自動駕駛中深度學習模型需要更好的可解釋性，歸結為如何評估模型讓使用者知道模型是安全的？模型更新後如何做回歸測試？模型的應用邊界在**？目前，大家認為可解釋性可以通過測試來體現，如果大量測試得到相同的結果，那麼原理是不是真正的可解釋也就沒那麼重要。
在感知模組中，除了做基本的檢測、分割之外，還有後處理階段等由公式表示的幾何計算問題，是不需要深度學習的。另外，common sense也不需要深度學習，而且深度學習的效果不好，我們需要其他演算法。那麼，深度學習模型帶來乙個結果，其他啟發演算法給乙個結果，怎麼來融合？現在主要是基於double check來提公升安全性，還需要其他方法來進行更好的融合。
除了深度學習還需要其他的機器學習方法。如果資料量小，特徵很難從原始資料學習，深度學習的效果可能就受到影響，因此諸如svm或者隨機森林這些機器學習演算法，可能需要結合場景選擇。
如果在自動駕駛的研究中，發現某一類感測器在感知或者其他模組中具有很大的價值。那麼，整個資本市場會投入很多人力、財力研發感測器。隨著量產之後，感測器的成本就會大幅下降，更新換代就比較快。
深度學習已經證明了在感知中有很大的作用，但是計算量很大，專門研究車載ai晶元是對這一問題的很好解決方案。現在很耗時的cnn模型以後都不是瓶頸，而且定製ai晶元的功耗可以足夠低，滿足車載需求。深度學習需要大量資料的問題，可以通過**來彌補。目前，點雲**相對簡單一些，影象**相對困難點。如果**這條路可以走通，那麼**+深度學習不斷迴圈迭代，是非常有前景的。
目前，自動駕駛都是在車上安裝感測器進行感知，感知的範圍、魯棒性都有待提高。如果將這套感測器布置在道路上、燈上，讓它們來感知，然後將實時結果傳輸給無人車。如果車上的感測器失靈，那麼路面上的感測器會告知無人車障礙物資訊，保證系統安全性。另外在駕駛環境中部署感測器可以拓展感知距離，做到足夠安全，提前告知遠處的資訊。
Apollo學習筆記（一）概述 大綱
自動駕駛正處在告訴發展的階段。寫篇部落格便於以後複習。因為做的是自動駕駛中的某個流程，但是和機器學習無關。所以很多都是略過略過，有時間一定會好好研讀機器學習相關的內容。講真大學本科學機器學習真是給我這個菜雞留下了心理陰影。主要是概述，連起來便於我複習，整個自動駕駛系統分為幾個主要模組 共享記憶體 一...
OpenGL學習筆記（二十）
片段著色器中，內建gl fragcoord向量的z值包含了那個特定片段的深度值。如果我們將這個深度值輸出為顏色，就可以顯示場景中所有片段的深度值。我們可以根據片段的深度值返回乙個顏色向量來完成這一工作 void main 如果執行程式的話，會注意到所有東西都是白色的，看起來就像所有的深度值都是最大的...
百度Apollo學習筆記（1） 定位技術
1.無人車的定位是什麼 無人車的定位就是確定無人車相當於乙個座標系的位姿。2.定位系統指標要求 專案指標 理想值精度 誤差均值 10cm 魯棒性最大誤差 30cm 場景覆蓋場景 全天候3.無人車定位方法 4.定位常用座標系 4.1 地心慣性座標系 eci 4.2 地心地固座標系 ecef 地心地固座...