根據美國國家衛生研究院的研究,我們透過視覺感知接收近80%的外界訊息。self-driving cars(自動駕駛汽車)能否達到相同的視覺能力？這正是當前自動駕駛技術面臨的關鍵挑戰。事實上,自動駕駛汽車主要依賴三種感測器:攝影機、雷達和光達。透過結合多種感測器,開發人員已經創建出比人類視覺更優秀的檢測系統。然而,在光線突然變化、惡劣天氣等複雜環境中,感測器的性能表現直接影響自動駕駛技術的安全性。本文將深入探討人類視覺系統的運作原理,並介紹最新的仿生感測技術如何讓full self driving cars在各種環境條件下都能看得更清楚、更安全。
人類視覺系統如何運作
人類視網膜包含約1.2億個視桿細胞和600至700萬個視錐細胞。這兩種感光細胞負責將光能轉化為電訊號,但功能截然不同。視桿細胞極為敏感,可以被單個光子觸發,主要分布在視網膜周邊區域,負責夜間視力但無法辨識顏色。相反地,視錐細胞需要更亮的光線才能產生訊號,主要集中在黃斑區,負責明視覺和色覺。
視網膜的桿狀細胞與錐狀細胞
視錐細胞又分為三種類型,分別對不同波長的光有反應。L型視錐細胞對長波長光的峰值反應約在560奈米,M型對中波長光在530奈米處達到峰值,S型則對短波長光在420奈米處反應最強。視桿細胞含有視紫紅質感光色素,對500奈米波長的藍綠色光敏感。在低光照時無法看清物體的顏色,因為此時只有視桿細胞處於活躍狀態。
大腦視覺皮層的資訊處理
視網膜產生的電訊號通過視神經傳遞到大腦視覺皮層。視覺皮層分為多個區域,包括初級視皮層V1和紋外皮層V2至V5等。腹侧通路主要處理物體形状和颜色資訊,背侧通路則負責感知運動等資訊。視網膜神經節細胞具有中心-周邊拮抗機制,在視覺早期階段就開始減少資訊冗余。
人眼在不同光線條件下的適應能力
人眼能感受的光亮度變化範圍達10的12次方比1。暗適應過程需要30至60分鐘達到穩定,瞳孔直徑可從2毫米擴大到8毫米,使進入眼球的光通量增加16倍。另一方面,亮適應過程較快,只需幾分鐘就能完成。這種適應能力依賴視桿細胞和視錐細胞的切換,以及視紫紅質在維生素A參與下的重新合成。
自動駕駛汽車的感測器系統
self-driving cars的感知系統遠比單一攝影機複雜。攝影機、雷達和光達這三種感測器各有所長,相互補足才能建構完整的環境認知能力。
攝影機感測器：捕捉環境影像
攝影機能辨識顏色與文字,偵測道路標誌、交通號誌和車道線。多台攝影機安裝在車輛周圍可提供360度視野,協助辨識行人、其他車輛和路面標記。
雷達感測器：測量速度與距離
雷達發射無線電波偵測物體的距離、範圍和速度。毫米波雷達的探測距離可輕鬆超過200米,穿透霧、煙、灰塵的能力強,適用於自適應巡航控制和盲點偵測。雷達基於多普勒效應測量目標相對速度,透過發射與反射信號的頻率差異計算移動物體的速度。
光達感測器：建立3D環境地圖
光達每秒捕獲數百萬個數據點,產生詳細的地形圖和模型。透過發射雷射脈衝並測量返回時間,光達能判斷感測器與物體之間的距離,同時建立物體表面的3D影像。
感測器融合技術的運作原理
感測器融合將各個獨立的異質感測器進行資料關聯並計算處理。目前廣泛應用三種融合手段:數據級融合直接融合原始數據、特徵級融合提取代表性特徵後融合、目標級融合則在各感測器獨立分析後再整合結果。
模仿人類視覺的新型感測技術
香港理工大學與南韓延世大學科學家開發的仿生視覺感測器,為full self driving cars帶來突破性進展。這些新型感測器不僅模仿人眼的適應能力,某些性能甚至超越人類視覺系統。
光記憶電阻器的仿生設計
賓夕法尼亞州立大學研究團隊採用導電聚合物PEDOT:PSS和二氧化鈦構建光記憶電阻器。二氧化鈦捕獲環境光並產生光電流,而PEDOT:PSS根據光照強弱吸收或釋放水分,自動調節器件靈敏度。每個光記憶電阻器直徑僅約0.5毫米。香港理工大學則利用二硫化鉬制成近乎原子厚度的雙層超薄膜,並引入電荷陷阱態控制偵測光線的能力。
快速適應明暗變化的能力
相較之下,人眼完全適應明暗變化需要20至30分鐘,但仿生光記憶電阻器能在數秒內完成調節。
在混合光線環境中的優勢
研究團隊將4×4光記憶電阻器陣列與人工神經網絡結合。經過7輪訓練後,該系統在複雜光照環境下達到超過95%的識別準確率。
與傳統感測器的性能比較
天然光強度範圍廣達280分貝,傳統矽基感測器的適應範圍僅有70分貝。香港理工大學研發的新感測器有效範圍高達199分貝,超越人類視網膜約160分貝的適應範圍。
Full Self Driving Cars的視覺挑戰與解決方案
儘管感測技術持續進步,full self driving cars在實際道路上仍面臨嚴峻考驗。
惡劣天氣條件下的感知問題
降雪對光達構成最大威脅。雪花反射率高達30%至90%,激光脈衝打到雪花後大部分被反射,形成虛假障礙物。攝影機在大雨或濃霧中能見度與對比度大幅降低,而光達則出現信號散射、吸收與衰減現象。毫米波雷達雖能穿透雨霧,但在大雪中雪花會反射雷達波形成干擾訊號。
突然光線變化的處理機制
自動駕駛攝影機採用高動態範圍成像技術,透過捕獲多張不同曝光量的影像合成,同時保留亮部與暗部細節。深度學習模型結合影像增強演算法,可在夜間與弱光環境下提升目標分割性能。
盲點檢測與360度環境感知
盲點偵測系統在後保險桿兩側安裝毫米波雷達感測器,持續監控車輛側後方區域。美國公路安全保險協會研究顯示,配備盲點偵測的車輛變換車道時事故機率降低約14%,涉及受傷事故的情況也降低約23%。
Waymo Self Driving Cars的實際應用案例
Waymo在舊金山、洛杉磯、鳳凰城等地提供自動駕駛計程車服務。與一般真人駕駛相比,Waymo Driver在相同距離的行駛過程中,重傷人數或較嚴重的車禍數量降低92%,安全氣囊展開的車禍數量降低83%,造成人員傷亡的車禍數量降低82%。
結論
我們在本文中探討了自動駕駛汽車如何透過模仿人類視覺系統來提升感知能力。攝影機、雷達與光達的融合技術,結合最新的仿生感測器,已經在某些性能上超越人眼的適應範圍。Waymo的實際數據證明,這些技術顯著降低事故率。隨著感測技術持續演進,full self driving cars將能在更複雜的環境中安全行駛,真正實現人類對自動駕駛的願景。