無人駕駛感知就是汽車通過傳感器或者攝像頭等識(shí)別周邊的環(huán)境蝶溶。計(jì)算機(jī)視覺就是計(jì)算機(jī)感知識(shí)別周邊環(huán)境的手段嗜历。
計(jì)算機(jī)視覺
無人駕駛有四個(gè)感知世界的核心任務(wù)
檢測(cè)：是找出物體在環(huán)境中的位置
分類：是指明對(duì)象是什么
跟蹤：是指隨時(shí)間的推移觀察移動(dòng)物體
語義分割：將圖像中的每個(gè)像素與語義類別進(jìn)行匹配抖所。如道路，汽車和天空
資源推薦
分類
圖像分類器：是一種將圖像作為輸入暴匠，并輸出該圖像的標(biāo)簽或“類別”的算法。
例如：交通標(biāo)志分類器查看停車標(biāo)志并識(shí)別它是停車標(biāo)志每窖，限速標(biāo)志弦悉，讓路標(biāo)志岛请，還是其他類型標(biāo)志警绩。分類器甚至可以識(shí)別行為盅称，比如一個(gè)人是在走路還是在跑步。
分類器有很多種混狠，但他們都包含類似的步驟：
首先疾层，計(jì)算機(jī)接收類似攝像頭這樣的成像設(shè)備的輸入，這通常被捕獲為圖像或一系列圖像
然后痛黎，通過預(yù)處理發(fā)送每個(gè)圖像，預(yù)處理對(duì)每個(gè)圖片進(jìn)行了標(biāo)準(zhǔn)化處理湖饱，常見的預(yù)處理步驟包括
調(diào)整圖像大小或者旋轉(zhuǎn)圖像
將圖像從一個(gè)色彩空間換到另一個(gè)色彩空間，如從全彩到灰度
預(yù)處理可以幫助我們的模型更快地處理和學(xué)習(xí)圖像蚓庭。
提取特征，特征有助于計(jì)算機(jī)理解圖片器赞，例如：將自行車和汽車區(qū)分開來的一些特征
這些特征最后被輸入到分類模型中，此步驟用特征來選擇圖像類別港柜。
攝像頭圖像
攝像頭圖像是最常見的計(jì)算機(jī)視覺數(shù)據(jù)，從計(jì)算機(jī)的角度來看姚糊，圖像就是一張二維網(wǎng)格授舟，也被稱為矩陣，矩陣中的每個(gè)單元格都包含一個(gè)數(shù)字释树，數(shù)字圖像全由像素組成，其中包括非常小的顏色和強(qiáng)度單位奢啥，圖像中的每個(gè)像素都只是一個(gè)數(shù)值，這些數(shù)值構(gòu)成了我們的圖像矩陣寂纪，甚至可以改變這些像素值，我們可以通過為每一個(gè)像素值添加一個(gè)標(biāo)量整數(shù)來改變圖片的亮度捞蛋，向右移動(dòng)每個(gè)像素柬姚，也可以執(zhí)行其它的許多操作。數(shù)字網(wǎng)格是許多圖像處理技術(shù)的基礎(chǔ)量承，多數(shù)顏色和形狀轉(zhuǎn)換都是通過對(duì)圖像進(jìn)行了數(shù)學(xué)運(yùn)算以及逐一像素進(jìn)行更改完成的。
彩色圖像組成
彩色圖像被構(gòu)建為值的三維立方拿穴， 每個(gè)立方體都有長度，寬度贞言，高度阀蒂。深度為顏色通道數(shù)量弟蚀，大多數(shù)圖像由三種顏色組成表示，分別為紅色义钉，綠色规肴，藍(lán)色，這些圖像被稱為RGB圖像拖刃，對(duì)于RGB圖像深度為3，可以將其看成一個(gè)盒子兑牡，三個(gè)顏色通道看成三層。三層疊加形成了一張彩色圖片亿虽。LIDAR圖像
感知擴(kuò)展到傳感器苞也，而不僅是攝像頭洛勉，激光雷達(dá)傳感器創(chuàng)建環(huán)境的點(diǎn)云表征如迟，提供了難以通過攝像頭獲得的信息，通過對(duì)點(diǎn)云信息的聚類和分析牛哺，這些數(shù)據(jù)提供里足夠的對(duì)象檢測(cè)劳吠，跟蹤和分類信息巩趁，如距離和高度，物體形狀和紋理等蠢古。
激光雷達(dá)采用光線，尤其是采用激光來測(cè)量與環(huán)境中反射該光線的物體的距離草讶，將每個(gè)激光脈沖反射回傳感器所花費(fèi)的時(shí)間炉菲，反射所需的時(shí)間越長坤溃，說明物體離傳感器越遠(yuǎn)，激光雷達(dá)正是通過這種方式來構(gòu)建世界的視覺表征薪介。如下圖檢測(cè)和聚類的結(jié)果：紅點(diǎn)代表行人越驻，綠點(diǎn)代表其它車輛。
