关于自动驾驶技术栈的一点思考【欢迎交流】

本文主要讨论新的基于机器学习的自动驾驶技术栈，传统的SLAM不在讨论范畴

感知

目前的感知主要分为针对视觉（图片）的感知，和对激光雷达获取的点云的感知，以及针对两者融合的感知。

视觉感知

BEV空间

Occupancy Network

Object Detection

PV空间

激光感知

定位

目前的定位主要有视觉定位和激光定位，也有一些融合定位的方法。
常用的方法SuperPoint, SuperGlue, ACE

矢量化

主要是提取建模道路面上的车道线等地面标志信息。以及一些杆牌等信息。

建图

建图实际上是一个包括了感知定位矢量化的过程，当然如果是图商，还涉及到一系列的相对精度和绝对精度的工艺要求，以及后续corner cases的人工参与来保证交付标准。

决策规划

---

从我目前的理解来看，自动驾驶相关的技术，大体可以分为这五个模块，建议从一个方面入手，逐渐生成对全局的理解领悟。

未来的主流趋势，是端到端的感知建图定位，传统的SLAM方法，比如VIO，LIO等目前还有不少厂商在用，但是随着技术升级，深度学习的不断迭代，这些方法都会被替换掉，因为比起基于规则的方法，数据驱动的方法才有着不断迭代进化的能力，这也是我们通往更强大，更广泛的人工智能的必经之路。
当然提到了数据驱动，目前还有一个技术就是仿真平台, 仿真平台可以生成高精度的训练数据,用于自动驾驶模型的初步训练,然后再用真实世界的数据进行fine tune, 这样做的一个目的是为了节约数据采集的成本,当然,随着时间的推移和数据的积累,数据还是否会是一个瓶颈?这是个问题.

---

思考: 自动驾驶技术,能否迁移到其余的地方?机器人领域?三维重建领域?自动化的矿山开采以及其他领域?物流领域?

在人工智能的时代, 很多时候想象力比技术本身更加重要.