最后一篇文章分析了自动驾驶招标问题中的一系列法律问题。接下来，自动驾驶招标系列将进一步梳理自动驾驶相关技术和知识点，帮助合作伙伴深入了解自动驾驶结构逻辑与数据招标工作的关系。
上面提到的关键点是环境感知技术收集的环境感知数据是否属于测绘方法的管辖范围，那么环境感知技术包含什么呢？本文从以下两个方面进行了分享：
自动驾驶汽车依赖于外部世界和自身的感知。目前，自动驾驶汽车的传感器主要包括摄像头、激光雷达、毫米波雷达和超声波雷达。
- 相机可以收集汽车周围的图像信息，垂直视角广，纵向分辨率高，并提供衍射和纹理信息。可以识别丰富的环境语义信息，如、、、、、、等待信息。从而实现和。 摄像头依据图像检测原理分为：
芯片类型可分为：
-
- CCD（Charge Coupled Dvice）感光耦合组件CCD主要材料为硅晶半导体，基本原理相似CASIO通过光电效应，计算器上的太阳能电池从感光组件表面感应光源，从而转化为存储电荷的能力。 当CCD当快门打开表面时，当镜头进来的光线照射时，光的能量会转化为电荷。光线越强，电荷越多，这些电荷就成为判断光强度的基础。 CCD在组件上安排信道线，将这些电荷传输到放大解码原件，以恢复所有电荷CCD上感光组件产生的信号构成了一幅完整的画面。
- CMOS（Complementary Metal-Oxide Semiconductor）互补氧化金属半导体CMOS材料主要是由硅和锗制成的半导体CMOS上共存着带N（带-电）和P（带 这两种互补效应产生的电流可以被处理芯片记录并解释为图像。
：
-
-
- 成本低
- 分辨率高
- 收集到的信息非常丰富
-
：
-
-
- 在背光、光影复杂、夜间、雨雪、雾能见度低的情况下，对光照变化和天气条件敏感，难以使用。
- 相机对象的识别受训练样本的限制，样本未覆盖的物体将无法识别。
- 车载摄像头缺乏准确的三维信息
-
- LiDAR（Light Detection and Ranging，激光雷达)在红外和可见光波段工作，以激光为工作光束，检测目标的位置和速度，一般由激光发射器、接收器、时间计数器、微机等组成。 激光测距精度高，可达厘米级。车顶安装了许多自动驾驶汽车的激光雷达，通过高速旋转360°扫描，获取周围空间的点云数据，实时绘制车辆周围的三维空间地图，为下一步的车辆控制建立决策依据。
- 可获得极高的角度
- 距离分辨率(分辨率可达0.1°，距离分辨率可达0.1m）
- 同时跟踪多个目标
- 抗有源干扰能力强，自然界中能干扰激光雷达的信号源不多
- 获取丰富的信息，可以直接获取目标的距离、角度、反射强度、速度等信息，从而产生目标的多维图像。
-
- 对光线和天气条件敏感，工作时受天气条件影响较大，晴天衰减较小，传播距离较远。大雨、雾等恶劣天气衰减较大，影响传播距离。
- 激光雷达接受光信号，也容易受到阳光等车辆的影响。
- 其他传感器必须完成难以获取颜色、纹理信息、区分交通标志意义和红绿灯颜色的任务。
- 毫米波雷达是一种在毫米波段工作的雷达。由于毫米波雷达具有很强的穿透性，可以很容易地穿透保险杠上的塑料，因此经常安装在汽车的保险杠上。：
- 能够准确测量自动驾驶汽车与周围车辆的距离，帮助提供变道辅助、自主控制速度、碰撞预警等
- 毫米波导引头具有很强的穿透烟雾的能力，其精度受天气和环境因素的影响较小，基本上可以保证各种日常天气的正常运行
：
-
- 毫米波雷达发射机功率低，波导器件的损耗大
- 由于行人的后散射截面较弱，如果需要探测行人，则需要降低雷达的探测阈值，其负面影响可能会出现更多的虚报物体。
- 超声波雷达发射并接收40kHz根据时差计算障碍物距离的超声波，其测距精度约为1~3cm。超声波的指向性强，能量消耗缓慢，遇到障碍物后反射效率高，是测距的良好载体。：
- 一种是安装在汽车前后保险杠上的倒车雷达，称为UPA(超声波驻车辅助传感器)
- 另一种是安装在汽车侧面的超声波雷达，用于测量侧面障碍物的距离，称为APA(辅助自动停车传感器)
：
-
- 能耗相对较慢
- 防水防尘，即使有少量的沉积物遮挡，也不会影响
- 介质中的传播距离较远
- 穿透性强