機(jī)器學(xué)習(xí)
機(jī)器學(xué)習(xí)是使用特殊的算法來訓(xùn)練計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)的計(jì)算機(jī)科學(xué)領(lǐng)域缀旁，通常，這種學(xué)習(xí)結(jié)果被存放在一個(gè)叫‘模型’的數(shù)據(jù)結(jié)構(gòu)中目木，有很多中“模型”，事實(shí)上“模型”就是一種可以用于理解和預(yù)測(cè)世界的數(shù)據(jù)結(jié)構(gòu)嘶窄。
應(yīng)用領(lǐng)域：
（1）金融領(lǐng)域正用機(jī)器學(xué)習(xí)來對(duì)匯率和證券交易進(jìn)行預(yù)測(cè)
（2）零售業(yè)用機(jī)器學(xué)習(xí)來預(yù)測(cè)需求
（3）醫(yī)生甚至運(yùn)用機(jī)器學(xué)習(xí)來輔助診斷
機(jī)器學(xué)習(xí)涉及使用數(shù)據(jù)和相關(guān)的真值標(biāo)記來進(jìn)行模型訓(xùn)練
監(jiān)督學(xué)習(xí)：可能顯示車輛和行人計(jì)算機(jī)的圖像距贷，以及告訴計(jì)算機(jī)哪個(gè)是哪個(gè)的標(biāo)簽，我們要讓計(jì)算機(jī)學(xué)習(xí)如何最好地區(qū)分兩類圖像忠蝗，這類學(xué)習(xí)也被成為監(jiān)督式學(xué)習(xí)。
無監(jiān)督學(xué)習(xí)：沒有真值標(biāo)記的行人和車輛圖片戒祠，讓計(jì)算機(jī)自行決定，哪些圖片相似姜盈，哪些圖片不同配阵。在這里我們不用提供真值標(biāo)記，通過分析輸入數(shù)據(jù)棋傍，在這種情況下為計(jì)算機(jī)圖像，計(jì)算機(jī)憑借自己學(xué)習(xí)來區(qū)別瘫拣。
半監(jiān)督學(xué)習(xí)：將監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的特點(diǎn)結(jié)合在一起，使用少量的標(biāo)記數(shù)據(jù)和大量的為標(biāo)記數(shù)據(jù)來訓(xùn)練模型派昧。
強(qiáng)化學(xué)習(xí)：強(qiáng)化學(xué)習(xí)涉及允許模型通過嘗試許多不同的方法來解決問題，然后衡量哪種方法最為成功斗锭，計(jì)算機(jī)將嘗試許多種不同的解決方案，最終使其方法與環(huán)境相適應(yīng)岖是。例如：在模擬器中，強(qiáng)化學(xué)習(xí)智能體可以訓(xùn)練汽車進(jìn)行右轉(zhuǎn)烈疚，智能體將在初始位置啟動(dòng)車輛，然后進(jìn)行實(shí)驗(yàn)性駕駛爷肝，以多種方向和速度陆错，如果汽車實(shí)際完成了右轉(zhuǎn)，智能體會(huì)提高獎(jiǎng)勵(lì)音瓷，即得分，這是針對(duì)導(dǎo)致成功結(jié)果的初始化操作绳慎。最初可能車輛會(huì)出現(xiàn)走錯(cuò)的結(jié)果，多學(xué)習(xí)幾次之后靡砌，汽車就不會(huì)再錯(cuò)了。
推薦資源
神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)由多個(gè)神經(jīng)元組成通殃，這些神經(jīng)元負(fù)責(zé)傳遞和處理信息厕宗，也可以對(duì)這些神經(jīng)元進(jìn)行訓(xùn)練，將大量的圖片送入神經(jīng)網(wǎng)絡(luò)中媳瞪，進(jìn)行對(duì)特征的提取識(shí)別分類訓(xùn)練照宝，最終計(jì)算機(jī)就能識(shí)別圖像并且分類。
