关于自动驾驶路线之争的一些思考

自动驾驶行业内一直存在两个路线之争,一个是感知方案之争,一派认为应该走纯视觉路线,一派认为应该走视觉与雷达的融合路线;另一个是无人驾驶的实现路径之争,一部分认为需要走从L1逐步迈向L4的渐进式路线,另一部分认为应该走直达L4的跨越式路线。

本文将分别分析下这两种路线之争中不同模式的区别,并提出一些思考。

1. 感知方案:纯视觉 VS 多传感器融合

汽车实现自动驾驶首先需要能够“看见”周围环境,并对环境内的各种静态、动态物体有一定的认知,这个过程便是自动驾驶的“感知”,感知需要依赖安装在车体上的各种传感器实现,例如摄像头、激光雷达、毫米波雷达等等。

目前主流的感知方案有两种,一种是以Waymo为代表的多传感器融合方案,即同时使用摄像头和雷达采集信息,分别利用摄像头和雷达特点,处理各自擅长的数据类型和任务,并将处理结果进行融合得到统一的感知结果;一种是以Tesla为代表的纯视觉路线,即仅使用摄像头作为传感器进行信息采集,构建纯计算机视觉网络进行感知结果输出,类似于人眼的感知模式。

先来看下这几种不同传感器的能力特性:

(1)激光雷达:主动传感器,通过发射红外激光并接收反射光的方式判断物体距离,视距范围一般在30~200米,对于特别近的物体很难探测到,空间分辨率较高(角度精度可达0.1度),速度测量精度较低,在黑暗中鲁棒性好,但在雨、雪、雾天气下鲁棒性差,能对物体进行大致分类,但无法识别如车道线、交通标识等二维结构。

(2)毫米波雷达:主动传感器,与激光雷达工作原理类似,区别是使用无线电波而不是激光,视距范围比激光雷达更大,尤其是对近距离物体的探测,毫米波雷达可以实现在1米范围内探测到物体,但毫米波雷达的空间分辨率较低,随着距离增加,对于小特征的分辨能力降低,不过毫米波雷达利用多普勒频移可以直接测量速度,同时在黑暗、雨、雪、雾天气下均能保持良好的鲁棒性,此外,毫米波雷达对物体的分类性能较差,同样也无法识别二维结构。

(3)摄像头:被动传感器,通过被动感光成像来进行识别感知,理论上单摄像头无法准确识别物体距离,立体摄像头可以测量距离,但范围有限,不过实际上特斯拉通过识别算法已经逐步实现了仅通过摄像头测量物体深度,空间分辨率取决于摄像机的参数,在分辨维度上多于激光雷达和毫米波雷达,可以同时识别到物体颜色等信息,通过物体在图像上时空信息可以计算速度,同时对物体的分类多样性更强,且能够识别车道线等二维结构,但是摄像头目前在黑暗、雨、雪、雾等恶劣环境条件下的鲁棒性很差。

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值