2、自动驾驶环境感知技术：从传感器融合到数据集应用

自动驾驶环境感知技术：从传感器融合到数据集应用

1. 引言

深度学习相关滤波和跟踪方法发展迅速。与传统的光流法、卡尔曼滤波法、均值漂移法等算法相比，相关滤波算法在跟踪速度上有优势，而深度学习方法则具有更高的精度。基于相关滤波的目标跟踪可通过快速傅里叶变换有效实现相关计算，计算速度常达每秒数百帧，但该方法通常依赖颜色和纹理等低级特征，可靠性和鲁棒性远不如深度学习方法。深度学习跟踪方法利用深度神经网络提取图像的深层特征，取得了比传统方法更好的跟踪效果。近年来，随着计算机性能的发展，基于深度学习的目标跟踪方法能满足自动驾驶的实时需求。然而，由于自动驾驶场景的特殊性，如交通参与者的相互遮挡和交互，以及驾驶环境的频繁变化，单模态数据常有缺陷，导致跟踪轨迹不足。因此，一些研究人员通过考虑多传感器数据的冗余性和互补性，克服了单传感器数据的缺陷。与目标检测不同，目标跟踪多传感器融合算法不仅能利用不同传感器数据进行融合，还能融合传感器自身的历史信息或交叉融合不同传感器的历史信息。

2. 多传感器融合

单传感器在自动驾驶场景中都有局限性，相机易受光照、视角、遮挡等因素影响，雷达传感器虽对光和颜色等干扰因素有较强鲁棒性，但在恶劣天气条件下也难以完全解决检测问题。常见传感器优缺点对比如下：
| 传感器类型 | 检测距离（m） | 行人检测 | 目标检测 | 目标识别 | 功能 | 优点 | 缺点 |
| — | — | — | — | — | — | — | — |
| 相机 | 50 | ✓ | ✓ | ✓ | 依靠机器视觉算法检测和识别周围环境与物体，检测前方障碍物距离、定位和环境建模 | 能识别物体类型和信号灯颜色，成本低 | 受光照条件影响，依赖学习样本 | <