隨著自動駕駛的普及，互聯車輛產生的數據成為汽車行業的驅動因素和約束因素。雖然我們不能低估收集信息的重要性，但目前一輛車的信息量接近每小時25GB。而隨著自主性水平的提高，互聯汽車之間交換的數據千兆字節數將進一步增加。像這樣大量的數據造成了處理問題。為了解決這個問題，架構和數據都必須變得更加復雜。這就是多傳感器融合和數據壓縮在使整個自治系統工作中發揮重要作用的地方。

快速、無縫的數據處理對于追求更高水平自動駕駛的汽車制造商來說是最關鍵和最具挑戰性的任務。Intellias是許多原始設備制造商和一級公司值得信賴的合作伙伴，致力于研究能夠最有效地處理數據流的最佳硬件和軟件解決方案。在本文中，我們將分享我們的數據專業知識，以解開信息如何在自動駕駛汽車中傳播的困惑，以及使用人工智能和深度學習優化數據的方法。

在本文中，您將了解：

（1）用于機器學習的優化數據集

（2）數據壓縮方法

（3）人工智能在傳感器融合和數據壓縮中的應用

（4）基于人工智能的自動駕駛汽車多傳感器數據融合

（5）數據壓縮的深度學習方法

（6）如何將壓縮數據發送到云

為機器學習創建優化的數據集：

工作原理：從多個傳感器收集原始數據后，必須對其進行充分處理。請記住，自治級別越高，需要的傳感器就越多。處理包括幾個階段：

數據清理：通過應用各種基于規則或模型的技術，發現不完整或不準確的輸入，并糾正原始傳感器數據中的錯誤

數據融合：將來自不同來源的數據以及相關數據庫的信息結合起來，以確保高水平的準確性

數據壓縮：通過減少冗余來減少存儲空間和傳輸的數據量，即刪除重復的或寶貴的數據；使用不同的數據表示和近似技術，即傳輸更少的數據而不丟失數據，傳輸緊湊的模型而不是原始數據

要準確地確定一輛自動駕駛汽車在每一個特定時刻所需要的所有必要和足夠的數據是相當困難的。特定的先決條件有助于車輛的AI與傳感器協同工作，逐漸了解使用什么數據以及何時使用。但是，前提條件不能實時更新。對于機器學習引擎來說，識別關鍵任務操作所需的數據并進行局部分析是非常重要的。因此，要運行數據處理，AI必須：

（1）識別所有格式的數據（來自所有傳感器）

（2）全方位分析中傳感器融合算法的實現

（3）識別關鍵任務操作的數據并在本地進行分析

（4）壓縮非關鍵數據

（5）當不太重要的通信可用時，計劃將壓縮數據上載到云

（6）當需要分析非關鍵數據時，從云中調用遺留數據

要像這樣運行處理過程，自動駕駛汽車必須擁有強大而昂貴的機器學習引擎。但要進入大眾市場，汽車制造商必須尋找優化數據和降低汽車價格的方法。為了實現這一目標，需要先進的數據壓縮和數據融合技術，以及車輛和云后端之間高效的雙向通信。

利用人工智能進行傳感器融合和數據壓縮

由于基于人工智能的自動駕駛汽車有多個傳感器——攝像頭、聲納、激光雷達等，因此必須采用融合和壓縮連接汽車數據陣列的技術。這是一個惡性循環：一輛自動駕駛汽車要實現無縫運行，就需要大量的輸入，而這需要龐大的計算處理能力、更多的處理器，以及汽車內部更多的存儲空間。它增加了成本、重量和車輛的人工智能系統的復雜性。如何解決這個問題？

融合來自多個物聯網設備的數據后，您將收到大量信息，這些信息被推送到系統中，供人工智能進行分析。為了處理這些數據量，使用了各種壓縮技術。在這些技術的幫助下，信息經過編碼和壓縮，然后解碼和解壓縮以供使用。有所謂的無損壓縮和有損壓縮方法：在第一種情況下，您可以恢復原來保存的所有信息，而在第二種情況下，一些數據丟失。

為了保證通信帶寬和處理能力，融合中心必須對數據進行壓縮。

基于人工智能的自動駕駛汽車的多傳感器數據融合

讓我們回顧一下傳感器融合及其重要性。傳感器融合的前提是合并來自不同來源的數據，以形成準確和全面的感知。傳感器融合對于車輛的人工智能做出智能和準確的決策至關重要。

自動駕駛汽車的傳感器融合

多傳感器數據融合既可以是來自相似傳感器的同質數據，也可以是來自不同類型傳感器的基于到達時間的異質數據。多傳感器數據融合也有不同的層次：

信號電平：在這個電平上，融合產生一個質量更好的新信號

對象級：基于對象的融合生成融合圖像，通過聚類確定每個信號數據類型

特征級：在這個級別上的融合需要識別來自不同數據源的對象

決策層：這個層次上的融合需要多個算法的結果的組合

目前，汽車制造商正在使用特征級和決策級多傳感器數據融合。然而，這還不足以達到更高層次的自治。為了獲得更廣泛的環境感知和更好的上下文輸入，必須采用基于信號的融合技術。

