自动驾驶系统如何感知周围环境

普通人可能对目前流行的自动驾驶有疑问。自动驾驶系统如何感知周围环境并做出相应合理的决策和实施？事实上，自动驾驶技术的主要模块有三种，即感知、规划和控制。它们相互合作，共同护送车辆的安全性和舒适性。简单地说，感知是由环境建模和本地化组成的，它们分别依赖于外部和本体的传感器。该计划旨在根据感知结果传递的信息生成最佳轨迹，以便到达给定的目的地。最后，控制模块专门用于通过命令车辆的执行器跟踪生成的轨迹。

其中，感知模块作为自主驾驶的“眼睛”，是车辆检测的主要技术，也是自主驾驶的基础和前提。

感知模块作为软件栈的最上游，是自动驾驶领域最受欢迎的方向。只有成熟地解决这个问题，自动驾驶才能爬山，继续攻击下游决策大脑领域。本文将引导读者详细了解最关键的感知检测技术。

首先，自动驾驶的感知模块是什么？

感知是收集、处理各种硬件传感器收集的数据并生成实时感知结果的过程。感知层的传感器类型一般包括激光雷达、摄像头、毫米波雷达BD6520F-E2、超声波雷达、速度和加速度传感器等。对于不同的传感器，它们有不同的优点和特点，大多数自动驾驶需要配备各种传感器，以便在复杂的世界中尽可能完美地感知外部物体。

激光雷达（LiDDAR）：它可以释放多束激光，接收物体的反射信号，计算目标与自己之间的距离。激光雷达提供三个生成环境的环境D点云图像，并提供一系列的点云图像（x，y，z）与现有高精度地图上的坐标相比，坐标可以非常准确地定位车辆。激光雷达独立发射光线并收集反射信号，因此可以在夜间环境中工作。但恶劣的天气条件，如大雪和雾，会影响激光，降低精度。

毫米波雷达:毫米波雷达发出并接收电磁波。与激光雷达相比，毫米波雷达有许多测量短距离的场景，如侧向警告、倒车警告等。全天候工作是必不可少的，但分辨率低，难以成像。与激光雷达相比，毫米波技术非常成熟，自20世纪90年代以来一直用于自适应巡航。毫米波雷达具有穿透尘雾、风雪、不受恶劣天气影响的绝对优势，已成为自主驾驶不可缺少的主要传感器。

摄像头：自动驾驶的“眼睛”，识别标志、物体，但不能点阵建模，远距离测距。相机技术最成熟，汽车应用最早，是ADAS阶段绝对主流的视觉传感器。进入自动驾驶时代，由于相机独特的视觉图像识别功能，它是一只真正的自动驾驶眼睛。根据多传感器系统的集成，至少需要6台相机。目前，由于成本、技术和客户的优势，新进入者并不容易获得竞争优势。

具有每个传感器感知的物体后，下一步就是将其融合。

二、感知融合技术

自动分析和综合，以完成所需的决策和估计的信息处理过程。与人类感知类似，不同的传感器具有其他传感器不可替代的功能。当各种传感器进行多层次、多空间的信息互补和优化组合处理时，最终对观测环境进行了一致的解释。

多传感器集成技术和项目实施的难度无疑是复杂的，那么为什么许多自动驾驶公司仍然蜂拥而至，想要克服项目实施中的问题呢？这是因为多传感器集成可以很好地利用每个传感器本身的优势，统一后为下游输出更稳定、更全面的感知信息，使下游控制模块能够根据这些准确、稳定的结果实现车辆的最终安全驾驶。可以说，良好的感知集成模块将大大提高决策的准确性和安全性，并将直接代表自动驾驶的最终智能性能水平。

三、感知模块的技术分类

无人驾驶视觉感知系统基于神经网络深度学习视觉技术，应用于无人驾驶领域，主要分为四个模块：动态物体检测（DOD：DynamicObjectDetection），通行空间（FS：FreeSpace），车道线检测（LD：LaneDetection），静态物体检测（SOD：StaticObjectDetection）。

1.动态物体检测（DOD：DynamicObjectDetection）

动态物体检测的目的是识别车辆（汽车、卡车、电动汽车、自行车）、行人和其他动态物体。检测困难包括检测类别、多目标跟踪、距离测量精度、外部环境因素复杂、屏蔽、方向不同；行人、车辆类型，难以覆盖，容易误检；增加跟踪、行人身份切换等挑战。

2.通行空间（FS：FreeSpace）

空间检测是对车辆行驶的安全边界（可行驶区域）进行划分，主要针对车辆、普通道路边缘、侧石边缘、无障碍物可见边界、未知边界等。测试的难点包括复杂的环境场景、复杂的边界形状和多样性，导致泛化困难。

与其他具有明确单一检测类型的检测（如车辆、行人、交通灯）不同，交通空间需要准确划分驾驶安全区域和影响车辆前进的障碍物边界。但当车辆加减速、道路颠簸、上下坡道时，相机俯仰角会发生变化，原相机校准参数不再准确，世界坐标系投影后测距误差大，交通空间边界收缩或开放。

3.车道线检测（LD：LaneDetection）

车道检测的目的是检测各种车道线（单侧/双侧车道线、实线、虚线、双线），以及线性颜色（白色/黄色/蓝色）和特殊车道线（汇流线、减速线等）.目前，它可以成熟地应用于辅助驾驶领域。

同时，车道检测也存在诸多困难，包括线路类型多、不规则路面检测困难。如遇地面积水、无效标识、路面修复、阴影、车道线路，容易误检、漏检。弯曲车道线、远端车道线、环岛车道线难以拟合，检测结果容易模糊。

4.静态物体检测（SOD：StaticObjectDetection）

静态物体检测是对交通红绿灯、交通标志等静态物体的检测和识别。这也是自动驾驶中最常见的物体之一。其中，红绿灯、交通标志属于小物体检测，图像中的像素比很小，特别是在长途十字路口，更难识别。

视觉检测，在强光下，有时人眼很难识别，停在十字路口斑马线前的汽车需要正确识别红绿灯才能做出下一个判断。交通标志种类繁多，收集的数据容易数量不均匀，导致检测模型训练不完善。

四，总结

从以上对当前感知模块的总结来看，当前环境的感知技术比以前有了很大的改进，从目前辅助驾驶的着陆程度可以看出。但与此同时，为了实现真正的无人驾驶，需要实现肉眼检测的准确性和稳定性，这对感知模块是一个巨大的挑战。由于深度学习算法的自然缺陷，如何处理从未见过的物体，以及如何处理极端场景中的物体Cornercase，这将是一个阻碍感知发展的问题。只有充分解决这些问题，才能实现真正的无人驾驶。

感知驾驶系统识别车道物体检测

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。