車道感知的案例
車道感知多樣化軌跡預(yù)測(cè)的分治策略
4 基于車道錨點(diǎn)的軌跡預(yù)測(cè)
在本節(jié)中，我們將介紹一種稱為ALAN的單一表示模型，它在向前傳遞中為多個(gè)交通參與者生成車道感知軌跡。我們將問題表述為跨越時(shí)間的不同假設(shè)的單例回歸。接下來將詳細(xì)描述我們的方法。
4.1 問題陳述
我們的方法采用兩種形式的場(chǎng)景信息輸入：a) 場(chǎng)景的柵格化鳥瞰(BEV)表示，記為尺寸為H × W × 3的I，b) 每個(gè)交通參與者的車道中心線信息作為錨點(diǎn)。我們定義車道錨點(diǎn)L={L1，…，Lp}作為包含p個(gè)點(diǎn)的序列，在BEV參考系中坐標(biāo)為L(zhǎng)p =(x, y)。我們將Xi = {Xi1，…，XiT}表示為包含每個(gè)交通參與點(diǎn)的過去和未來觀測(cè)結(jié)果的笛卡爾形式的軌跡坐標(biāo)，其中Xit = (xit，yit)。對(duì)于每個(gè)交通參與者i，我們根據(jù)軌跡信息，如最近距離、偏航對(duì)齊和其他參數(shù)，確定車輛可能采取的一組候選車道。我們將其表示為一組可信的車道中心線A = { L1，…，Lk}，其中k表示車輛可能沿著其行駛的車道中心線的總數(shù)。然后我們?cè)诙S曲線法向—切向坐標(biāo)系(nt)中沿這些中心線定義車輛軌跡Xi。將Ni, k = {Ni, k1，…，Ni, kT}表示為交通參與者i沿車道中心線Lk的nt坐標(biāo)，其中Ni, kt = (ni, kt，li, kt)表示到車道最近點(diǎn)的法向和縱向距離。nt坐標(biāo)的使用對(duì)于捕獲復(fù)雜的道路拓?fù)浜拖嚓P(guān)的動(dòng)態(tài)是至關(guān)重要的，坐標(biāo)用以提供語義一致的預(yù)測(cè)，這已經(jīng)在我們的實(shí)驗(yàn)中得到了研究(第5節(jié))。
展開 視覺為王-小鵬以及特斯拉的自動(dòng)駕駛方案
小鵬前置攝像頭2M像素，幀率15/60fps，按HFOV（Horizon Field of View）分為:
HFOV 28：窄視角的前向攝像頭，用于AEB（自動(dòng)緊急剎車）、ACC（自適應(yīng)巡航）和前向碰撞預(yù)警，按圖來看，這個(gè)攝像頭可用于關(guān)注150m以上的路面情況；可能是1828*948的分辨率，15fps，用于遠(yuǎn)距離的感知；
HFOV 52：主前向攝像頭，用于交通信號(hào)燈檢測(cè)（會(huì)看紅綠燈）、AEB、ACC、前向碰撞預(yù)警和車道感知；
HFOV 100：寬視角的前向攝像頭，用于交通信號(hào)燈檢測(cè)（會(huì)看紅綠燈、應(yīng)該是輔助主前向攝像頭的）、雨量檢測(cè)（自動(dòng)雨刮要靠它）和防加塞（看的角度更廣），猜測(cè)應(yīng)該是60fps的攝像頭
特斯拉前置攝像頭分辨率為 1280×960 1.2Mp。它提供了一個(gè)長(zhǎng)達(dá) 250 米的前方圖像捕捉系統(tǒng)。
側(cè)向的攝像頭，
小鵬的分別安裝在左右車身，都是HFOV 100，應(yīng)該都是1M像素，但是側(cè)前方向的攝像頭是60fps，側(cè)后方是30fps。這四個(gè)攝像頭其實(shí)已經(jīng)可用完成360度覆蓋了，他們的視場(chǎng)還有一點(diǎn)點(diǎn)的重疊。前視側(cè)邊攝像頭，用于防加塞和側(cè)向車輛的檢測(cè)（另一張PPT里直接說就是防加塞攝像頭），分辨率457*237，較低的分辨率可用于獲得更快的響應(yīng)速度；后視側(cè)邊攝像頭，用于ALC（自動(dòng)變道）、開門預(yù)警和盲區(qū)檢測(cè)。
特斯拉在B柱上布置了側(cè)向前視攝像頭，側(cè)向后視和小鵬一致。
