自動駕駛汽車是熱門研究課題之一，它將徹底改變地面車輛的未來。自動駕駛汽車正在取代普通車輛，因為它可以做出決定并執(zhí)行自己的駕駛任務。每年有130萬人死于道路交通事故，即每天3700人。通過為車輛提供必要的安全功能，可以挽救大多數(shù)事故。幾年后，對自動駕駛汽車的需求將大幅增加。自動駕駛汽車的安全性是大多數(shù)汽車行業(yè)和研究機構孜孜不倦地工作的主要焦點。盡管目前正在世界各地進行對自動駕駛汽車的研究，但由于無組織的交通狀況，極端天氣狀況和大量人口，開發(fā)的解決方案無法在顯示的場景中直接使用。

開發(fā)自動駕駛汽車需要一種基于多個傳感器的環(huán)境感知算法，如物體檢測、跟蹤和分類、車道保持、自我車輛和附近動態(tài)物體的速度檢測和跟蹤等。此外，自動駕駛汽車需要駕駛員的眼睛來做出安全駕駛的決定。因此，需要高清地圖來提供自動駕駛任務的詳細信息。它包含大量的駕駛輔助信息。現(xiàn)有的導航地圖具有米級精度，但高清地圖將具有厘米級精度，用于定位和導航路徑規(guī)劃。用于實現(xiàn)自動駕駛汽車的主要傳感器是LiDAR（光檢測和測距），雷達，攝像頭。此外，導航需要 GNNS 和 IMU。

為了實現(xiàn)自動駕駛汽車，需要具有非常高精度的環(huán)境感知和導航算法，該算法可以避開障礙物并使用多傳感器感知安全地從源頭導航到目的地。眾所周知，在黑暗和惡劣的天氣條件下，基于視覺的傳感器（如相機）存在局限性。LiDAR的效率在極端天氣條件下受到限制，如大雨和濃霧。雖然雷達在全天候中運行良好，但來自雷達的數(shù)據(jù)對于檢測和跟蹤障礙物非常稀疏。因此，為了克服單個傳感器的限制，需要基于傳感器融合的算法，該算法將在全天候條件下使用。

汽車工程師協(xié)會（SAE）描述了六個級別的自動駕駛汽車，如圖1所示。在0級中，自動駕駛汽車完全由駕駛員控制，而與第6級一樣，車輛將控制所有駕駛任務。此外，大多數(shù)研究預測，未來5年，對自動駕駛汽車的需求將增長10倍。因為它可以提高旅行時的生產力并減少事故。

圖1：SAE描述的自動駕駛車輛的6個級別

自動駕駛汽車的四個基本組成部分是感知、定位和映射、路徑規(guī)劃和控制。

感知：感知是使用多個傳感器感知環(huán)境的過程。此外，自動駕駛汽車的主要擔憂之一是在極端天氣條件下的性能，例如冬季早晨的濃霧和下雨，其中攝像頭和LiDAR等傳感器由于能見度低而無法感知場景，這可能導致車輛功能不當。在這種情況下，需要將LiDAR，雷達和攝像頭融合在一起，以可視化車輛周圍的環(huán)境。感知任務包括物體檢測、跟蹤、速度檢測、車道保持等。障礙物檢測是通過確定車輛路徑中存在的物體來執(zhí)行的。使用最先進的深度學習算法檢測和分類不同類型的對象。這些物體可以分為汽車、行人、自行車等。對象跟蹤用于跟蹤方案中的動態(tài)對象。它還會添加或刪除框架中的對象。自動駕駛汽車的目標跟蹤技術必須兼具高速和高精度，以便實時應用。速度檢測用于對對象是動態(tài)的還是靜態(tài)的進行分類。它還用于確定檢測到的物體的速度。自主系統(tǒng)還必須能夠準確預測速度，以避免碰撞。

定位和映射：定位是相對于其環(huán)境中的物體確定車輛位置的過程。映射是基于從一個或多個傳感器獲取的數(shù)據(jù)構建映射的過程。定位和映射統(tǒng)稱為同步定位和映射（SLAM），如圖 2 所示。SLAM是一種用于構建未知環(huán)境或已知環(huán)境地圖的技術，同時跟蹤車輛的當前位置。它將新測量的點云與先前的參考相匹配，并使用來自新點云的節(jié)點或地標更新地圖。這在GPS信號失效的條件下起著重要作用，其中基于激光雷達或相機傳感器完成定位。它有助于在估計的幫助下跟蹤車輛的位置，并考慮到參考位置。除了導航地圖和點云3D地圖外，我們還可以制作高清地圖，為車輛提供有關周圍環(huán)境的豐富細節(jié)，為自動駕駛汽車提供一個視角。

圖 2：使用 LiDAR 同時進行定位和映射

規(guī)劃：用于查找從源到目標的可能路徑的路徑規(guī)劃。它還用于尋找一條避開交通并穿過它的路徑?；趧討B(tài)對象，進行路徑規(guī)劃以避開障礙物。檢測到障礙物后，車輛將沿著新的路徑到達目標。規(guī)劃是利用對環(huán)境和車輛位置的了解來規(guī)劃軌跡的過程。感知和導航算法的準確性和計算效率的提高對于自動駕駛汽車非常重要。低效的算法可以被深度學習算法所取代，這將加速系統(tǒng)的性能和準確性。

