別的概率，它更符合真實的概率分布情況。以soft-target作為模型標簽，可以提高模型捕捉相似性的能力。

模型的訓練一般采用浮點精度，而嵌入式平臺部署一般都是8bit量化甚至更低，模型從32bit浮點轉到8bit量化過程必然帶來較大的精度損失，尤其在模型規模很小的時候精度損失更大，不能滿足智能駕駛對感知精度的要求。而量化重訓練QAT是很好的降低精度損失的方法，我們在分析計算平臺的計算過程之后，在訓練框架中設計量化規則，在正常的訓練過程中加入量化模擬，從而降低在部署時的精度損失。

Transformer最早在NLP領域大放異彩，近幾年在視覺感知領域也表現出優越的性能，也成為視覺感知算法的研究熱點。但是Transformer的特殊算子對當前主流的計算平臺都不友好，計算時間會明顯增加，Transformer未能在實際應用中獲得明顯優勢。面對這種情況，福瑞泰克選擇簡化Transformer的結構，在部分網絡結構中輕量化使用Transformer的關鍵特性，從而在性能和耗時上達到平衡。我們在車道線分割網絡中局部使用了這種技術，使得網絡在全局感知能力上得到提升，在車道線穿車、遠端車道線檢測、惡劣環境下的車道線檢測性能有所提升。我們也在嘗試Transformer的其他用途，例如在蒸餾的教師模型使用該模塊，以提高網絡精度。

返回第一電動網首頁 >