展開 研究自動(dòng)駕駛技術(shù)的算法需要哪些知識(shí)？
環(huán)境感知負(fù)責(zé)檢測(cè)各種移動(dòng)和靜止的障礙物（比如車輛，行人，建筑物等），以及收集道路上的各種信息（比如可行駛區(qū)域，車道線，交通標(biāo)志，紅綠燈等），這里需要用到的主要是各種傳感器（比如攝像頭，激光雷達(dá)，毫米波雷達(dá)等）。車輛定位則根據(jù)環(huán)境感知得到的信息來確定車輛在環(huán)境中所處位置，這里需要高精度地圖，以及慣性導(dǎo)航（IMU）和全球定位系統(tǒng)（GPS）的輔助。
本專欄主要關(guān)注環(huán)境感知系統(tǒng)，重點(diǎn)會(huì)介紹攝像頭，激光雷達(dá)和毫米波雷達(dá)這三種主要的傳感器，以及它們的融合。不同的傳感器有著不同的特性，各自都有優(yōu)缺點(diǎn)，因此也適用于不同的任務(wù)。攝像頭是感知系統(tǒng)中最常用的傳感器，優(yōu)勢(shì)在于能夠提取豐富的紋理和顏色信息，因此適用于目標(biāo)的分類。但是其缺點(diǎn)在于對(duì)于距離的感知能力較弱，并且受光照條件影響較大。激光雷達(dá)在一定程度上彌補(bǔ)了攝像頭的缺點(diǎn)，可以精確的感知物體的距離和形狀，因此適用于中近距的目標(biāo)檢測(cè)和測(cè)距。但是其缺點(diǎn)在于成本較高，量產(chǎn)難度大，感知距離有限，而且同樣受天氣影響較大。毫米波雷達(dá)具有全天候工作的特點(diǎn)，可以比較精確的測(cè)量目標(biāo)的速度和距離，感知距離較遠(yuǎn)，價(jià)格也相對(duì)較低，因此適用于低成本的感知系統(tǒng)或者輔助其它的傳感器。但是缺點(diǎn)在于高度和橫向的分辨率較低，對(duì)于靜止物體的感知能力有限。
環(huán)境感知系統(tǒng)中的多種傳感器
2 技術(shù)概覽
上一節(jié)中提到了，環(huán)境感知系統(tǒng)的硬件基礎(chǔ)是多種傳感器以及它們的組合，而軟件方面的核心則是感知算法。總的來說，感知算法要完成兩個(gè)主要的任務(wù)：物體檢測(cè)和語義分割。前者得到的是場(chǎng)景中重要目標(biāo)的信息，包括位置，大小，速度等，是一種稀疏的表示；而后者得到的是場(chǎng)景中每一個(gè)位置的語義信息，比如可行駛，障礙物等，是一種稠密的表示。這兩個(gè)任務(wù)的結(jié)合被稱為全景分割，這也是自動(dòng)駕駛和機(jī)器人領(lǐng)域最近興起的一個(gè)概念。
展開 研究自動(dòng)駕駛技術(shù)的算法需要哪些知識(shí)？
環(huán)境感知負(fù)責(zé)檢測(cè)各種移動(dòng)和靜止的障礙物（比如車輛，行人，建筑物等），以及收集道路上的各種信息（比如可行駛區(qū)域，車道線，交通標(biāo)志，紅綠燈等），這里需要用到的主要是各種傳感器（比如攝像頭，激光雷達(dá)，毫米波雷達(dá)等）。車輛定位則根據(jù)環(huán)境感知得到的信息來確定車輛在環(huán)境中所處位置，這里需要高精度地圖，以及慣性導(dǎo)航（IMU）和全球定位系統(tǒng)（GPS）的輔助。
本專欄主要關(guān)注環(huán)境感知系統(tǒng)，重點(diǎn)會(huì)介紹攝像頭，激光雷達(dá)和毫米波雷達(dá)這三種主要的傳感器，以及它們的融合。不同的傳感器有著不同的特性，各自都有優(yōu)缺點(diǎn)，因此也適用于不同的任務(wù)。攝像頭是感知系統(tǒng)中最常用的傳感器，優(yōu)勢(shì)在于能夠提取豐富的紋理和顏色信息，因此適用于目標(biāo)的分類。但是其缺點(diǎn)在于對(duì)于距離的感知能力較弱，并且受光照條件影響較大。激光雷達(dá)在一定程度上彌補(bǔ)了攝像頭的缺點(diǎn)，可以精確的感知物體的距離和形狀，因此適用于中近距的目標(biāo)檢測(cè)和測(cè)距。但是其缺點(diǎn)在于成本較高，量產(chǎn)難度大，感知距離有限，而且同樣受天氣影響較大。毫米波雷達(dá)具有全天候工作的特點(diǎn)，可以比較精確的測(cè)量目標(biāo)的速度和距離，感知距離較遠(yuǎn)，價(jià)格也相對(duì)較低，因此適用于低成本的感知系統(tǒng)或者輔助其它的傳感器。但是缺點(diǎn)在于高度和橫向的分辨率較低，對(duì)于靜止物體的感知能力有限。
