導(dǎo)  讀

自動駕駛是一種自主決策系統(tǒng)，它處理來自不同車載來源的觀測流，如照相機、雷達、激光雷達、超聲波傳感器、GPS裝置和/或慣性傳感器。這些觀察結(jié)果被汽車的計算機用來做駕駛決定。

1  傳統(tǒng)目標檢測與識別的步驟

所謂目標檢測，就是區(qū)分圖像或者視頻中的目標與其他不感興趣的部分，不同物體同畫面產(chǎn)生了一些明顯區(qū)分，那么如何讓計算機像人類一樣做到明確區(qū)分呢？
這就涉及目標檢測，可以說讓計算機能夠區(qū)分出這些，是目標檢測的第一步：目標特征提取。

目標檢測的第二步：目標識別。是讓計算機識別剛才區(qū)分出來的畫面究竟是什么，從而確定視頻或圖像中目標的種類。例如為了實現(xiàn)自動駕駛的目標，最初需要讓計算機認識交通目標，才能讓其成為真正的AI老司機。

如何建立一個高準確率、高召回率的物體識別系統(tǒng)？這實際是無人車感知的一個核心問題，而物體檢測更是重中之重，要求我們對不同傳感器設(shè)計不同的算法來準確檢測障礙物。



具體說到物體檢測，我們要求完成單幀障礙物的檢測，并借助傳感器內(nèi)外參數(shù)標定轉(zhuǎn)換矩陣，將檢測結(jié)果統(tǒng)一影射到車身的座標系中，這種物體檢測算法既快速又準確。

2  為何要引入深度學習



深度學習的方法進行圖像處理，最大的區(qū)別就是特征圖不再通過人工特征提取，而是利用計算機，這樣提取出來的特征會非常豐富，也很全面，深度學習可以實現(xiàn)端到端的感知效果。

深度學習可以被理解為全自動的算法，可以在沒有人干預(yù)的情況下完成一個算法的流程，這是深度學習相較于傳統(tǒng)機器學習最大的優(yōu)勢所在。

所謂的深度學習就是通過集聯(lián)多層的神經(jīng)網(wǎng)絡(luò)形成一個很深的層，當層數(shù)越多，提取出來的特征也就越多而且越豐富。所以在目標檢測和識別的過程中，最主要使用的深度學習特征提取模型就是深度卷積網(wǎng)絡(luò)，英文簡稱CNN。

為什么CNN圖像處理的方式比以前更好呢？究其原因，根本還是在于對圖像特征提取。例如，當我們使用多層進行特征提取的時候，其實有些層是針對圖像的邊緣輪廓來提取的，有些則是針對質(zhì)地或者紋理來進行的，還有些是針對物體特征進行操作，總而言之不同的層有不同的分割方式。

回歸到目標檢測這個問題上，卷積神經(jīng)網(wǎng)絡(luò)的每一層如果能夠準確提取出所需特征，最后也就容易判斷許多。因此決定CNN的目標檢測和識別的關(guān)鍵就在于對每一層如何設(shè)計。

3  深度學習目標檢測方法分類

深度學習針對當前目標檢測的方法

1) 對于候選區(qū)域的目標檢測算法，典型的網(wǎng)絡(luò)是R-CNN和FasterR-CNN

以FasterR-CNN為例，首先提取圖像中的候選區(qū)域，隨后針對這些候選區(qū)域進行分類判斷，當然由于這些候選區(qū)域是通過算法搜索出來的，所以并不一定準確，因此還需要對選出的區(qū)域做位置回歸，隨之進行目標定位，最后輸出一個定位結(jié)果?？傮w來說，首先要先選擇、再判斷，最后剔除不想要的。

這種算法精度較高，不過由于需要反復(fù)進行候選區(qū)域的選擇，所以算法的效率被限制。

2) 基于回歸的目標檢測算法，典型實現(xiàn)是YOLO和SSD

SSD的典型回歸目標檢測算法，分為四個步驟：第一步通過深度神經(jīng)網(wǎng)絡(luò)提取整個圖片的特征；第二步對于不同尺度的深度特征圖設(shè)計不同大小的特征抓取盒；第三步通過提取出這些抓去盒中的特征進行目標識別，最后，在識別出的這些結(jié)果中運用非極大值抑制選擇最佳的目標識別結(jié)果。

只需觀測一次圖片就能進行目標的檢測以及識別，因此算法的效率非常高。

3) 基于增強學習的目標檢測算法，典型表現(xiàn)為深度Q學習網(wǎng)絡(luò)

可以說場景適應(yīng)性算是比較強的。增強學習算法目標檢測可被看成不斷動態(tài)調(diào)整候選區(qū)域邊框的過程。

4  在自動駕駛中的應(yīng)用

深度學習方法特別適合于從攝像機和lidar（光探測和測距）設(shè)備獲取的2d圖像和3d點云中檢測和識別對象。

在自動駕駛中，三維感知主要基于激光雷達傳感器，它以三維點云的形式提供對周圍環(huán)境的直接三維表示。激光雷達的性能是根據(jù)視場、距離、分辨率和旋轉(zhuǎn)/幀速率來衡量的。

3D傳感器，如Velodyne通常具有360度水平視野。為了高速行駛，一輛自動駕駛汽車至少需要200米的行駛距離，使汽車能夠及時對路況的變化作出反應(yīng)，三維目標檢測精度取決于傳感器的分辨率，最先進的激光雷達能夠提供3cm的精度。

攝像機則是對獲取的圖像通過深度學習方法進行處理，其主要依賴于分辨率的高度和算法的精準程度。

一輛自動駕駛汽車應(yīng)該能夠檢測到交通參與者和可行駛區(qū)域，特別是在城市地區(qū)，那里可能出現(xiàn)各種各樣的物體外觀和遮擋。

基于深度學習的感知，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN）成為目標檢測和識別的事實標準，在ImageNet大規(guī)模視覺識別挑戰(zhàn)賽等比賽中取得顯著成績。

不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于檢測二維感興趣區(qū)域或圖像中的像素分割區(qū)域，3DLidar點云中的邊界盒以及組合相機Lidar數(shù)據(jù)中對象的三維表示。

場景感知結(jié)果的示例如圖3所示。圖像數(shù)據(jù)信息豐富，更適合于目標識別任務(wù)。然而，由于在將成像場景投影到成像傳感器上時丟失了深度信息，因此必須估計被檢測對象的真實3d位置。



以百度Apollo 為例，Apollo 障礙物感知系統(tǒng)分為 3D 檢測、ROI 濾波、識別、運算、感知五大版塊。

其感知過程如下：首先LiDAR探測到信號，傳遞給ROI的Filter，濾波后的信號通過Obstacle Segmentation和Detection識別，然后進行 Tracking。
Apollo在運算這一塊采用的是NVIDIA GPU，運算能力強勁，可以實現(xiàn)10Hz的輸出，最后是Obstacles感知。

環(huán)境感知主要包括當前環(huán)境的語義分割和靜態(tài)、動態(tài)的目標檢測，采用人工智能技術(shù)中的深度卷積神經(jīng)網(wǎng)絡(luò)通過前期的數(shù)據(jù)訓(xùn)練以及特征提取，給出復(fù)雜環(huán)境中場景物體類別等信息，幫助計算機精準地理解周邊的環(huán)境態(tài)勢。