控制：一旦實現(xiàn)了上述三個功能，那么執(zhí)行器就會發(fā)揮作用，其中開發(fā)了控制算法以在不同駕駛情況下驅動車輛。

傳感器

攝像頭、激光雷達或雷達等感知傳感器在不同的環(huán)境場景中都有自己的優(yōu)缺點。相機提供豐富的色彩和視覺信息，但它缺乏提供深度信息。LiDAR提供物體的深度信息，但它非常稀疏，沒有顏色信息。雷達不受照明影響，射程遠。雷達使用射頻波，因此與LiDAR相比，它的分辨率較低。我們將看到不同傳感器的比較及其在不同環(huán)境中使用的能力。從表1中，我們可以得出結論，激光雷達用于中等距離自動駕駛汽車的高精度。相機為我們提供了很多視覺信息。但激光雷達和攝像頭都受到惡劣天氣的影響。而作為雷達具有更高的范圍。它也可以在惡劣的天氣條件下工作，因為它發(fā)出的無線電波可以在雨和霧中穿透。但是，與同行相比，激光雷達具有最高的精度，價格高昂。因此，我們需要一輛由激光雷達，雷達和攝像頭組成的車輛，以應對所有天氣狀況。

傳感器	受照明影響	受天氣影響	分辨率	深度	范圍	準確性	成本
照相機	是的	是的	高	不	<150米	低	低
雷達	不	不	低	是的	50-300米	中等	中等
激光雷達	不	部分地	中等	是的	30-200米	高	高

表1：不同傳感器的比較

傳感器融合方法

經典方法：它使用統(tǒng)計和概率模型。它具有很高的計算復雜性。此外，它還需要系統(tǒng)模型和數(shù)據(jù)的先驗知識。此外，它可以實現(xiàn)中低水平的融合。

深度學習方法：它是目前用于自動駕駛汽車的先進技術?；诰矸e神經網絡（CNN）的模型廣泛用于對象檢測和分類。用于對象檢測的不同層如圖3所示。首先，將輸入圖像數(shù)據(jù)提供給輸入圖層。然后，使用卷積層從圖像中提取各種重要特征。稍后，通過保留最重要的信息并忽略冗余信息來執(zhí)行池化以降低計算復雜性。在完全連接的層中，所有神經元都與一些權重連接并進行分類。因此，最終輸出是以分類概率產生的。CNN的進步在幾年內從兩級探測器到單級探測器。R-CNN是流行的兩級探測器之一，其中圖像被提出到不同的區(qū)域，然后CNN被應用于檢測。R-CNN模型提供高精度，但這是一個緩慢的過程，對于自動駕駛汽車的實時應用沒有用。然后在R-CNN中看到各種進步?？焖賀-CNN提出提高速度，其中輸入圖像直接使用CNN處理以產生卷積特征圖。現(xiàn)在使用像YOLO，SSD這樣的單級檢測器，可以更快地獲得結果。使用傳感器融合技術補償精度損失。它廣泛用于自動駕駛汽車。

圖 3：CNN 的不同層

方法論

傳感器融合是提高全天候條件下檢測過程精度和速度的最重要技術之一。當其中一個傳感器的效率低于使用多個傳感器的融合時，我們可以提高感知算法的準確性。傳感器融合可以通過兩種方式完成，如下所述：

早期融合：在早期融合中，來自激光雷達的點云和相機圖像等原始數(shù)據(jù)在處理前被融合。它也被稱為高級聚變。它遵循如圖 4 所示的 3 步過程。首先，將3D激光雷達點云投影到2D相機圖像幀中，方法是轉換為均勻坐標并應用一些平移和旋轉過程，然后將其返回到歐幾里得坐標。其次，對象檢測是使用各種深度學習技術完成的，如R-CNN或SSD或YOLO。最后，完成感興趣區(qū)域的匹配。我們需要通過跟蹤過程對相機和LiDAR傳感器進行內在和外在的校準，以便將LiDAR的3D點云投影到圖像幀上。

圖 4：早期傳感器融合

后期融合：在后期融合中，結果獨立于激光雷達和相機傳感器獲得。它遵循圖 5 所示的 4 步過程。首先，使用激光雷達完成3D物體檢測。然后相機在2D中檢測到物體并將其投影到3D空間中。然后完成并集匹配的交集以獲得最終結果。

圖 5：后期傳感器融合

識別和檢測物體的解決方案之一是3D計算機視覺技術，因為與2D圖像相比，體積圖像包含更多信息可提供更好的質量和更少的噪聲。因此，為了使其成為可靠的技術，需要關注深度學習技術，以提高傳感器融合網絡的可靠性，準確性，有效性和魯棒性等性能。

沒有傳感器融合存在一些限制，但融合帶來所需的輸出，如表2所示。

視音頻應用	熔斷傳感器	無限制，無融合	使用融合的優(yōu)勢
物體檢測	激光雷達和攝像頭	照明，夜視困難，激光雷達分辨率低	深度、范圍和精度
定位和映射	全球定位系統(tǒng)和激光雷達	GPS 拒絕區(qū)域中功能較差	連續(xù)導航，定位校正
定位和導航	激光雷達地圖、攝像頭和全球定位系統(tǒng)	GPS 拒絕區(qū)域和道路標記	道路標線檢測，高清地圖
惡劣天氣的感知	激光雷達、攝像頭和雷達	在霧和雨等惡劣天氣下功能不佳。	自動駕駛車輛全天候解決方案

表2：傳感器融合在不同自動駕駛汽車應用中的優(yōu)勢

結語

總而言之，要使其完全自動駕駛，我們需要依靠各種傳感器并做出決定，就好像一個傳感器發(fā)生故障而另一個傳感器會起作用一樣。傳感器融合是使自動駕駛汽車工作的關鍵技術之一。

by 阿布舍克·塔庫爾

掃描加入免費的「智慧城市之智慧交通」知識星球可了解更多行業(yè)資訊和資料。

本站僅提供存儲服務，所有內容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權內容，請點擊舉報。

中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

傳感器

傳感器融合方法

方法論

結語