低速無人駕駛

現狀：感知層、決策層、控制層。

過去在無人駕駛的技術落地問題上，業內大多討論的是端對端的控制問題，但在實際場景下，低速無人駕駛要解決的是複雜的動態全流程問題。因此如何通過人工智慧或者深度學習的方法解決感知、決策和控制的全流程問題，是目前技術發展上的乙個難點。

感測方案從雷射感知進一步拓展到視覺方案及融合方案，通過攝像頭的原始輸入，實現在不同環境、天氣、早晚環境下的無人系統全域性定位；

在決策方面，可以將無人系統在虛擬**環境下學習得到的決策訓練運用到真實場景；

在決策之外，可以通過車載電子、機電系統來產生端到端控制的邏輯，最終實現對車的最終控制。

如果碰到不同場景，無人系統可以在大量的資料訓練過程中自適應各種複雜的環境。------深度強化學習。

**無人系統從感測器的輸入到最終執行，其中的操作流程是非常複雜的。**如果中間做乙個簡要的區分，可以分為感知、決策到控制。因此如何通過人工智慧尤其是深度學習的方法解決此全流程問題，這是目前技術發展的乙個難點。

感知方面的關鍵問題還是自適應性問題，即通過感知演算法了解周圍場景情況、定位資訊之後，怎麼產生合理的決策。

單純的單線、多線雷射雷達定位導航都存在侷限性。不過隨著雷射雷達成本下降，雷射雷達的使用會是主流，

單純的視覺雖然成本低，隨著雷射雷達成本的下降，視覺的優勢在縮小，同時，與雷射雷達相比，視覺存在不穩定性，容易受到光線等其他因素的影響。

因此，發展方向為多感測器的融合，各取所長，提高穩定性與魯棒性。

對於導航部分，開源**太冗餘複雜，需要重構、簡化，提高效率

在資訊融合中，卡爾曼濾波是最常用的方法，它依據接收器收到的觀測值作為輸入值，按照之前的要求估計量作為濾波的輸出值。在實際應用中，狀態方程和量測方程為非線性，因此需要對非線性函式進行線性化近似，最常用的是擴充套件卡爾曼濾波。