環(huán)境感知系統(tǒng)中的多種傳感器
2 技術(shù)概覽
上一節(jié)中提到了，環(huán)境感知系統(tǒng)的硬件基礎(chǔ)是多種傳感器以及它們的組合，而軟件方面的核心則是感知算法。總的來說，感知算法要完成兩個(gè)主要的任務(wù)：物體檢測(cè)和語義分割。前者得到的是場(chǎng)景中重要目標(biāo)的信息，包括位置，大小，速度等，是一種稀疏的表示；而后者得到的是場(chǎng)景中每一個(gè)位置的語義信息，比如可行駛，障礙物等，是一種稠密的表示。這兩個(gè)任務(wù)的結(jié)合被稱為全景分割，這也是自動(dòng)駕駛和機(jī)器人領(lǐng)域最近興起的一個(gè)概念。
展開 
汽車大觀｜試駕嵐圖FREE：4秒破百的中大型SUV真實(shí)體驗(yàn)如何？
而L2+高級(jí)智能駕駛輔助系統(tǒng)，可通過24個(gè)高精度智能傳感器，實(shí)現(xiàn)多達(dá)20項(xiàng)智能駕駛輔助功能和360度無死角的智能感知。
值得一提的是，嵐圖 FREE還具備整車固件與軟件升級(jí)功能，可實(shí)現(xiàn)包括智能語音、地圖導(dǎo)航、影音娛樂、車身控制、懸架系統(tǒng)、動(dòng)力控制、高級(jí)智能駕駛輔助系統(tǒng)等在內(nèi)的軟件和固件在線升級(jí)。
在駕駛過程中，筆者先后體驗(yàn)了360度無死角智能感知、車道保持等智能科技配置。在筆者看來，這些配置不僅能夠提升駕乘的安全性，而且還能讓駕駛更加省心。
除了出色的顏值和智能科技配置外，嵐圖FREE在讓利市場(chǎng)方面也是亮點(diǎn)多多。據(jù)介紹，嵐圖FREE的首任車主擁有4大限時(shí)權(quán)益和6大免費(fèi)權(quán)益。4大限時(shí)權(quán)益（7月29日前），包括終身免費(fèi)充電、增程版尊享包免費(fèi)升級(jí)、3年0息購車和3年保值換購。
6大服務(wù)無憂保障方面，包括終身整車質(zhì)保、終身三電質(zhì)保、終身免費(fèi)車機(jī)流量、終身免費(fèi)OTA升級(jí)、終身免費(fèi)道路救援、免費(fèi)充電樁及安裝服務(wù)。
嵐圖汽車CEO盧放曾表示，擁有全新戰(zhàn)略、全新組織機(jī)制、全新商業(yè)模式和全新模式，以一個(gè)開放的思維去接納新事物、新鮮思想，了解年輕消費(fèi)者的嵐圖品牌是造車“新實(shí)力”，而通過此次嵐圖FREE的試駕體驗(yàn)，筆者認(rèn)為不管是嵐圖品牌，還是嵐圖FREE這款車型，都當(dāng)?shù)闷稹霸燔囆聦?shí)力”之名。
展開 復(fù)雜工況和惡劣天氣，檢驗(yàn)自動(dòng)駕駛能力的“試金石”
另一方面需要具備競(jìng)爭(zhēng)策略，通過緩行緩?fù)２粩嘞蛑毙熊囕v傳遞左轉(zhuǎn)的意圖，并在判斷與直行車輛有安全距離的情況下加速穿過直行車道。加速穿過直行車道之后，需要立即減速緩行，并實(shí)時(shí)感知、預(yù)測(cè)斑馬線中的行人、自行車道的非機(jī)動(dòng)車，以便安全、高效地駛?cè)雽?duì)向車道。
