【AI】《Autonomous Vehicles Learning Notes》

文章目录1、自动驾驶简介2、感知传感器多模态传感器融合高精尖地图BEVOccupancyCorner Cases智能座舱芯片3、End-to-end4、Interesting Application无头汽车红绿灯检测【附录】专业名词缩写未完待续。。。1、自动驾驶简介来自：浅谈自动驾驶技术与挑战L0：主动刹车、盲点监测、车道偏离预警和车身稳定系统都属于 L0 级别的自动驾驶；L1：如车道保持系统，定速巡航系统等应属于 L1 级别的自动驾驶L2：可以同时自动进行加减速和转向的操作，也意味着自适应巡航功能和车道保持辅助系统可以同时工作；L3：而目前公认的 L3 级自动驾驶入门门槛必须是带有激光雷达。国内车企自动驾驶目标一个比一个激进2、感知传感器时代浪潮下的个体境遇：一位自动驾驶工程师的自述在ADAS领域，毫米波雷达算是一位老兵了，业界已经有十分成熟的产品，成本低，可靠性高，但存在的问题是在城市工况下的误检和漏检很多。在激光雷达和图像衬托下，它显得有些多余了，自动驾驶中的视觉方案都有哪些？一文尽览！2D摄像头所得到的都是真实世界在透视视图（Perspective View）下的投影（世界坐标系到图像坐标系）。它并不知道这个障碍物距离车辆的距离，也不知道障碍物的实际三维形状和大小。想要得到3D空间的信息，一个最直接的方法就是采用激光雷达（LiDAR）。LiDAR 的学名叫做激光雷达,它是"光探测和测距"(Light detection and ranging)的简称（筋斗云与自动驾驶）。LiDAR输出的3D点云可以直接用来获取障碍物的距离和大小（3D物体检测），以及场景的深度（3D语义分割）。点云的优势在于距离和深度感知精确，而图像的优势在于语义信息更加丰富。LiDAR也有其缺点，比如成本较高，车规级产品量产困难，受天气影响较大等等。因此，单纯基于摄像头的3D感知仍然是一个非常有意义和价值的研究方向。单目3D感知虽然可以利用先验知识和图像中的上下文信息，基于单目的3D感知的准确度并不能完全令人满意。尤其是当采用深度学习的策略时，算法的准确度非常依赖于数据集的大小和质量。对于数据集中没有出现过的场景，算法在深度估记和物体检测上都会有较大的偏差。双目3D感知双目视觉可以解决透视变换带来的歧义性，因此从理论上来说可以提高3D感知的准确度。但是双目系在硬件和软件上要求都比较高。硬件上来说需要两个精确配准的摄像头，而且需要保证在车辆运行过程中始终保持配准的正确性。软件上来说算法需要同时处理来自两个摄像头的数据，计算复杂度较高，保证算法的实时性就更加困难。学习来自 如何看待毫米波雷达和激光雷达之间的差别，哪个才是自动驾驶感知的最优选择？早期的ADAS基本方案就是一个车头毫米波雷达+一个驾驶位挡风玻璃下的摄像头+车尾超声波雷达的配置。这三种感知探测设备成本不高，技术成熟，而且可以实现L2级别的大多数功能，如自适应巡航，AEB，LKA，行人保护，交通标志识别，倒车辅助等。（1）超声波雷达——倒车雷达传感器，擅长采集近距离数据频率越高，灵敏度越高，但水平与垂直方向的探测角度就越小，一般用40kHz的探头用户在低速泊车过程中的“滴滴”声即为雷达测距提示音车速较快时，误差较大（2）毫米波雷达，擅长移动的物体，不擅长识别静态障碍物一般毫米波雷达装在车辆的车头正前方，保险杠的下方。得到汽车和其他物体之间的相对距离、相对速度、角度、运动方向等。主要用于汽车前向防撞、侧向防撞、后向防撞、自动巡航、汽车自动启停、盲点监测、行人检测、汽车自动驾驶。需要探测行人这种反射界面较小的物体的时候，毫米波雷达容易出现误报。分辨率低，无法清晰辨别较小的物体，且对金属极为敏感。（一个不规则小块金属可能识别成一个大表面积的大块金属。）——如果要更清楚辨别较小物体，就要把毫米波雷达的探测阈值设低，但毫米波雷达又对金属敏感度太高，调低阈值噪点增多，这样的结果就是会有越来越多“鬼影”的出现，会出现众多的虚报物体。