自动驾驶正在成为影响未来社会的关键技术，逐步将人类从枯燥繁重的驾驶任务中解脱出来。而在自动驾驶技术中，感知系统又是重中之重。准确高效地感知周围的交通环境，是自动驾驶功能能够实现的前提，也是自动驾驶安全的重要保障。
从2004年美国国防高级研究计划署（DARPA）举办首届自动驾驶挑战赛以来，大规模的自动驾驶技术研究与实践已经蓬勃发展了近20年。目前，学术界和工业界对于自动驾驶感知系统的架构设计基本达成了共识——采用多传感器融合方案。除了特斯拉坚持纯视觉感知方案以外，从L2/L3辅助驾驶到L4/L5纯无人驾驶，从乘用车到商用车，从中国到欧美，产业界的主流方案都使用了包含摄像头、激光雷达、毫米波雷达、超声波雷达等两种以上传感器用于自动驾驶感知系统。
采用多类多个传感器是实践证明有效的方案。首先，多传感器独立工作，增加了感知系统的冗余性，个别传感器出现故障不至于导致感知系统瘫痪，从而增强了整个自动驾驶系统的安全性和鲁棒性；其次，不同传感器的感知性能各有特点，采用先进的融合感知算法可以取长补短，发挥每种传感器自身的优势；最后，经过多年的产业发展，各类传感器的性能不断提升而成本不断下降，为多传感器的量产装备提供了有利条件。
多传感器的使用为感知系统提供了丰富的原始环境信息，但如何将不同传感器获取的信息有效融合起来，并形成对于自车周围环境和交通参与者状态的最终估计，同样是一个关键问题。而且，感知系统不是仅对某一刻的环境进行感知，而是要对随时间变化的环境状态进行持续地感知和跟踪。
这一过程中最大的问题是不确定性，环境状态本身的变化存在不确定性，传感器的测量和检测结果也存在不确定性。归根到底，感知系统是要从充满不确定性的数据中，估计尽可能确定的结果。而处理泛机器人领域中感知的不确定性并不是一个新问题，以贝叶斯理论为核心的概率体系为研究者提供了最优的数学工具。
早鸟优惠扫码领取！
添加小助理，领取学习大礼包！
学习难度大
基于贝叶斯滤波的融合跟踪技术，已经成为工业界实现多传感器融合感知的主流方案。这一技术既有严谨优美的数学理论，又便于工程化落地，可以在不同的传感器配置方案上快速迁移，并且能充分发挥不同传感器的各自特点。
而这一方案在数学性和工程化上的优点却又为初学者带来了很多困难，一方面，它要求掌握一定的概率论基础和对贝叶斯滤波的深度理解，另一方面，它涉及到状态估计、平面几何、图论、轨迹管理等多方面算法的工程化实现，导致许多人接触这个领域很久也只是知其然而不知其所以然。
在认真调研后，推出了我们的多传感器融合跟踪的课程，满满的干货，真正做到帮助0基础的同学高效学习，快速掌握每一个知识点！
项目实战和理论结合，实战课程的课后配套实战代码，随学随练、快速掌握。
共5大优势
课程包括完善的【老师教学】+【助教答疑】服务，确保每一位小伙伴都能愉快的学习知识。
一：带你推公式，彻底搞懂卡尔曼滤波及其变种；
二：目标跟踪中的数据关联详解及应用；
三：面向业务，深入浅出目标轨迹管理；
四：实践单传感器的目标跟踪；
五：实战多传感器目标跟踪（Camera/Radar/Lidar）!
课件代码一应俱全
细致的讲解，不光有理论，代码及实践也一定要讲透彻！
通过全套的视频讲解，帮你在脑海中搭建模型的基本框架，让你彻底搞懂每一个知识点，从而提高你写代码的速度。
讲师介绍
Edison，自动驾驶之心前沿技术研究团队成员，Top2本硕，在定位、感知等方向有5年多的工作经验，在主机厂/创业公司深度参与L2/L4项目，目前职于某头部L4科技公司，负责感知融合方向，在算法研究和工程落地方面有着丰富的经验。
课程收获
对自动驾驶感知系统采用的主要传感器的特性有一定理解；
对基于贝叶斯滤波的状态估计和目标跟踪有深入理解；
对业界主流的多传感器融合感知方案有深入理解；
学完本课程能够达到1年左右的自动驾驶工程师水平；
能够结识许多行业从业人员与学习合作伙伴；
适合人群
自动驾驶感知相关研究方向的本科/硕士/博士；
自动驾驶2D/3D感知融合相关算法工程人员；
目标跟踪与多传感器融合相关方向从业人员；
想要转入自动驾驶感知领域的学生和工程师；
本课程需要具备的基础
具有基本的概率学和几何学基础；
一定的线性代数和矩阵论基础；
具有一定的C++基础；
开课时间与学习方式
2023年8月10日正式开始学习之路，历经两个月，离线视频授课。主讲老师在微信学习群内答疑，对课程中的算法、代码、环境配置等问题一一解惑！
课程咨询
早鸟优惠扫码领取！
扫码添加助理咨询课程！
(微信：AIDriver004)
扫一扫
1673
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
