自動駕駛的車輛檢測技術(shù)詳解

本文來源：智車科技

／ 導讀 ／

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年代開始應用于自適應巡航。毫米波雷達憑借可穿透塵霧、風雪、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)絡的深度學習視覺技術(shù)，應用于無人駕駛領(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 復雜環(huán)境場景時，邊界形狀復雜多樣，導致泛化難度較大。

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，導致檢測模型訓練不完善。

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)。并且由于深度學習算法的天然缺陷，如何應對數(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。

－ End －

原文標題:自動駕駛的車輛檢測技術(shù)詳解