四個感知世界的核心任務
檢測：找出物體在環境中的位置
分類：明確物件是什麼
跟蹤：隨時間推移觀察移動物體
語義分割：將影象中的每個畫素與語義類別進行匹配
分類器的執行步驟
接收輸入（一系列）影象
預處理：對影象進行標準化處理（調整影象大小、旋轉影象、轉換色彩空間）
提取特徵
將特徵輸入到分類模型
最常見計算機視覺資料
計算機如何判斷影象：
雷射雷達感測器（發射光脈衝）建立環境的點雲表徵，提供了物體的距離和亮度資訊。
主要借助光線（雷射）測量光束來回的時間以測量距離。
通過對點的聚類和分析，提供足夠的物件檢測、跟蹤、分類資訊。
模型：儲存計算機從資料中學習得到的結果的資料結構，用於理解和**世界
人工神經（元）網路：由大量人工神經元組成，神經元負責傳遞和處理資訊。
訓練神經元：將大量的送入神經網路中，進行對特徵的提取識別分類訓練（各個特徵分配合理權重值給單個神經元），大量神經元整合成最終輸出，最終計算機就能識別影象並且分類。
訓練的三步迴圈（乙個訓練週期）
前饋：隨機分配初始權重（人工神經元的值），神經網路饋送每個影象產生輸出值
誤差測定：真值標記與前饋過程輸出之間的偏差
反向傳播：神經網路反向傳送誤差，單個神經元對自身的值進行微調，以達到誤差最小化
訓練網路需要進行上千次訓練週期的迴圈
標準神經網路的缺陷：二維影象被展開成一維畫素陣列（每一行都被拆下來連線成一列），破壞了影象的空間資訊。
卷積神經網路：cnn通過過濾器連續滑過影象蒐集資訊，保持其空間資訊不被破壞，只對的一小部分進行檢測。每一層卷積層都包含上一層的資訊。
檢測與分類使用的演算法：
什麼是追蹤：對每個幀中的物件進行檢測並用邊界框對每個物件進行標記。
為什麼要進行跨幀追蹤：
當物件被遮擋時，檢測演算法可能會失敗，追蹤可以解決這一問題
追蹤可以保留身份。檢測輸出包含物件的邊界框標記，使下一幀物件能在當前幀中找到對應的物件。
追蹤步驟：
語義分割：對影象的每個畫素進行分類
fcn（全卷積網路）與傳統cnn的區別：傳統cnn末端是平坦層，fcn末端還是卷積層
fcn提供可以在原始輸入影象之上疊加的逐畫素輸出（？），但造成輸出影象尺寸遠小於輸入影象，所以要進行上取樣處理。
編碼器：對輸入物件的特徵進行提取和編碼
解碼器：對特徵進行解碼，原尺寸輸出
yolo網路：
apollo使用yolo網路來檢測車道線和動態物體。（待補充）
apollo使用雷射雷達和雷達來檢測障礙物。
感測器融合提高感知效能。
卡爾曼濾波用於融合輸出。
卡爾曼濾波的兩個步驟（迴圈往復）：
**更新測量結果
測量結果更新的兩個步驟：
智慧型駕駛入門3 定位
gnss全球導航衛星系統 gps全球定位系統 gps的三部分 rtk通過初始位置 加速度 初始速度三個要素可以得到具體位置資訊 三軸加速計 精確測量加速度 根據車輛座標系記錄測量結果 陀螺儀 將加速計測量到的測量結果轉化到全域性座標系上 陀螺儀通過測量旋轉軸 固定在世界座標系 和三個外部平衡環 一直...
自動駕駛入門技術（1） 環境感知
圖1.自動駕駛系統基本構成 自動駕駛系統通常有感知層 決策層和執行層三部分構成。2.1 視覺感測器在adas系統中的應用 目前攝像頭在adas系統中主要用於車道線檢測 交通標示識別 行人 車輛識別等任務 圖2.攝像頭在adas系統中的應用 2.2 視覺感測器在自動駕駛系統中的主要作用 a 障礙物探測...
無人駕駛入門（基本流程）
無人駕駛的操作流程，沒有大家想的那麼複雜。大家完全可以根據自己開車的實踐，推斷出自動駕駛應該包括那些內容。傳統意義上，很多 或者教材都喜歡把自動駕駛分成感知 規劃和控制四個部分，但是我個人喜歡再新增兩個部分，即導航和停車，這樣會構成乙個更完整的整體。1 導航 2 感知 所謂感知，就是車輛需要定位自身...