無保護(hù)左轉(zhuǎn)的難點(diǎn)有兩個(gè)，一個(gè)車輛本身的感知無法做到超視距，無法提前獲知路口被遮擋的直行車輛，自行車道的非機(jī)動(dòng)車，斑馬線上行人的運(yùn)動(dòng)情況，二是決策時(shí)無法融入對(duì)人類意圖的理解。沒有超視距，就沒法做到統(tǒng)籌的規(guī)劃，控制的一氣呵成。后期通過V2X獲取路端感知以及其他車輛的數(shù)據(jù)倒是可以解決這個(gè)難題，目前的單車智能還無法做到高成功率的流觴左轉(zhuǎn)。
目前自動(dòng)駕駛車輛擅長(zhǎng)判斷來車的距離和速度，但是對(duì)于其他駕駛員、行人的一個(gè)眼神、揮手無法領(lǐng)會(huì)，只能僵硬的根據(jù)對(duì)向車輛的距離判斷是否具有安全的左轉(zhuǎn)距離。自動(dòng)駕駛車輛一方面需要學(xué)會(huì)如何禮貌的要求其他車輛讓路，另一方面需要判斷其他車輛是否有減速的意圖。因此了解人類的意圖、洞悉人類的心理，可能是自動(dòng)駕駛的終極命題。
二、環(huán)島
環(huán)島工況，一個(gè)讓眾多老司機(jī)都栽跟頭的工況，一個(gè)看似容易卻又異常玄乎的工況。在環(huán)島工況中，自動(dòng)駕駛車輛需要完成駛?cè)搿Q道、駛出等操作，再加上常見的不遵守交通規(guī)則的非機(jī)動(dòng)車，更給環(huán)島工況增加了復(fù)雜性。
以一個(gè)環(huán)島內(nèi)三車道，五出入口，每個(gè)出入口2車道數(shù)的環(huán)島為例。進(jìn)入環(huán)島前，自動(dòng)駕駛車輛需要提前變換到可以駛?cè)氕h(huán)島的相應(yīng)車道，并在沒有紅綠燈指引下完成斑馬線禮讓行人。禮讓完行人，按照交通規(guī)則，還需在第二個(gè)讓行標(biāo)志前禮讓正在環(huán)島上行駛的車輛，并伺機(jī)駛?cè)氕h(huán)島道路。
展開 IMU, 自動(dòng)駕駛定位團(tuán)隊(duì)“小而美”的隊(duì)員
此時(shí)依舊可以依賴車道線識(shí)別，切換到單車道的ACC和LKA模式進(jìn)行安全行駛。但是存在可能0.1%的概率，車道線存在較大距離缺失，如果沒有關(guān)鍵先生，車輛要么緊急剎車要么猶如瞎子一樣亂竄。
但是在這0.1%的Corner Case中，如果有關(guān)鍵先生IMU，汽車就可以根據(jù)IMU提供的相對(duì)定位信息，配合之前感知到的車道線信息和加載的高精地圖數(shù)據(jù)，進(jìn)行安全的減速直至停車，并提示進(jìn)行人工接管。
一篇文章中提到一個(gè)觀點(diǎn)非常中肯：功能單元緩慢失效比突然失效更安全，有預(yù)警的失效比無意識(shí)的失效更安全。IMU與其它相對(duì)或絕對(duì)定位系統(tǒng)結(jié)合使用后，使得定位系統(tǒng)即便失效，也是一個(gè)緩慢的、可預(yù)警的過程。
小結(jié)
IMU的“小而美”并非浪得虛名，其在自動(dòng)駕駛團(tuán)隊(duì)的曝光度遠(yuǎn)不如其他成員。
IMU有點(diǎn)像自動(dòng)駕駛團(tuán)隊(duì)中的產(chǎn)品經(jīng)理，前期無法承擔(dān)定義自動(dòng)駕駛產(chǎn)品的核心功能，像部分網(wǎng)友吐槽的：
研發(fā)大佬賞口飯吃的程序員鼓勵(lì)師，除了愉悅身心似乎用處沒那么大。
但自動(dòng)駕駛產(chǎn)品真正開始量產(chǎn)時(shí)，0.1%的定位失效率在100萬輛車規(guī)模下將被不可容忍。IMU擔(dān)負(fù)便是將失效率小數(shù)點(diǎn)往后多挪幾個(gè)位，正如自動(dòng)駕駛產(chǎn)品經(jīng)理的使命，將99.9%完善的自動(dòng)駕駛產(chǎn)品小數(shù)點(diǎn)往后多挪幾個(gè)位。
展開 自動(dòng)駕駛決策規(guī)劃中的問題與挑戰(zhàn)
論文中tsafe= 2tpin；