- 测距方法简单
- 不受光线条件的影响
- 短距离测距商有很大的优势
：
-
- 超声波波速受温度影响，对温度敏感
- 超声波收射角大
- 方向性较差
- 无法准确描述障碍物的位置
- 回波信号较弱，影响测量精度。
- 在图像测量过程和机器视觉应用中，需要建立摄像头成像的集合模型，以确定空间物体的三维集合位置与图像对应点之间的关系； 由于每个镜头的畸变程度不同，镜头畸变可以通过摄像头校正生成校正图像，因此摄像头的参数校准非常关键，校准结果的精度和算法的稳定性直接影响摄像头结果的准确性。 对于自动驾驶汽车，多个车载摄像头通常安装在一定的角度和位置。为了将不同摄像头捕获的数据与真实场景相结合，还必须校准多个摄像头的外部参数。 摄像头的校准方法分为内参数校准和外参数校准。：在相关建立过程中，与焦距、主点、传感器等设计技术指标有关，与外部因素（如周围环境、相机位置）无关。：自动驾驶通常使用多摄像头捕捉每个视角的视觉信息。为了综合多视角信息，需要确定它们之间的相对位置关系。 两个摄像头之间的相对位置（R,t）有六种自由度，即空间位置（x,y,z）与旋转关系（a,p,y），理论上，只要两个摄像头同时获得空间中的三个点，就可以恢复两者之间的相对姿态。 从3对应点恢复摄像头之间的相对姿势称为P3P(透视三个问题)。实际上，通常使用三个以上的点来恢复相对上的点来恢复相对的姿势，P3P问题被推广为PnP问题。 在自动驾驶汽车中，型的外参标定有双目摄像头的外参标定、长焦摄像头与广角摄像头的外参标定。
- 激光雷达与摄像机同样作为自动驾驶汽车的感知传感器，拥有高于摄像机的深度信息，因此也是自动驾驶不可或缺的传感器。 激光雷达在使用之前也需要对其内外参数进行标定，即内部激光发射器坐标系与雷达自身坐标系的转换关系，这通常在生成厂商交付产品时已经标定完成，可以直接使用。 而激光雷达的外参标定，即激光雷达吱声坐标系与车辆坐标系的转换关系，以及多个激光雷达之间的转换关系。激光雷达与车辆坐标系之间是刚性连接，因此仅需要在激光雷达安装时进行标定，使激光雷达数据正确从激光雷达坐标系系统转换至车辆坐标系上，而多个激光雷达的联合标定通常会通过各激光雷达与车辆坐标系标定结果推导得到。
- 在自动驾驶汽车上，激光雷达与自动驾驶汽车间是刚性连接，相对姿态和位移固定不变，激光雷达扫描的数据点在环境坐标系中有唯一的位置坐标与之对应。 同样在环境坐标系中，摄像机也有一个固定的位置坐标，因此激光利达与摄像机之间存在着固定的坐标变换 激光雷达与摄像机联合标定是通过提取标定对象在单线激光雷达和图像上的对应特征点，实现单线激光雷达坐标、摄像头坐标、图像像素坐标等多个传感器坐标的统一，实现激光雷达与摄像机的空间校准。 对摄像机外参标定、激光雷达外参标定后，可以完全确定二者之间的关系，并将激光雷达扫描点投影到图像像素坐标系中。
环境感知与识别的信息来源主要通过自动驾驶汽车上的各种传感器捕捉，而传感器捕获的原始数据并不具有显而易见的语义信息，规划与决策系统难以直接使用，因此通常采用计算机视觉的方法，对传感器捕获的原始信息进行分析处理，得到该系统可以使用的语义信息。
自动驾驶汽车的环境感知对象主要包括道路、周边物体及交通标志。
- 道路分为结构化道路和非结构化道路：
- 结构化道路：包括车道线、道路边缘、道路隔离物、不良路况标识。
- 非结构化道路：包括可行路径识别、道路环境识别。
- 周边物体主要包括：车辆、行人及地面上其他可能影响车辆形式的障碍物。
- 交通标识主要包括：红绿灯检测、限速标志等的检测。
以上就是自动驾驶环境感知部分涉及到的车辆感知中车载传感器及车载传感器标定的一些基本知识点，也是我们在做自动驾驶相关采标工作必须了解和掌握的内容。自动驾驶相关采标项目依然占据了标注行业的半边天，希望在我自己不断学习的过程也可以帮助小伙伴们一起成长。
-----------------------完---------------------
公众号：AI数据标注猿
知乎：AI数据标注猿
CSDN：AI数据标注猿
-----------------------完---------------------