apollo学习笔记二十：apollo 感知（下）

感知中的机器学习

自动驾驶中深度学习模型需要更好的可解释性，归结为如何评估模型让用户知道模型是安全的？模型更新后如何做回归测试？模型的应用边界在哪里？目前，大家认为可解释性可以通过测试来体现，如果大量测试得到相同的结果，那么原理是不是真正的可解释也就没那么重要。
在感知模块中，除了做基本的检测、分割之外，还有后处理阶段等由公式表示的几何计算问题，是不需要深度学习的。另外，Common sense也不需要深度学习，而且深度学习的效果不好，我们需要其他算法。那么，深度学习模型带来一个结果，其他启发算法给一个结果，怎么来融合？现在主要是基于Double check来提升安全性，还需要其他方法来进行更好的融合。
除了深度学习还需要其他的机器学习方法。如果数据量小，特征很难从原始数据学习，深度学习的效果可能就受到影响，因此诸如SVM或者随机森林这些机器学习算法，可能需要结合场景选择。

感知的未来

Sensor迭代

如果在自动驾驶的研究中，发现某一类传感器在感知或者其他模块中具有很大的价值。那么，整个资本市场会投入很多人力、财力研发传感器。随着量产之后，传感器的成本就会大幅下降，更新换代就比较快。

深度学习+仿真数据+AI芯片

深度学习已经证明了在感知中有很大的作用，但是计算量很大，专门研究车载AI芯片是对这一问题的很好解决方案。现在很耗时的CNN模型以后都不是瓶颈，而且定制AI芯片的功耗可以足够低，满足车载需求。深度学习需要大量数据的问题，可以通过仿真来弥补。目前，点云仿真相对简单一些，图像仿真相对困难点。如果仿真这条路可以走通，那么仿真+深度学习不断循环迭代，是非常有前景的。

智能交通设施

目前，自动驾驶都是在车上安装传感器进行感知，感知的范围、鲁棒性都有待提高。如果将这套传感器布置在道路上、灯上，让它们来感知，然后将实时结果传输给无人车。如果车上的传感器失灵，那么路面上的传感器会告知无人车障碍物信息，保证系统安全性。另外在驾驶环境中部署传感器可以拓展感知距离，做到足够安全，提前告知远处的信息。