自动驾驶学习笔记（十四）——感知算法

#Apollo开发者#

学习课程的传送门如下，当您也准备学习自动驾驶时，可以和我一同前往：

 《自动驾驶新人之旅》免费课程—> 传送门

《Apollo 社区开发者圆桌会》免费报名—>传送门

文章目录

前言

感知算法

开发过程

测试和评价

Tips

总结

---

前言

        见《自动驾驶学习笔记（九）——车辆控制》

         见《自动驾驶学习笔记（十）——Cyber通信》

        见《自动驾驶学习笔记（十一）——高精地图》

        见《自动驾驶学习笔记（十二）——定位技术》

        见《自动驾驶学习笔记（十三）——感知基础》

感知算法

        自动驾驶感知系统的框架如下图所示：

        上述框架中每个感知模块的算法工作流程如下：

        无论是传统算法还是深度学习基础的算法，都遵循数据-前处理-表征学习-特征提取-算法任务-后处理到需要结果的pipeline，根据实际场景和业务需求的不同，前、后处理和表征学习过程可省略或者由End2End模型整体处理。其中核心的识别算法可以分为以下三种：

        监督学习：人工标注数据。

        半监督学习：可通过无监督学习自学习特征，再通过较少标注数据完成具体任务训练。

        无监督学习：无需人工预标注，e.g.强化学习。

开发过程

       感知算法的开发是一个数据闭环的过程，示例如下：

        第一个环节需要用到的数据，为已标注的的可供算法训练的数据，示例如下：

        后面各个环节需要用到一些专业的工具链，示例如下：

测试和评价

        自动驾驶感知算法的测试遵循单元测试到集成测试的顺序，示例如下：

        数据测试的原理如下：

        数据测试通常由如下几种指标：

        PA:像素准确率。预测类别正确的像素数占总像素数的比例。

        CPA: 类别像素准确率。在类别i的预测值中，真实属于i类的像素准确率。

        MPA : 类别平均像素准确率。分别计算每个类的CPA，然后累加求平均，MPA =sum(Pi)/类别数。

Tips

        实际工作中，算法要根据不同的硬件方案进行调整，从初期的选型到后期的部署，不仅要有整体层面的考量还要硬件、软件、算法、供应商团队的通力合作才能打造一款优质的产品。

        “算法是软件、硬件、场景、商务的......妥协。”——Pacal Meng

总结

        以上就是本人在学习自动驾驶时，对所学课程的一些梳理和总结。后续还会分享另更多自动驾驶相关知识，欢迎评论区留言、点赞、收藏和关注，这些鼓励和支持都将成文本人持续分享的动力。

        另外，如果有同在小伙伴，也正在学习或打算学习自动驾驶时，可以和我一同抱团学习，交流技术。

---

        版权声明，原创文章，转载和引用请注明出处和链接，侵权必究！

        文中部分图片来源自网络，若有侵权，联系立删。