神經(jīng)網(wǎng)絡(luò)從輸入中提取高級(jí)特征厕鹃，并使用這些特征來計(jì)算得到輸出
推薦資源
請(qǐng)點(diǎn)擊以下鏈接乍丈，探索更多關(guān)于簡單的神經(jīng)網(wǎng)絡(luò)：
反向傳播算法
學(xué)習(xí)方法也被稱為訓(xùn)練把将，一般由三部循環(huán)組成：
前饋
誤差測(cè)定
反向傳播
通過前饋來輸出每張圖片的值，誤差是輸出值與輸入值的差距请垛，將誤差通過與前饋相反的方向傳回從而更新權(quán)重洽议，達(dá)到誤差最小化的過程叫反向傳播宗收。通過這樣多次循環(huán)亚兄，得出誤差最小的結(jié)果。前饋一般采用梯度下降來實(shí)現(xiàn)审胚，想更多了解點(diǎn)擊下面鏈接。
用梯度下降洽洁，我們通過多個(gè)小步驟來實(shí)現(xiàn)目標(biāo)懒鉴。我們希望一步一步改變權(quán)重來減小誤差。誤差就像是山临谱，我們希望走到山下。下山最快的路應(yīng)該是最陡峭的那個(gè)方向悉默，因此我們也應(yīng)該尋找能夠使誤差最小化的方向。我們可以通過計(jì)算誤差平方的梯度來找到這個(gè)方向唱星。
梯度是改變率或者斜度的另一個(gè)稱呼。如果你需要回顧這個(gè)概念间聊，可以看下可汗學(xué)院對(duì)這個(gè)問題的講解抵拘。
如何讓多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)呢？首先了解如何使用梯度下降來更新權(quán)重，反向傳播算法則是它的一個(gè)延伸尚蝌。以一個(gè)兩層神經(jīng)網(wǎng)絡(luò)為例，可以使用鏈?zhǔn)椒▌t計(jì)算輸入層-隱藏層間權(quán)重的誤差衣形。
要使用梯度下降法更新隱藏層的權(quán)重姿鸿，需要知道各隱藏層節(jié)點(diǎn)的誤差對(duì)最終輸出的影響谆吴。每層的輸出是由兩層間的權(quán)重決定的般妙，兩層之間產(chǎn)生的誤差，按權(quán)重縮放后在網(wǎng)絡(luò)中向前傳播鲜锚。既然我們知道輸出誤差，便可以用權(quán)重來反向傳播到隱藏層芜繁。
- 反向傳播練習(xí)
- 應(yīng)做事項(xiàng)
計(jì)算網(wǎng)絡(luò)輸出誤差
計(jì)算輸出層誤差項(xiàng)
用反向傳播計(jì)算隱藏層誤差項(xiàng)
-
計(jì)算反向傳播誤差的權(quán)重更新步長
import numpy as np def sigmoid(x): """ Calculate sigmoid """ return 1 / (1 + np.exp(-x)) x = np.array([0.5, 0.1, -0.2]) target = 0.6 learnrate = 0.5 weights_input_hidden = np.array([[0.5, -0.6], [0.1, -0.2], [0.1, 0.7]]) weights_hidden_output = np.array([0.1, -0.3]) ## Forward pass hidden_layer_input = np.dot(x, weights_input_hidden) hidden_layer_output = sigmoid(hidden_layer_input) output_layer_in = np.dot(hidden_layer_output, weights_hidden_output) output = sigmoid(output_layer_in) ## Backwards pass ## TODO: Calculate output error error = target - output # TODO: Calculate error term for output layer
推薦資源
請(qǐng)點(diǎn)擊以下鏈接绒极，探索更多關(guān)于 CNN ：
卷積神經(jīng)網(wǎng)絡(luò)CNN
卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種人工神經(jīng)網(wǎng)絡(luò)，對(duì)感知問題特別有效垄提，CNN接受多維度輸入，包括大多數(shù)傳感器數(shù)據(jù)的二維和三維形狀铡俐。
標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)：將圖像矩陣重塑為一個(gè)矢量，并在一大行中鏈接所有列吏够，將圖像“展開”為一維像素陣列滩报。這種方法打破了圖像中的空間信息
CNN可以維持圖像輸入的的空間信息锅知，CNN通過過濾器連續(xù)滑過圖像來收集信息脓钾，每次收集信息只對(duì)圖片的一小部分區(qū)域進(jìn)行分析，這被稱為卷積昌妹。
例如：CNN可以識(shí)別第一個(gè)卷積層的基本邊緣和顏色信息，然后通過在第一層上卷積新過濾器捺宗，CNN可以使用邊緣和顏色信息來歸納更復(fù)雜的結(jié)構(gòu)川蒙，如車輪，車門和擋風(fēng)玻璃畜眨，而另一個(gè)卷積可以使用車輪和車門，擋風(fēng)玻璃來識(shí)別整個(gè)車康聂，最后神經(jīng)網(wǎng)絡(luò)可以使用這一高階信息對(duì)車輛進(jìn)行分類。
推薦資源
請(qǐng)點(diǎn)擊以下鏈接伶椿，探索更多關(guān)于 CNN ：
檢測(cè)和分類
在感知任務(wù)中，首先想到的是障礙物的檢測(cè)和分類脊另，動(dòng)態(tài)的障礙物约巷，如行走的人偎痛，車独郎，自行車等；靜態(tài)的障礙物氓癌，如樹木，停好的車茁计，自行車，建筑物等星压；計(jì)算機(jī)首先需要知道障礙物的位置鬼譬，然后進(jìn)行分類，無人駕駛車載途中會(huì)探測(cè)到許多不同物體优质，汽車根據(jù)檢測(cè)到的物體類型來確定路徑和速度军洼。
無人車是靠什么進(jìn)行檢測(cè)和分類演怎？
使用檢測(cè)CNN來來查找圖像中的對(duì)象位置匕争，在對(duì)圖像中的對(duì)象進(jìn)行定位后爷耀，我們可以將圖像發(fā)給另一個(gè)CNN進(jìn)行分類。也可以用一個(gè)單一的CNN結(jié)構(gòu)體系對(duì)對(duì)象進(jìn)行檢測(cè)和分類跑杭，在單個(gè)網(wǎng)絡(luò)體系的末端加幾個(gè)不同的“頭”，一個(gè)頭執(zhí)行檢測(cè)德谅，一個(gè)頭執(zhí)行分類萨螺。一個(gè)經(jīng)典結(jié)構(gòu)為R-CNN及其變體Fast R-CNN和 Faster R-CNN窄做。
推薦資源
請(qǐng)點(diǎn)擊以下鏈接屑迂，探索更多關(guān)于檢測(cè)與分類的高級(jí) CNN 結(jié)構(gòu)：
如果你感興趣，歡迎點(diǎn)擊 這里 獲取更多 Apollo 感知相關(guān)資源庸汗。
跟蹤
在檢測(cè)完對(duì)象之后我們需要追蹤手报。
追蹤的意義：對(duì)每個(gè)幀中的對(duì)象進(jìn)行檢測(cè)并用邊界框?qū)γ總€(gè)對(duì)象進(jìn)行標(biāo)記蚯舱。
跨幀追蹤的好處：
（1）追蹤在檢測(cè)失敗時(shí)是至關(guān)重要的掩蛤，如果在運(yùn)用檢測(cè)算法時(shí)，對(duì)象被其他對(duì)象遮擋一部分兄裂，則檢測(cè)算法可能會(huì)失敗，追蹤可以解決這一問題晰奖。
（2）追中可以保留身份腥泥，障礙物檢測(cè)的輸出為包含對(duì)象的邊界框，但是對(duì)象沒有與任何身份關(guān)聯(lián)蛔外，單獨(dú)使用對(duì)象檢測(cè)時(shí)溯乒，計(jì)算機(jī)不知道一幀中的哪些對(duì)象與下一幀的哪些對(duì)象相對(duì)應(yīng)豹爹。
追蹤步驟：
