2018/10/22
639
汽车整车技术需求、应用现状及发展趋势分析
发展趋势
（1）智能网联化
灯光控制模块将作为整车网络的一个节点，不再是孤立的灯具电子模块，通过与整车总线互联互通，大灯就有了自己的“思维”——只照亮该照亮的地方，灯具电子网联化控制会成为一个发展趋势。
a． ADB（Adaptive Driving Beam）
实时自适应照明，是智能灯光发展的一个阶段，也是车用网联化的一个成功应用。从照明来讲，100像素以下的ADB足以实现车灯照明，每个像素均由单独LED芯片精确控制0％－100％的光强，对不同交通情况、天气状况、道路路况、自身车况所需要的配光分布做出调整。当有其他车辆进入车灯的光分布区域时，模块会有选择性地动态掩蔽对方车辆所在区域以防止眩目。
b． DLP（Digital Light Procession）
数字高分辨光处理技术，能提供万级以上，甚至百万级像素，能清晰投影复杂的、带有曲线的图形，确保光顺的截止线拐点，实现没有锯齿的截止线。DLP把光用到极致，在进行来车会车遮蔽的时候，确定需要遮蔽的区域以及满足要求的最小遮蔽窗口，减少照明范围的损失，适应未来有人／无人驾驶共同存在的环境。
在实现照明功能的同时，通过与摄像头、导航以及雷达技术的融合，以投影的方式实现信息的传递，增强车与人之间的互动、汽车与其他道路使用者的沟通。为后续智能驾驶提供更加安全和便捷的夜间行驶“光服务”，增强多种场景的安全驾驶体验。
（2）信息交互化
交互设计致力于为特定的汽车应用场景设计最优的解决方案。根据各个驾驶阶段的有用信息，做出合理决策和操作，通过影像、图形、声音等手段，在友好的交互界面上体现信息将会是信息交互化发展的必然趋势。以DLP为例，除了照亮该照亮的地方（高精度ADB遮蔽），甚至通过灯光给司机打信号，比如，交互信号有： 导航信息路面投射，限速提示，行人互动信息提示，行人位置跟踪提示，行驶意图信号投影，预测行驶区域提示等。信息交互化作为智能驾驶技术，将有效提高汽车驾乘的安全性，通过制造不同场景的交互方案，将用户的产品体验做到极致。
（3）用户界面个性化
用户界面是信息交互的表现途径，是让产品好用且使人愉悦的技术。用户界面设计时，既要了解用户在同产品交互时彼此的行为，又要了解用户和他们的期望，用户界面必须具有易用性和良好的用户体验性。在不影响安全、不违背法规的前提下，将来会有越来越多车型，开放用户界面的部分设置功能，将个性化配置权限释放给用户，用户通过本地或OTA方式更新个性化的配置。比如，交互信息的触发使能、触发条件、信息内容，个性化出行、音乐、智能停车、 电台推荐等。
技术需求
作为汽车照明的技术领先者，华域视觉拥有清晰的战略方向，建立了智能化模块的开发能力和体系，储备了前沿技术，可为客户提供创新、先进的产品及解决方案。
（1）ADAS（Advanced Driver Assistant system）
a． 嵌入式系统研发能力
电子模块开发离不开软件，嵌入式系统开发的能力建设，是车用零件向电气化、智能化、网联化进化的必要条件。
因智能模块的系统复杂性，需功能复杂的软硬件系统来支撑。目前市面上，典型的硬件系统通常基于3类方案，Mobileye EyeQ3或EyeQ4系统，FPGA（Field － Programmable Gate Array） 系统以及GPU（Graphics Processing Unit） 系统。Mobileye系统是最早的感知识别系统，但方案封闭，OEM和Tier1客户都无法实现个性化开发配置。因此，有较强开发实力和创新能力的Tier1和各初创公司都在积极探索FPGA方案或GPU方案，比较典型的，有MiniEye， 魔视智能，百度，华域视觉等。
图 4．2 基于FPGA方案的硬件架构图 ， 软件架构图
软件架构需具备跨平台性，实时性，图形化，视觉识别，可扩展性，安全性等。其对嵌入式系统的软硬件架构提出了标准化需求，通过拆分硬件和软件，创造出一种全新的模块化软件体系，为客户提供一个具有高度动态性和灵活性的平台，使研发人员专注于算法、模型等应用软件的开发，利于需求确认、仿真分析、快速原型、HIL验证，利于迭代改进，利于最终方案的快速冻结。
b． 机器视觉算法研发能力
用深度学习为机器视觉赋能，解决人类视觉的一个痛点：在黑暗或恶劣的天气条件下，人类具有有限的视力和反应能力。
深度学习的优势主要是自学习特征。深度学习如果有足够多的样本用于训练，就能够使系统的感知能力足够高； 传统的计算机视觉算法需要手工提取特征，很多时候还需专家知识、算法的鲁棒性设计，非常困难，很难保证鲁棒性，另外还需大量的调试、非常耗时。
深度学习一般包括四种类型的神经网络层：输入层、卷积层、池化层、输出层。随着网络层和节点数的增加，可以表达更细、更多的识别目标特征，网络结构层数越多，检测精度越精确。
卷积层和池化层是深度学习的核心处理层。卷积层主要是用于负责物体特征的提取；池化层主要是负责采样。
深度学习主要包括两方面内容：一个是训练，一个是检测。训练一般主要是离线进行，就是将采集到的样本输入到训练的网络中。训练网络进行前向输出，再利用标定信息进行反馈，最后输出模型，这个模型再导入到检测的网络中，检测网络就可以对输入的视频和图像进行检测和识别。
照明及LED产业风向标
欢迎莅临广州国际照明展览会!
主办单位官方微信
