如今，大多数自动驾驶汽车依靠传感器集成，即毫米波雷达、激光雷达和摄像头的多传感器数据，以一定的标准进行分析和综合收集环境信息。正如自动驾驶汽车行业巨头所证明的，多传感器集成提高了自动驾驶汽车系统的性能，使车辆出行更加安全。

南皇电子专注于整合中国优质电子Lattice代理商国内领先的现货资源，提供合理的行业价格、战略备货、快速交付控制莱迪思芯片供应商，轻松满足您的需求莱迪思芯片采购需求.

但并非所有的传感器融合都会产生相同的效果。虽然许多自动驾驶汽车制造商依靠 "目标级"传感器集成，但只有集中式传感器前集成才能为自动驾驶系统提供最佳驾驶决策所需的信息。接下来，我们将进一步解释目标级集成和集中式传感器前集成之间的区别，以及证明集中式前集成不可或缺的原因。

集中传感器前融合保留了原始传感器数据，可以做出更准确的决策

自动驾驶系统通常依靠一套特殊的传感器来收集环境的底层原始数据。每种类型的传感器都有优缺点：

将毫米波雷达、激光雷达和摄像头多传感器结合起来，可以最大限度地提高收集数据的质量和数量，从而产生完整的环境图像。

与传感器单独处理相比，多传感器集成的优点已被自动驾驶汽车制造商广泛接受，但这种集成通常发生在 目标级后处理阶段。在这种模式下，传感器层面发生物体数据的收集、处理、集成和分类。然而，在综合数据处理之前，单个传感器几乎消除了自动驾驶决策所需的背景信息，这使得目标集成难以满足未来自动驾驶算法的需要。

集中式传感器的前融合很好地避免了这种风险。毫米波雷达、激光雷达和摄像头传感器将底部原始数据发送到车辆的中央域控制器进行处理。该方法最大限度地提高了自动驾驶系统获取的信息量，使算法能够获取所有有价值的信息，从而比目标集成提供更好的决策。

AI通过集中处理，增强毫米波雷达显著提高了自动驾驶系统的性能

目前，自动驾驶系统已经集中处理了摄像头数据。但当涉及到毫米波雷达数据时，集中处理仍然是不现实的。高性能毫米波雷达通常需要数百个天线通道，这大大增加了数据量。因此，本地处理已成为一种更具成本效益的选择。

然而，安霸 AI 毫米波雷达感知算法可以提高雷达角的分辨率和性能，而无需额外的物理天线。使用标准汽车以太网等接口，以较低的成本将来自较少通道的原始雷达数据传输到中央处理器。当自动驾驶系统将原始时 AI 当雷达数据与原始摄像头数据集成时，它们可以充分利用这两种互补的传感方法来建立一个完整的环境图像，使集成的结果更加全面，超越任何单个传感器获得的信息。

毫米波雷达的更新迭代有助于降低成本，大大提高自动驾驶系统的性能。当传统的低成本雷达量产时，每毫米波雷达的价格可以低于 50 美元比激光雷达的目标成本低一个数量级。结合无处不在的低成本摄像头传感器，AI 雷达提供了可接受的精度，这对于大规模商业化的自动驾驶汽车量产至关重要。激光雷达传感器和运行 AI 如果激光雷达的成本逐渐下降，算法的摄像头/毫米波雷达感知集成系统将重叠。 毫米波雷达在 L4/L5 自动驾驶系统中的安全冗余。

深化传感器集成，优化自动驾驶系统性能

目前目标级传感器集成有一定的局限性。这是因为前端传感器配备了本地处理器，限制了每个智能传感器的尺寸、功耗和资源分布，进一步限制了整个自动驾驶系统的性能。此外，大量的数据处理可以快速耗尽车辆的功率，缩短里程。

相反，算法优先的中央处理架构实现了传感器前的深度集中融合。该技术利用最先进的半导体工艺节点优化了自动驾驶系统的性能，主要是因为该技术可以根据驾驶场景提高不同传感器和数据趋势的性能。中央处理器可以通过获取高质量、底层的原始数据，做出更智能、更准确的驾驶决策。

自动驾驶汽车制造商可以使用低功耗毫米波雷达和摄像头传感器，并优先考虑尖端算法，如安霸最近宣布的 5 纳米制程 CV3 AI 计算力域控制芯片具有最佳感知和路径规划性能，能效比最高，显著增加了每辆自动驾驶汽车的里程，降低了电池消耗。

不要放弃传感器-投资于它们的集成

自动驾驶系统需要多样化的数据来做出正确的驾驶决策。只有深度和集中的传感器集成才能为自动驾驶系统的最佳性能和安全提供广泛的数据。在我们理想的模型中…

1. 低功耗、AI 增强的毫米波雷达和摄像头传感器与自动驾驶汽车外围的嵌入式处理器相连。

2. 嵌入式处理器将原始检测对象数据发送到中央域SoC。

3. 使用 AI、中央域处理器分析组合的数据，以识别物体并做出驾驶决策。

集中式传感器的前融合可以改善现有的高次融合架构，使传感器融合的自动驾驶汽车强大可靠。为了获得这些好处，自动驾驶汽车制造商必须投资算法优先级的中央处理器，并支持它们 AI 毫米波雷达和摄像头传感器。通过多方努力，AI 制造商可以迎来下一阶段自动驾驶汽车发展的技术变革。

Lattice中国海量优质的信息资源、行业资讯、最新开发方案等资讯信息平台。