这就是Apllo-3-感知

为什么要感知

想象一下，你在路上行驶，要眼观六路，耳听八方，其实这就是感知。但是很遗憾，无人车没有没有类似于人眼这类完善的感知器官，但是拥有大量的传感器和测量工具。有雷达和激光雷达，它们可以帮忙测量原始距离，可以得到与周围环境物体的距离。对于每个无人驾驶汽车，它的核心竞争力之一就是利用海量的传感器数据，来模仿人脑理解这个世界。谈论传感器时也会涉及到神经网络、深度学习、人工智能。

感知的任务

无人驾驶车有四个感知世界的核心任务：检测——指找出物体在环境中的位置；分类——指明确对象是什么；跟踪——指随时间的推移观察移动物体；语义分割——将图像中的每个像素与语义类别进行匹配如道路、汽车、天空。

这类就涉及到一个内容，分类。比如，系统拿到一个交通标志，应该要识别其中的含义，是要让车辆停下来，还是要注意行人。这些都涉及到分类。

分类的方法千奇百怪，但是主要的流程却大致相同。首先将获取到的图像进行预处理，转化为灰度图方便下一步识别，随后，提取灰度图的特征，比如这个标志是圆的还是方的，上面画了些啥之类的。最后，把特征输入分类模块，从而解析该图像的意义。

摄像头

摄像头图像是最常见的计算机视觉数据。

从计算机的角度来看，图像只是一个二维网格被称为矩阵，矩阵中的每个单元格都包含一个值，数字图像全部由像素组成，其中包含非常小的颜色或强度单位。

彩色图像比黑白图像稍微复杂一点。彩色图像被构建为值的三维立方体，每个立方体都有高度、宽度和深度，深度为颜色通道数量。大多数彩色图像以三种颜色组合表示红色、绿色。蓝色，称为RGB图像。

雷达

激光雷达传感器创建环境的点云表征，提供了难以通过摄像头图像获得的信息如距离和高度。激光雷达传感器使用光线尤其是激光来测量与环境中反射该光线的物体之间的距离，激光雷达发射激光脉冲并测量物体将每个激光脉冲反射回传感器所花费的时间。反射需要的时间越长，物体离传感器越远，激光雷达正是通过这种方式来构建世界的视觉表征。

识别算法

识别算法主要为：机器学习，神经网络，反向滤波。

机器学习是使用特殊算法来训练计算机从数据中学习的计算机科学领域。通常，这种学习结果存放在一种被称为“模型”的数据结构中，有很多种模型，事实上“模型”只是一种可用于理解和预测世界的数据结构。

人工神经网络用于无人驾驶，受到构成人类神经系统的生物神经元启发，生物神经元通过相互连接构成了神经元网络或神经网络，通过类似的方式将人工神经元层连接起来以创建用于机器学习的人工神经网络。

反向滤波：是基于通过神经网络后向传播的误差，可生成更准确的网络。一个训练周期：包括前馈、误差测定、反向传播还远远不够。为了训练网络，通常需要数千个这样的周期，最终结果应该是模型能够根据新数据做出准确预测。

检测和分类

感知任务中，首先是障碍物检测和分类，在驾驶过程中会遇到许多障碍物，静态障碍物包括树木、杆子、建筑物；动态障碍物包括行人，汽车。计算机首先需要知道障碍物的位置，然后进行分类。在路中行驶的无人驾驶车可能会探测到许多不同的物体，汽车根据所感知的物体类型来确定路径和速度。如果感知到前方有一辆自行车，汽车可能会决定减速和变道，以便安全驶过自行车。但是如果感知到前方有另一辆车，并预测到前方车辆也将以接近限速的速度行驶，可能会保持其速度和车道。

追踪

追踪在检测失败时是至关重要的，如果你在运行检测算法时，对象被其他对象遮挡一部分，则检测算法可能会失败，但追踪可以解决遮挡问题。另一个原因在于追踪可以保留身份，障碍物检测的输出为包含对象的边界框，但是对象没有与任何身份关联，单独使用对象检测时，计算机不知道一个帧中的哪些对象与下一帧中的哪些对象相对应，对汽车来说很困难。

分割

分割其实是语义分割，涉及对图像的每个像素进行分类，用于尽可能详细地了解环境并确定车辆可驾驶区域