根據(jù)智能化程度的不同，自動駕駛被分為5個等級：L1輔助駕駛、L2部分自動駕駛、L3有條件自動駕駛、L4高度自動駕駛、L5完全自動駕駛，即真正的無人駕駛。

日漸活躍于公眾視野的“無人駕駛”概念，往往是指L3及以上級別的自動駕駛。目前L4的試點屬于高度自動駕駛。那么無人駕駛是如何實現(xiàn)這些功能的呢？

無人駕駛的核心技術(shù)體系主要可分為感知、決策、執(zhí)行三個層面。

感知系統(tǒng) 相當(dāng)于人的眼睛、耳朵、負(fù)責(zé)感知周圍的環(huán)境，并進(jìn)行環(huán)境信息與車內(nèi)信息的采集與處理，主要包括車載攝像頭、激光雷達(dá)、毫米波雷達(dá)、超聲波雷達(dá)等技術(shù)。

決策系統(tǒng) 相當(dāng)于人的大腦，負(fù)責(zé)數(shù)據(jù)整合、路徑規(guī)劃、導(dǎo)航和判斷決策，主要包括高精地圖、車聯(lián)網(wǎng)等核心技術(shù)。

執(zhí)行系統(tǒng) 相當(dāng)于人的小腦和四肢，負(fù)責(zé)汽車的加速、剎車和轉(zhuǎn)向等駕駛動作，主要包括線控底盤等核心技術(shù)。

其中無人駕駛的視覺感知系統(tǒng)都基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)視覺技術(shù)，應(yīng)用于無人駕駛領(lǐng)域，主要分為四個模塊：動態(tài)物體檢測（DOD：Dynamic Object Detection）、通行空間（FS：Free Space）、車道線檢測（LD：Lane Detection）、靜態(tài)物體檢測（SOD：Static Object Detection）。

動態(tài)物體檢測 DOD: Dynamic Object Detection

動態(tài)物體檢測的目的是對車輛（轎車、卡車、電動車、自行車）、行人等動態(tài)物體的識別。

檢測的難點包括 檢測類別多、多目標(biāo)追蹤、測距精度；外界環(huán)境因素復(fù)雜，遮擋情況多，朝向不一；行人、車輛類型種類眾多，難以覆蓋，容易誤檢；加入追蹤、行人身份切換等眾多挑戰(zhàn)。

通行空間 FS: Free Space

空間檢測是對車輛行駛的安全邊界（可行駛區(qū)域）進(jìn)行劃分，主要針對車輛、普通路邊沿、側(cè)石邊沿、沒有障礙物可見的邊界、未知邊界等進(jìn)行劃分。

檢測的難點包括 復(fù)雜環(huán)境場景時，邊界形狀復(fù)雜多樣，導(dǎo)致泛化難度較大。

不同于其它有明確的單一的檢測類型的檢測（如車輛、行人、交通燈），通行空間需要準(zhǔn)確劃分行駛安全區(qū)域，以及對影響車輛前行的障礙物邊界。但是在車輛加減速、路面顛簸、上下坡道時，會導(dǎo)致相機(jī)俯仰角發(fā)生變化，原有的相機(jī)標(biāo)定參數(shù)不再準(zhǔn)確，投影到世界坐標(biāo)系后會出現(xiàn)較大的測距誤差，通行空間邊界會出現(xiàn)收縮或開放等問題。

通行空間更多考慮的是邊緣處，所以邊緣處的毛刺、抖動需要進(jìn)行濾波處理，使邊緣處更平滑。而障礙物的側(cè)面邊界點易被錯誤投影到世界坐[標(biāo)系，導(dǎo)致前車隔壁可通行的車道被認(rèn)定為不可通行區(qū)域，所以邊界點的取點策略和后處理較為困難。

車道線檢測 LD: Lane Detection

車道檢測的目的是對各類車道線（單側(cè)/雙側(cè)車道線、實線、虛線、雙線）進(jìn)行檢測，還包括線型的顏色（白色/黃色/藍(lán)色）以及特殊的車道線（匯流線、減速線等）等進(jìn)行檢測。

車道檢測的難點包括 線型種類多，不規(guī)則路面檢測難度大。如遇地面積水、無效標(biāo)識、修補路面、陰影情況下，車道線易被誤檢、漏檢。上下坡、顛簸路面、車輛啟停時，容易擬合出梯形、倒梯形的車道線。彎曲的車道線、遠(yuǎn)端的車道線、環(huán)島的車道線等情況的擬合難度較大，檢測結(jié)果易模糊不清。

靜態(tài)物體檢測 SOD: Static Object Detection

靜態(tài)物體檢測是對交通紅綠燈、交通標(biāo)志等靜態(tài)物體的檢測識別。

檢測的難點包括 紅綠燈、交通標(biāo)識屬于小物體檢測，在圖像中所占的像素比極少，尤其遠(yuǎn)距離的路口，識別難度更大。

在強(qiáng)光照的情況下，有時人眼都難以辨別，而停在路口的斑馬線前的汽車，需要對紅綠燈進(jìn)行正確的識別才能做下一步的判斷。交通標(biāo)識種類眾多，采集到的數(shù)據(jù)易出現(xiàn)數(shù)量不均勻的情況，導(dǎo)致檢測模型訓(xùn)練不完善。交通燈易受光照的影響，在不同光照條件下顏色難以區(qū)分（紅燈與黃燈）。且在夜晚中，紅燈與路燈、商店的燈顏色相近，易造成誤檢。

深度學(xué)習(xí)模型離不開數(shù)據(jù)的加持，缺乏大量的無人駕駛的數(shù)據(jù)是阻礙視覺感知系統(tǒng)在自動駕駛領(lǐng)域應(yīng)用的主要原因之一，而現(xiàn)有的數(shù)據(jù)集無論是在數(shù)據(jù)量，還是采集環(huán)境上都與實際需求相差甚遠(yuǎn)。

作為全球領(lǐng)先的AI數(shù)據(jù)解決方案提供商，能夠?qū)�業(yè)有效的針對具體需求，優(yōu)惠活動大廳通過智能化標(biāo)注平臺Annotator構(gòu)建規(guī)模化的無人駕駛數(shù)據(jù)庫。優(yōu)惠活動大廳通過基于真實場景下的數(shù)據(jù)，推動計算機(jī)視覺和機(jī)器算法在自動駕駛領(lǐng)域的發(fā)展。

Annotator智能化標(biāo)注平臺 3D點云標(biāo)注

Annotator智能化標(biāo)注平臺 圖像標(biāo)注

了解更多智慧出行AI數(shù)據(jù)解決方案

www.magicdatatech.cn/industry/automotive