Baidu Apollo无人驾驶课程笔记1： 入门篇

自动驾驶汽车的工作模块组合（其中定位精度的要求比GPS苛刻得多）：

①计算机视觉

②融合感知

③定位

④路径规划

⑤控制

高精度地图和普通地图的区别：（高精度地图有更多的辅助驾驶信息和更高的精度）

①高精度地图拥有道路网的精确三维表征：如路标位置

②高精度地图拥有道路的语义信息：比如当前时刻红绿灯的颜色

③高精度地图能达到厘米级别精度，而普通地图为米级精度：确保安全

高精度地图的构建：

①数据采集

②数据处理

③对象检测

④手动验证

⑤地图发布

车辆自定位的实现过程：

通过结合各种传感器（如相机的图像以及激光雷达收集到的点云数据）的数据，与高精度地图上的地标进行对比。这一过程依赖预处理、坐标转化、和数据融合技术。

坐标变换：将不同视角的数据进行坐标系统一。

数据融合：将不同车辆搜集到的数据进行融合。

因此车辆需要高精度地图，以便知道自身的位置。

①利用高精度地图实现感知（弥补各种传感器的环境、距离、障碍物等方面的限制）

②利用高精度地图缩小传感器的检测范围：感兴趣区域（ROI），提升计算速度，节省资源

规划软件也依赖高精度地图：

①高精度地图有助于寻找合适的行车区间

②高精度地图帮助软件进行预测

三角测量定位（二维） ：GPS定位原理

无人驾驶车有四个感知世界的任务：

检测（Detection）:找出物体在环境中的位置

分类（Classification）:明确对象是什么

追踪（Tracking）:随着时间的推移观察移动的物体：如行人，自行车

语义分割（Segmentation）:将每个像素和语义进行匹配

分类器（Classification）工作流程

卷积神经网络对于感知至关重要：前向传播，输入input,经过神经网络输出output。反向传播：将output与真值对比得到误差，将误差反向传播来更新权值。使用一个CNN网络进行检测（Detection）和分类（Classification）

跟踪（Tracking）步骤：（让电脑知道此时的那一帧像素与下一帧对应）

①确认身份（在所有帧中寻找特征匹配度最高的图像，也要考虑位置和速度的变化）

②利用图像的位置等信息预测下一时刻的位置，有助于识别下一时刻的相应对象

融合感知：

camera在分类Classification和车道检测问题上表现得很好

激光雷达（Lidar）的优势在于障碍检测

雷达（Radar)在探测范围和恶劣天气探测占优势

卡尔曼滤波策略（一种融合感知策略）：

①预测状态

②更新测量结果（两种方式：同步和异步）

 同步融合（Synchronous）：同时更新不同传感器的测量结果

异步融合（Asynchronous）：逐步融合不同传感器的测量结果

原视频教程地址：Apollo