上中圖：在直道行駛分為感知范圍內(nèi)沒有車輛或者感知范圍內(nèi)有車輛兩種情況：一是感知范圍內(nèi)沒有車輛，假設(shè)駕駛感知范圍外有一個(gè)靜止車輛，將其設(shè)為虛擬靜止障礙物，通過其高斯分布特性可以計(jì)算得到tsafe時(shí)刻內(nèi)，滿足以最大制動(dòng)能力剎車的縱向位移和速度約束；二是感知范圍內(nèi)有車輛，考慮感知不確定性情況下的最危險(xiǎn)情況，即前車以最大制動(dòng)能力剎車，通過其高斯分布特性可以計(jì)算得到tsafe時(shí)刻內(nèi)，滿足以最大制動(dòng)能力剎車的縱向位移和速度約束；
上右圖：在十字路口行駛，根據(jù)IDM模型計(jì)算ADC是需要讓行還是有路權(quán)需要明確表明表明自己優(yōu)先通過的意圖。最后轉(zhuǎn)換為直道行駛的兩種類型的約束。
2.4 Single Agent
Single Agent認(rèn)為是單智能體問題，即ADC會(huì)對(duì)周圍環(huán)境做出決策，而不考慮ADC行為決策對(duì)其他交通參與者的影響，顯然這種假設(shè)是不對(duì)的，但是卻簡(jiǎn)化了Motion Planning問題。
行為決策是影響自動(dòng)駕駛發(fā)展的另一個(gè)重要方面，隨著自動(dòng)駕駛的等級(jí)越高，行為決策的重要性越高。行為決策的難點(diǎn)是如何體現(xiàn)自動(dòng)駕駛車輛的智能性，如何使自動(dòng)駕駛車輛可以像人類駕駛員一樣處理高維度、多約束的復(fù)雜場(chǎng)景，甚至要比人類駕駛員的表現(xiàn)更好。
目前多數(shù)方法是基于規(guī)則的方法，其能力有限。以基于規(guī)則方法的行為決策來說，在下匝道工況，一般會(huì)設(shè)計(jì)一個(gè)距離匝道口的距離閾值。當(dāng)ADC到匝道口的距離在閾值內(nèi)時(shí)，就開始向最右側(cè)車道變道。
假設(shè)這個(gè)閾值是2km，如果ADC在匝道口2.1m處位于中間車道行駛，此時(shí)前方剛好有輛車且速度較低，基于規(guī)則的行為決策一般會(huì)選擇向左側(cè)車道變道(左側(cè)車道限速高，超車遵從左側(cè)超車，從小鵬NGP等可以看出也是左側(cè)車道優(yōu)先)。
展開 自動(dòng)駕駛決策規(guī)劃中的問題與挑戰(zhàn)
論文中tsafe= 2tpin；
上中圖：在直道行駛分為感知范圍內(nèi)沒有車輛或者感知范圍內(nèi)有車輛兩種情況：一是感知范圍內(nèi)沒有車輛，假設(shè)駕駛感知范圍外有一個(gè)靜止車輛，將其設(shè)為虛擬靜止障礙物，通過其高斯分布特性可以計(jì)算得到tsafe時(shí)刻內(nèi)，滿足以最大制動(dòng)能力剎車的縱向位移和速度約束；二是感知范圍內(nèi)有車輛，考慮感知不確定性情況下的最危險(xiǎn)情況，即前車以最大制動(dòng)能力剎車，通過其高斯分布特性可以計(jì)算得到tsafe時(shí)刻內(nèi)，滿足以最大制動(dòng)能力剎車的縱向位移和速度約束；
上右圖：在十字路口行駛，根據(jù)IDM模型計(jì)算ADC是需要讓行還是有路權(quán)需要明確表明表明自己優(yōu)先通過的意圖。最后轉(zhuǎn)換為直道行駛的兩種類型的約束。
2.4 Single Agent
Single Agent認(rèn)為是單智能體問題，即ADC會(huì)對(duì)周圍環(huán)境做出決策，而不考慮ADC行為決策對(duì)其他交通參與者的影響，顯然這種假設(shè)是不對(duì)的，但是卻簡(jiǎn)化了Motion Planning問題。
行為決策是影響自動(dòng)駕駛發(fā)展的另一個(gè)重要方面，隨著自動(dòng)駕駛的等級(jí)越高，行為決策的重要性越高。行為決策的難點(diǎn)是如何體現(xiàn)自動(dòng)駕駛車輛的智能性，如何使自動(dòng)駕駛車輛可以像人類駕駛員一樣處理高維度、多約束的復(fù)雜場(chǎng)景，甚至要比人類駕駛員的表現(xiàn)更好。