確認(rèn)身份：通過查找對(duì)象相特征似度最高的對(duì)象，將在之前一幀中檢測(cè)的所有對(duì)象與之前一幀中檢測(cè)到的對(duì)象進(jìn)行匹配臂聋，對(duì)象具有很多特征，一些特征可能基于顏色逻住，一些特征可能基于形狀迎献，計(jì)算機(jī)視覺算法可以計(jì)算出復(fù)雜的圖像特征。
快速找到匹配的對(duì)象：還要考慮連續(xù)視頻幀中的吁恍。兩個(gè)障礙物之間的位置和速度。由于兩幀之間的對(duì)象位置和速度沒有太大變化冀瓦，該信息可以幫助快速找到匹配的對(duì)象。
推薦資源
如果你想了解更多關(guān)于圖像特征的信息拾徙，請(qǐng)點(diǎn)擊鏈接 LBP 與 HOG感局。
分割
語義分割涉及對(duì)圖像的每個(gè)像素進(jìn)行分類，用于盡可能詳細(xì)的了解環(huán)境询微，并確定車輛可行駛區(qū)域。
語義分割依賴于一種特殊的CNN撑毛，全卷積神經(jīng)網(wǎng)絡(luò)（或CFN） ,FCN用卷積層來替代傳統(tǒng)CNN的末端平坦層，使得網(wǎng)絡(luò)中的每一層都是卷積層雌续。故名為全卷積網(wǎng)絡(luò)。
CFN提供了可在原始輸入圖像之上疊加的逐像素輸出西雀，復(fù)雜因素是大小歉摧，傳統(tǒng)CNN輸出的圖片大小比輸入小得多腔呜，為了進(jìn)行語義分割，我們必須得到與輸入同樣大小的輸出核畴。
編碼和解碼冲九，下面圖片前部分叫編碼谤草，后部分叫解碼莺奸，經(jīng)過這樣的處理使得輸入尺寸與輸出尺寸相等。
推薦資源
Apollo感知
Apollo軟件棧可感知障礙物仗岖，交通信號(hào)燈和車道
- 對(duì)三維對(duì)象檢測(cè)
Apollo在高精度地圖上使用感興趣區(qū)域（ROI）來重點(diǎn)關(guān)注相關(guān)對(duì)象览妖，Apollo將ROI過濾器用于點(diǎn)云和圖像數(shù)據(jù)以縮小搜素范圍并加快感知轧拄。
然后讽膏，通過檢測(cè)網(wǎng)絡(luò)饋送已過濾的點(diǎn)云，輸出用于構(gòu)建圍繞對(duì)象三維邊界框 府树。
最后，使用被稱為檢測(cè)跟蹤關(guān)聯(lián)的算法來跨時(shí)間步識(shí)別單個(gè)對(duì)象鹅搪，該算法先保留在每個(gè)時(shí)間步要跟蹤的對(duì)象列表遭铺，然后在下一個(gè)時(shí)間步中找到每一個(gè)對(duì)象的最佳匹配丽柿。
- 對(duì)于交通信號(hào)燈的分類
Apollo先利用高精度地圖來確認(rèn)前方是否有交通信號(hào)燈魂挂，如果前方有交通信號(hào)燈，高精度地圖就會(huì)返回信號(hào)燈的位置涂召，這側(cè)重于攝像頭搜索范圍，在攝像頭捕捉到交通信號(hào)燈的圖像后炎码，Apollo使用檢測(cè)網(wǎng)絡(luò)對(duì)圖像中的燈進(jìn)行定位盟迟，然后Apollo從較大圖像中提取交通燈信號(hào)潦闲，Apollo將裁剪的交通燈圖像提供給分類網(wǎng)絡(luò)， 以確定燈的顏色歉闰，如果有學(xué)多燈，系統(tǒng)需要選擇哪些燈與其車道有關(guān)凹炸。
- YOLO網(wǎng)絡(luò)
Apollo使用YOLO網(wǎng)絡(luò)來檢測(cè)車道線和動(dòng)態(tài)物體昼弟，其中包括車輛还惠，卡車私杜，騎自行車的人和行人救欧，在經(jīng)過YOLO網(wǎng)絡(luò)檢測(cè)后，在線檢測(cè)模塊會(huì)并入來自其它傳感器的數(shù)據(jù)笆怠，對(duì)車道線進(jìn)行調(diào)整，車道線最終被并入名為“虛擬車道”的單一數(shù)據(jù)結(jié)構(gòu)中蹬刷，同樣，也通過其它傳感器的數(shù)據(jù)泡态，對(duì)YOLO檢測(cè)到的動(dòng)態(tài)對(duì)象進(jìn)行調(diào)整迂卢，以獲得每個(gè)對(duì)象的類型某弦，位置而克，速度，和前進(jìn)方向员萍。虛擬通道和動(dòng)態(tài)對(duì)象都被傳到規(guī)劃和控制模塊。
