感知算法（二）
红绿灯感知
自动驾驶中使用深度学习进行红绿灯感知模块的构建，主要分为以下几步：
- 第一是相机选择和安装
- 相机选择需要注意几个重要的参数
- 一是相机的高动态比HDR要高于100db
- 二是拍摄图像的分辨率要达到1080P，满足15pixel大小的灯能够看得到
- 第二是高精地图的交互
- 我们并不是把所有红绿灯识别算法都交给在线算法完成，这样做无法满足鲁棒性要求也加重算法负担
- 需要把一些固定信息交给高精地图去完成，算法只实现在线变化的一些因素
- 最后使用深度学习识别灯颜色的变化
- 实际使用过程中可能会更复杂，需要把对应关系匹配起来，需要做3D到2D的投影
Radar感知
- Radar的点云信号投影的成像存在很大的噪音，需要进行鉴别
- 因为金属的反射信号比较好，对路边界金属栅栏的感知结果是一条明显的、由许多点组成的线，基于该特征，可以用Radar反射信号来做高速路道路边缘栅栏的检测
超声波感知
- 超声波只能进行近距离感知，并且无法感知具体的位置
- 对无人驾驶来说，行驶过程中帮助并不大，更多的是用于倒车和特别近距离的感知
感知中的机器学习
- 机器学习里面存在一个普遍的假设，训练集和测试集是独立同分布的，如果测试和训练没有任何关系，测试效果是没有任何保证的
- 但是无人车感知的训练集是封闭的，而测试集是开放的
- 测试是在开放道路进行的，如果遇到新的障碍物，在训练中从来没见过，难以处理
- 在城市道路上很少见到卡车，但是高速会遇到很多卡车，而且卡车上的东西也很多，如果机器学习模型没见过这些障碍物，很有可能带来一些错误
- 无人车的安全需要可解释，出现一个Bad case需要说清责任，需要搞清Bad case是由什么原因导致的，以便改进
- 在感知模块中，除了做基本的检测、分割之外，还有后处理阶段等由公式表示的几何计算问题，是不需要深度学习的
- Common sense也不需要深度学习，而且深度学习的效果不好
- 如果数据量小，特征很难从原始数据学习，深度学习的效果可能就受到影响，因此诸如SVM或者随机森林这些机器学习算法，可能需要结合场景选择
感知的未来
- 如果在自动驾驶的研究中，发现某一类传感器在感知或者其他模块中具有很大的价值。那么，整个资本市场会投入很多人力、财力研发传感器。随着量产之后，传感器的成本就会大幅下降，更新换代就比较快。
- 深度学习已经证明了在感知中有很大的作用，但是计算量很大，专门研究车载AI芯片是对这一问题的很好解决方案。
- 现在很耗时的CNN模型以后都不是瓶颈，而且定制AI芯片的功耗可以足够低，满足车载需求。深度学习需要大量数据的问题，可以通过仿真来弥补
- 点云仿真相对简单一些，图像仿真相对困难点
- 如果仿真这条路可以走通，那么仿真+深度学习不断循环迭代，是非常有前景的
- 目前，自动驾驶都是在车上安装传感器进行感知，感知的范围、鲁棒性都有待提高
- 如果将这套传感器布置在道路上、灯上，让它们来感知，然后将实时结果传输给无人车，如果车上的传感器失灵，那么路面上的传感器会告知无人车障碍物信息，保证系统安全性
课后思考
- 前面技术介绍时说的开放问题，大家可以思考。例如Corner case的处理。
- 前向和后向的安全感知距离如何计算？
- 延时是如何来影响自动驾驶安全的？
- ACC自适应巡航的功能是如何实现的？ACC这些功能主要是用哪些传感器来实现的？原理是什么？
- 推导Pitch角对距离误差的影响，假设Pitch角标定的时候，有0.1度的误差，请推导对距离估计有多大的影响？