目前多數(shù)方法是基于規(guī)則的方法，其能力有限。以基于規(guī)則方法的行為決策來說，在下匝道工況，一般會(huì)設(shè)計(jì)一個(gè)距離匝道口的距離閾值。當(dāng)ADC到匝道口的距離在閾值內(nèi)時(shí)，就開始向最右側(cè)車道變道。
假設(shè)這個(gè)閾值是2km，如果ADC在匝道口2.1m處位于中間車道行駛，此時(shí)前方剛好有輛車且速度較低，基于規(guī)則的行為決策一般會(huì)選擇向左側(cè)車道變道(左側(cè)車道限速高，超車遵從左側(cè)超車，從小鵬NGP等可以看出也是左側(cè)車道優(yōu)先)。
展開 智能汽車中人工智能算法應(yīng)用及其安全綜述
2) 車道線檢測(cè)算法
基于視覺的車道線檢測(cè)技術(shù)已經(jīng)廣泛應(yīng)用于輔助駕駛系統(tǒng)，如駕駛員熟悉的私家車車道保持功能，駕駛車輛時(shí)，如果車輛壓在車道線上太久，則駕駛輔助系統(tǒng)會(huì)提醒駕駛員調(diào)整車輛位置。
近年來，基于深度學(xué)習(xí)的車道線檢測(cè)算法被引入到智能駕駛領(lǐng)域，并表現(xiàn)出強(qiáng)大的檢測(cè)性能。文獻(xiàn)[30]使用一個(gè)8 層的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練端到端車道線檢測(cè)模型。隨著YOLO[26]等目標(biāo)檢測(cè)網(wǎng)絡(luò)的精度和效率越來越好，研究者們逐漸把目標(biāo)檢測(cè)網(wǎng)絡(luò)引入到車道線檢測(cè)系統(tǒng)中。文獻(xiàn)[31]搭建了用于在單次正向推斷中執(zhí)行車道線檢測(cè)的CNN 模型，該模型用于回歸車道線兩個(gè)端點(diǎn)及其深度。然而，上述方法在車道線占比過小、遮擋等條件下檢測(cè)性能并不理想，研究者們借鑒傳統(tǒng)車道線檢測(cè)算法在消影點(diǎn)、車道形狀、軌跡等領(lǐng)域的研究成果[32]，并將這類方法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來，一定程度上抑制了漏檢和誤檢問題。文獻(xiàn)[33]提出用15 個(gè)點(diǎn)對(duì)車道線進(jìn)行建模，以避免車道線邊界檢測(cè)不準(zhǔn)確。從人類感知車道環(huán)境的經(jīng)驗(yàn)中得到啟發(fā)，文獻(xiàn)[34]設(shè)計(jì)了多任務(wù)網(wǎng)絡(luò)來檢測(cè)車道線消影點(diǎn)，提高了檢測(cè)精度。文獻(xiàn)[35]設(shè)計(jì)了特征圖逐層卷積網(wǎng)絡(luò)，在CNN 框架中加入像素之間的約束，學(xué)習(xí)車道線的結(jié)構(gòu)信息。
3) 目標(biāo)跟蹤算法
視覺跟蹤通過在連續(xù)的視頻圖像序列中估計(jì)感興趣目標(biāo)的位置或所在區(qū)域，結(jié)合歷史運(yùn)動(dòng)信息，預(yù)測(cè)其未來的運(yùn)動(dòng)信息，對(duì)智能車分析理解其周圍環(huán)境至關(guān)重要。在線視覺跟蹤的基本框圖如圖1所示。
圖1 視覺跟蹤基本框圖
近年來，神經(jīng)網(wǎng)絡(luò)技術(shù)借助其優(yōu)秀的特征建模能力，在目標(biāo)跟蹤領(lǐng)域取得了巨大成功。基于濾波的目標(biāo)跟蹤受關(guān)注最多，其算法核心思想是將待跟蹤目標(biāo)的模板與待搜索區(qū)域(候選區(qū)域)內(nèi)的圖像進(jìn)行相似度匹配，匹配度最高的位置即為跟蹤到的目標(biāo)圖像塊。
展開 