据麦姆斯咨询报导，先进设备驾驶员辅助系统（ADAS）和自动驾驶汽车（AV）平台必需为所有驾驶员条件作好打算。道路情况简单且不能预测，汽车配有的有效地智能传感器系统不仅能量产，而且具备搜集和说明大量信息的能力，才能保证掌控车辆的人工智能每次都作出准确决策。然而，目前世界各地测试道路上部署的自动驾驶传感器技术无法几乎符合SAE（美国汽车工程师学会）定义的L3级及以上级别车辆的安全性拒绝。

几乎安全性的ADAS和AV平台必须传感器获取不足以用作观测和分类算法的场景数据，才能符合L5级对自动导航系统明确提出的所有拒绝。这对工程师和开发人员来说十分具备挑战性。

SAE的自动驾驶分级红外线摄像头、声纳和雷达目前已用作L2级量产车辆，激光雷达（LiDAR）已沦为L3级和L4级自动驾驶测试平台的最重要成员，但这还过于。现有技术还无法在所有条件下观测到道路的所有最重要数据，也无法获取保证意味著安全性所需的校验数据。

热像仪或是被忽视的最重要传感器去年，Uber公司在亚利桑那州再次发生的事故指出AV系统在各种条件下“看见”行人并作出反应面对很大的挑战。无论是在黑暗的乡间小路，还是在道路错综复杂的城市，特别是在大雾或晴天炫光等险恶天气。在这些不少见但现实不存在的场景中，热像仪却需要对近远处的潜在危险性展开最有效地较慢辨识和分类，以协助车辆作出适当的反应。

对于红外线摄像头来讲，在光线严重不足、夜间驾驶员、晴天反射性和险恶天气时展开分类具备挑战性。由于热像仪观测的电磁波波长比红外线摄像头宽，该技术会经常出现在夜间或白天无法观测并可信分类潜在道路危险性的问题，即使是道路前方200多米外的车辆、行人、自行车骑马行者、动物和其他物体也能明察秋毫。在亚利桑那州坦佩市展开的Uber事故重现中，一台大视场角FLIRADK对280英尺外的行人展开分类，是刹车距离的两倍此外，热像仪为红外线摄像头、激光雷达或雷达系统获取校验但独立国家的数据。

例如，来自行人的雷达或激光雷达信号可被附近车辆的竞争信号或杂乱环境中的其他物体遮蔽。如果行人在两辆车之间穿越或被树叶部分遮盖，则完全观测将近来自行人的光线信号，对系统回去的数据不会让负责管理通报车辆运动的智能系统“杂乱”。相形之下，热像仪则需要通过与周围环境对比，击穿遮盖区观测到人或动物的热量。

这种独有的优势，相结合机器学习分类技术，使人或动物需要从背景中分离出来，从而保证车辆长时间行经。

本文来源：开云(中国)Kaiyun·官方网站，开云(中国)Kaiyun-www.hujuan123.com