這引發了第二個挑戰：人工智能必須完成的處理越復雜，它需要的能力就越大。自動駕駛汽車需要更多的處理器和內存，這會增加成本和更大的能源消耗。更關鍵的是，融合和解釋來自如此多不同傳感器的數據將需要更多的時間，人工智能的反應在路上是無法改變的。這就是為什么數據壓縮對自動駕駛車輛的重要性不亞于融合。

調查數據壓縮方法

傳感器產生的數據類型和數量各不相同。看看來自Lucid Motors的Stephen Heinrich的估計，差異可能非常大：

由于攝像機占用了數據交換通道的大部分，因此它是壓縮的首選。如前所述，視頻和激光雷達數據壓縮可以是無損和有損的。讓我們詳細說明一下Intellias如何利用深度學習方法進行數據壓縮。

無損壓縮方法解決了兩個關鍵問題：

1.將真實數據分布近似于模型。

2.開發一種實用的壓縮算法稱為熵編碼方案。

我們可以從ImageNet中100幅圖像的壓縮比來近似無損視頻編碼的預期效率：

對于LIDAR，數據壓縮的方法有：

ilLASCompression

LASZip

LZMA或Lempel-Ziv-Markov鏈算法

壓縮POINT10

為了改進數據壓縮，我們實現了深度學習技術。最近的BB-ANS方法利用了潛在變量模型。這個模型定義了未觀察到的隨機變量，用來表示原始數據的分布。例如，在圖像的情況下，像素的分布可能依賴于邊緣和紋理的位置，這是潛在變量。

對于有損壓縮方法，采用無監督學習方法進行圖像建模。我們使用變分自動編碼器（VAEs）、PixelCNN和PixelRNN模型來學習潛在圖像表示。在這種情況下，交換一個較小的編碼向量，然后解碼。

為了將有價值和快速變化的信息從不那么有價值和更靜態的信息中分離出來，采用了一種有損和無損方法的組合。當我們想要優化數據時，我們使用一種無損的方法來傳輸和壓縮大量的高度動態和關鍵的信息。較不精確但更緊湊的數據傳輸將應用于描述靜態環境或非關鍵背景的圖像。

反過來，背景為應用深度學習模型進行目標檢測和跟蹤開辟了可能性。在這種情況下，感興趣的對象以更高的質量和速度轉移，而其他所有東西都保持較低的質量。

其他用于傳感器數據壓縮的深度學習方法包括注意力模型，它用于減少數據規模并指出最有價值的信息，以及Golomb-Rice編碼，一種基于熵、波動性/持久性、多樣性/均勻性、初始數據規模等的數據壓縮方法。這些方法被認為是有損壓縮，通常指的是多維尺度。它們對于數字多維數據是有效的。

盡管即使是簡單的數據壓縮方法也可以顯著節省帶寬，但高級ML增強的維數縮減更具前景。通過這種縮減，連接車輛之間傳輸的數據量減少了一半。此外，當編碼或壓縮信息被發送到云端時，傳輸數據的大小也會減少兩倍。

將壓縮數據發送到云

非關鍵數據，即長響應時間參考數據，未經本地處理，被壓縮并發送到云。用于存儲數據的云平臺必須能夠承載生成的數據陣列。當涉及到自動駕駛汽車時，計算成本很少被提及，但它們應該被考慮在內：例如，通用汽車（GM）斥資2.88億美元新建了兩個存儲和處理汽車數據的倉庫。

這正是谷歌云數據融合解決方案等產品派上用場的地方。在此解決方案的幫助下，來自不同來源的數據可以融合到中央數據倉庫中。融合云允許構建數據管道并對其進行轉換，而無需編寫任何代碼。

云數據融合解決方案

Intellias汽車專家將該解決方案作為數據分析的骨干，以及大數據應用的開發和運行。

總的來說，傳感器融合和數據壓縮是汽車行業走向更高水平自主的關鍵課題。為了達到第三級甚至更高的水平，自動駕駛汽車必須使用大量的傳感器，以及它們產生的大量數據。

為了實現這一點，數據流程應從生成階段到存儲階段和非關鍵洞察的貨幣化階段進行優化。像Intellias這樣的高科技公司利用深度學習技術改進數據壓縮，并致力于找出最有效的多傳感器融合方法。這一切都是為了幫助原始設備制造商降低自動駕駛汽車的價格，從而使其更容易進入大眾市場。

原文鏈接：

https://www.intellias.com/the-way-of-data-how-sensor-fusion-and-data-compression-empower-autonomous-driving/

編輯：jq