本文來源：智車科技

　?。?導(dǎo)讀 ／

　　對于目前火熱的自動駕駛而言，普通人可能會產(chǎn)生疑問,，自動駕駛系統(tǒng)如何感知周圍環(huán)境并做出相應(yīng)的合理的決定并執(zhí)行,？其實，自動駕駛技術(shù)的主要模塊共三大類，即感知,、規(guī)劃和控制,。它們之間相互協(xié)作，共同為車輛的安全性與舒適性保駕護航,。簡單來說,，感知由環(huán)境建模和本地化組成，它們分別依賴于外界和本體的傳感器,。規(guī)劃旨在基于感知結(jié)果傳遞的信息來生成最佳軌跡,，以便到達給定的目的地。最后,，控制模塊專用于通過命令車輛的執(zhí)行器來跟蹤生成的軌跡,。

　　在這其中，感知模塊作為自動駕駛的“眼睛”,，是車輛檢測的主要技術(shù),，也是自動駕駛自主行駛的基礎(chǔ)與前提。

　　作為軟件棧的最上游,，感知模塊目前是自動駕駛領(lǐng)域最為火熱的方向,，而只有成熟解決該塊難題，自動駕駛才能翻過一座山,，繼續(xù)向下游決策大腦領(lǐng)域發(fā)起總攻,。本文將帶領(lǐng)讀者詳細了解目前最為關(guān)鍵的感知檢測技術(shù)。

　　1

　　什么是自動駕駛的感知模塊,？

　　感知是將各類硬件傳感器采集到的數(shù)據(jù)進行收集,、處理，并生成實時的感知結(jié)果的過程,。感知層的傳感器類型一般包括激光雷達,、攝像頭、毫米波雷達,、超聲波雷達,、速度和加速度傳感器等,。對于不同的傳感器,，其優(yōu)勢與特征都是各不相同的，大多數(shù)自動駕駛都需要配備多種傳感器,，才能在復(fù)雜的世界中對外界物體進行盡可能完美地感知,。

　　激光雷達（LiDDAR）：能釋放多束激光，接受物體反射信號,，計算目標與自身的距離,。激光雷達提供生成環(huán)境的3D點云圖像提供一系列的（x， y， z）坐標,，與已有的高精度地圖上的坐標進行對比,，就可以很精確地做出車輛定位。激光雷達是自主發(fā)射光線并搜集反射信號,，因此可以在夜間環(huán)境工作,。但當天氣條件惡劣，如大雪大霧等,，會對激光造成影響,，使得準確性下降。

　　毫米波雷達：毫米波雷達發(fā)出和接收的是電磁波,，與激光雷達相比毫米波雷達會有很多測量短距離的場景,，如側(cè)向警示、倒車警示等,。全天候工作使其不可或缺,，但分辨率低，同樣難以成像,。相比于激光雷達,，毫米波的技術(shù)非常成熟，從上世紀90年代開始應(yīng)用于自適應(yīng)巡航,。毫米波雷達憑借可穿透塵霧,、風(fēng)雪、不受惡劣天氣影響,、可全天候工作的絕對優(yōu)勢,，成為自動駕駛不可或缺的主力傳感器。

　　攝像頭：自動駕駛的“眼睛”,，識別標識,、物體，但無法點陣建模,、遠距測距,。攝像頭的技術(shù)最為成熟，車載應(yīng)用起步最早,，在ADAS階段作為絕對主流的視覺傳感器,。進入自動駕駛時代，由于攝像頭獨有的視覺影像識別功能,，是名副其實的自動駕駛的眼睛,。根據(jù)多傳感器系統(tǒng)的融合，攝像頭需要至少6個以上,。目前產(chǎn)業(yè)內(nèi)的龍頭由于成本,、技術(shù)和客戶等優(yōu)勢，新進入者不容易獲得競爭優(yōu)勢。

　　在擁有了每種傳感器所感知到的物體之后,，接下來便是將其融合,。

　　2

　　感知融合技術(shù)

　　進行自動分析和綜合，以完成所需的決策和估計而進行的信息處理過程,。和人的感知相似,，不同的傳感器擁有其他傳感器不可替代的作用，當各種傳感器進行多層次,，多空間的信息互補和優(yōu)化組合處理,，最終產(chǎn)生對觀測環(huán)境的一致性解釋。

　　多傳感器融合的技術(shù)以及工程化落地難度無疑是復(fù)雜的,，那么為何眾多自動駕駛公司依然趨之若鶩,，想要攻克工程落地中的一個個難題？這是因為多傳感器融合可以很好地應(yīng)用上每個傳感器自身的優(yōu)勢,，統(tǒng)一之后為下游輸出一個更加穩(wěn)定,、全面的感知信息，讓下游規(guī)控模塊能夠根據(jù)這些精確穩(wěn)定的結(jié)果實現(xiàn)車輛最終的安全駕駛,?？梢哉f一個好的感知融合模塊，將極大提升決策的精準性與安全性,，也將直接代表了自動駕駛最終的智能表現(xiàn)水平,。

