ADASの向上: 優れた夜間検出のための初期融合技術の活用

融合技術

複数のセンサーと異なるセンシングモダリティからのセンサーデータストリームを融合することで、センサーを個別に使用する場合よりも優れたシステムパフォーマンスを達成することが目標です。これは、検出精度と信頼性だけでなく、計算スループットにも当てはまります。融合技術は、機械学習とAIツールの導入により、古典的なアプローチから進化してきました。このテキストで説明する次の手法は、ADAS にとって特に興味深いものです。

• 後期融合
  これは、センサーシステムのデータ処理チェーンの後半で融合が行われる古典的なアプローチです。これはしばしば高レベルの融合と呼ばれ、本質的には同じことを意味します。
  
  個々のセンサーは、融合が行われる前に、通常は認識アルゴリズムが何かをオブジェクトとして分類した時点で、より高いレベルでデータを処理します。これらのオブジェクトは、交通環境に関連するさまざまなセマンティッククラス（車、歩行者、自転車など）に分類されます。次に、派生属性（位置、方向、速度など）を持つオブジェクトが融合アルゴリズムに渡されます。
  
  その情報は追跡アルゴリズムで使用され、システムが経路予測を計算し、例えば自動緊急ブレーキ（AEB）などの衝突回避機能に使用されます。
  
  後期融合を使用するシステムの利点は、両方のソースがオブジェクトに関する情報を提供する場合、出力を信頼できるため、システムの信頼性が高くなることです。欠点は、各センサーモダリティがデータを提供する必要があることと、カメラが太陽のまぶしさにさらされている場合など、困難な条件下では検出を実行するのに十分な信号が得られない場合があることです。
  
  この手法は、意思決定が分散化されたスマートセンサーで構成されるADASアーキテクチャによく適合します。

• 早期融合
  早期融合には、考慮すべき2つのバリエーションがあります。1つは中間レベルで、センサーの1つがオブジェクトデータを提供し、もう1つは処理チェーンの初期のステップからのデータ(通常はイメージャからのピクセルまたはレーダーからの検出)を提供します。
  
  もう1つは低レベルの融合で、すべてのセンサーが初期段階からのデータを提供し、融合プロセスでオブジェクトの分類も実行します。早期融合の利点は、各センサーが単独でオブジェクトを分類する必要がないことです。実際には、これは、センサーシステムにとって困難な条件がある場合、各センシングモダリティからの確実性の低い情報を信頼性の高い検出に組み合わせることができることを意味します。
  
  このアプローチは、センサーが高帯域幅接続を介して中央コンピューティングユニットに高密度データを渡すことができる集中型アーキテクチャで、より興味深いものになっています(データをオブジェクトに処理することなく)。全体として、これによりより効率的な認識システムが得られ、SOCとAIツールの改善によって開発が可能になりました。

熱センサーとイメージレーダーの早期融合による歩行者の保護

ADASに関連する早期核融合の可能性を理解するには、暗闇の中での歩行者事故に対処する必要性に注目することができます。AAAの報告書によると、米国では夜間の歩行者死亡者数が過去15年間で増加しており、その増加のほぼすべてが都市部の幹線道路に起因しており、死亡事故の76%が日没後に発生しているという。可視光スペクトルで動作する現在のカメラ技術は、暗い場所では苦戦しており、感度を上げると誤検知のリスクが高まります。

マグナは、高可用性を備えた堅牢でコスト効率の高い代替手段として、熱レーダーセンサーとイメージレーダーセンサーの早期融合を模索しています。熱センサーは熱信号を通じて歩行者を検出し、イメージングレーダーは詳細な空間推定を提供します。両方のセンサーからの生データを組み合わせることで、暗闇でのリアルタイムの物体評価が可能になります。

熱レーダーとイメージレーダーの早期融合により、歩行者の安全性が向上し、コストと拡張性の利点が得られます。しかし、市場での受け入れには課題が残っています。業界は、可用性と信頼性に関して、このテクノロジーを評価する必要があります。サーマルレーダーとイメージレーダーを備えたシステムソリューションは、費用対効果をサポートするために、大量生産と市場採用を必要とします。

ADAS技術の進化と今後の安全規制を考慮すると、業界はこれらの障壁を克服する準備ができています。ADAS 融合は急速に進化し、モビリティソリューションの安全性と効率性を高める可能性があります。

*このドキュメントは Microsoft Translator を使用して翻訳されました。