傳感器數(shù)據(jù)比較
雷達(dá)與激光雷達(dá)
雷達(dá)已經(jīng)在汽車上使用很多年螃壤，在各種系統(tǒng)中都需要雷達(dá)，如自適應(yīng)巡航控制映穗、盲點(diǎn)警告、碰撞浸膏和碰撞預(yù)防系統(tǒng)等蚁滋。盡管雷達(dá)技術(shù)已經(jīng)成熟，它仍在不斷進(jìn)步睦霎，作用不斷提升。其他傳感器測(cè)量速度的方法是計(jì)算兩次讀數(shù)之間的差距副女，而雷達(dá)則通過多普勒效應(yīng)來直接測(cè)量速度蚣旱。多普勒效應(yīng)根據(jù)對(duì)象在遠(yuǎn)離還是接近你碑幅，測(cè)量出雷達(dá)的頻率變化塞绿。就像消防車警報(bào)器一樣，當(dāng)車輛正在遠(yuǎn)離你和駛向你時(shí)裹赴，聽起來聲是不一樣的。多普勒效應(yīng)對(duì)傳感器融合至關(guān)重要棋返。因?yàn)樗梢园阉俣茸鳛楠?dú)立的測(cè)量參數(shù)雷猪，從而提升了融合算法的收斂速度睛竣。雷達(dá)還可以生成環(huán)境的雷達(dá)地圖求摇，進(jìn)而實(shí)現(xiàn)定位。因?yàn)槔走_(dá)波在堅(jiān)硬表面會(huì)回彈躏惋。因此，它可以直接測(cè)量對(duì)象距離簿姨，無需在視線范圍內(nèi)也可以。雷達(dá)可以看到其他車輛底部扁位。并發(fā)現(xiàn)可能會(huì)被阻擋的建筑物和對(duì)象。在車上的所有傳感器中域仇，雷達(dá)是至不容易受雨霧影響的。而且視野寬闊暇务，可達(dá) 150 度，距離可達(dá)200 多米择镇。與激光雷達(dá)和攝像頭相比，雷達(dá)分辨率較低腻豌，尤其是在垂直方向嘱能，分辨率非常有限吝梅。分辨率低意味著來自靜態(tài)物體的反射可能產(chǎn)生問題惹骂。例如，街道上檢修孔蓋或汽水罐，可能產(chǎn)生很高的雷達(dá)反射率穿扳，但他們并不大。我們將其稱為雷達(dá)雜波矛物。因此，當(dāng)前的車載雷達(dá)通常會(huì)忽視靜態(tài)物體履羞。
激光雷達(dá)是激光探測(cè)與測(cè)量的簡稱，而雷達(dá)則誰無線電探測(cè)與測(cè)量的簡稱爱榔。雷達(dá)使用無線電波，而激光雷達(dá)則使用紅激光束來確定傳感器和附近對(duì)象的距離详幽。目前的激光雷達(dá)大多使用 900 納米光波長度的光源。但部分激光雷達(dá)使用的光波長度更長唇聘，在雨霧中性能更好。當(dāng)前的激光雷達(dá)使用旋轉(zhuǎn)座架發(fā)射激光迟郎，掃描周邊環(huán)境沛硅。激光室脈沖式的，脈沖被對(duì)象反射，然后返回一個(gè)點(diǎn)云仰禀，來代表這些物體。激光雷達(dá)的空間分辨率遠(yuǎn)遠(yuǎn)高于雷達(dá)阱持。因?yàn)榧す馐骄劢梗怪狈较虻膾呙鑼訑?shù)量就越多鸽扁，因此每層的激光雷達(dá)的密度也越高。目前桶现，激光雷達(dá)還不能直接測(cè)量對(duì)象的速度鼎姊，必須使用兩次或多次掃描之間的位置差來確定骡和。激光雷達(dá)受天氣和傳感器清潔程度影響也很大相寇，因此需要保持清潔。它們塊頭也比其他傳感器更大唤衫，因此也很難安裝，除非你只想在車頂安裝一個(gè)大的激光掃描器休里。
感知融合策略
Apollo采用雷達(dá)和激光雷達(dá)來檢測(cè)障礙物赃承，用于融合輸出的算法為卡爾曼濾波妙黍，卡爾曼濾波有兩步瞧剖。卡爾曼算法時(shí)預(yù)測(cè)更新步驟的無限循環(huán)。
第一步預(yù)測(cè)狀態(tài)
第二部為更新測(cè)量結(jié)果
兩種測(cè)量結(jié)果更新步驟
- 同步更新：同步融合同時(shí)更新來自不同傳感器的測(cè)量結(jié)果
- 異步更新：異步融合則逐個(gè)更新所收到的傳感器測(cè)量結(jié)果
傳感器融合可提高感知性能，因?yàn)楦鱾鞲衅飨噍o相成驮宴，融合也可以減少跟蹤誤差。