　　3

　　感知模塊的技術(shù)分類

　　其中無人駕駛的視覺感知系統(tǒng)都基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)視覺技術(shù)，應(yīng)用于無人駕駛領(lǐng)域,，主要分為四個模塊：動態(tài)物體檢測（DOD：Dynamic Object Detection）,、通行空間（FS：Free Space）、車道線檢測（LD：Lane Detection）,、靜態(tài)物體檢測（SOD：Static Object Detection）,。

　　1. 動態(tài)物體檢測（DOD： Dynamic Object Detection）

　　動態(tài)物體檢測的目的是對車輛（轎車、卡車,、電動車,、自行車）、行人等動態(tài)物體的識別,。檢測的難點包括 檢測類別多,、多目標追蹤、測距精度,；外界環(huán)境因素復(fù)雜,，遮擋情況多,，朝向不一,；行人、車輛類型種類眾多，難以覆蓋,，容易誤檢,；加入追蹤、行人身份切換等眾多挑戰(zhàn),。

　　2. 通行空間（FS： Free Space）

　　空間檢測是對車輛行駛的安全邊界（可行駛區(qū)域）進行劃分,，主要針對車輛、普通路邊沿,、側(cè)石邊沿,、沒有障礙物可見的邊界、未知邊界等進行劃分,。檢測的難點包括 復(fù)雜環(huán)境場景時,，邊界形狀復(fù)雜多樣，導(dǎo)致泛化難度較大,。

　　不同于其它有明確的單一的檢測類型的檢測（如車輛,、行人、交通燈）,，通行空間需要準確劃分行駛安全區(qū)域,，以及對影響車輛前行的障礙物邊界。但是在車輛加減速,、路面顛簸,、上下坡道時，會導(dǎo)致相機俯仰角發(fā)生變化,，原有的相機標定參數(shù)不再準確,，投影到世界坐標系后會出現(xiàn)較大的測距誤差，通行空間邊界會出現(xiàn)收縮或開放等問題,。

　　3. 車道線檢測（LD： Lane Detection）

　　車道檢測的目的是對各類車道線（單側(cè)／雙側(cè)車道線,、實線、虛線,、雙線）進行檢測,，還包括線型的顏色（白色／黃色／藍色）以及特殊的車道線（匯流線、減速線等）等進行檢測,。目前是能在輔助駕駛領(lǐng)域有著較為成熟的應(yīng)用,。

　　與此同時，車道檢測的難點也很多,，包括線型種類多,，不規(guī)則路面檢測難度大。如遇地面積水,、無效標識,、修補路面,、陰影情況下，車道線易被誤檢,、漏檢,。彎曲的車道線、遠端的車道線,、環(huán)島的車道線等情況的擬合難度較大,，檢測結(jié)果易模糊不清等。

　　4. 靜態(tài)物體檢測（SOD： Static Object Detection）

　　靜態(tài)物體檢測是對交通紅綠燈,、交通標志等靜態(tài)物體的檢測識別,。這也是自動駕駛行駛中遇到最多的物體之一。其中紅綠燈,、交通標識屬于小物體檢測,，在圖像中所占的像素比極少，尤其遠距離的路口,，識別難度更大,。

　　而視覺檢測，在強光照的情況下,，有時人眼都難以辨別,，而停在路口的斑馬線前的汽車，需要對紅綠燈進行正確地識別才能做下一步的判斷,。交通標識種類眾多,，采集到的數(shù)據(jù)易出現(xiàn)數(shù)量不均勻的情況，導(dǎo)致檢測模型訓(xùn)練不完善,。

　　4

　　總結(jié)

　　從上述對于目前感知模塊的總結(jié)來看,，現(xiàn)環(huán)境的感知技術(shù)較于之前已經(jīng)有了巨大的提升，從目前輔助駕駛的落地程度就可見一斑,。但與此同時,，要想實現(xiàn)真正的無人駕駛，需要達到人肉眼的檢測精度及穩(wěn)定性,，對于感知模塊來說是一個巨大的挑戰(zhàn),。并且由于深度學(xué)習(xí)算法的天然缺陷，如何應(yīng)對數(shù)據(jù)集里從未見過的物體,，如何處理極端場景下的Corner case,，將會是阻礙在感知發(fā)展前的一道難題。而只有充分解決了這些問題,，真正的無人駕駛才有可能落地,。

更多信息可以來這里獲取==>>電子技術(shù)應(yīng)用-AET<<