学习笔记1--自动驾驶环境感知概述

1. 智能驾驶车辆获取和处理环境信息主要用于状态感知和处理V2X(车对外信息交换)网络通信；
2. 状态感知主要通过车载传感器收集和处理周围和车辆的环境状态信息，主要包括交通状态感知和车身状态感知；
3. V2X网络通信是实现智能驾驶车辆与外部设施、汽车之间的互联互通、信息共享和协同控制，结合现代通信和网络技术；
4. 环境感知需要各种车载传感器通过各种算法处理和分析原始输入数据，实时获取周围环境的信息；
5. 环境感知是硬件设备(即感知设备)和软件算法(即感知技术)的统一体；
6. 硬件设备是感知的物理基础，主要指激光雷达、毫米波雷达、机器视觉系统、红外传感器、超声传感器、惯性系统、多传感器信息集成系统、多源信息交互系统等各种车载传感器；
7. 每个传感器可以获得不同的局部信息，相互补充。多传感器集成可以显著提高系统的冗余和容错性，确保决策的快速性和正确性；

常用传感器介绍：

1. 视觉。
   1. 摄像头获取的信息更直观，更接近人类视觉；
   2. 机器视觉系统通过摄像头从不同角度获取环境信息；通过图像增强、雾等技术预处理原始输入图像，将处理后的图像发送到视觉分析模块，计算机通过数字图像处理技术和计算机视觉算法分析图像或视频，实现分类、分割、检测和跟踪，提取车道线、行人、车辆、障碍物的位置、尺寸、速度和方向信息，报警并紧急处理可能的危险情况；
   3. 机器视觉具有监控范围广、信息量大、成本低等优点；
   4. 视觉能见度低、光照过弱或反射的场景对其性能影响较大，不能全天候工作；
2. 激光雷达。
   1. 激光雷达通过电磁波获取目标位置、速度信息和周围环境的三维特征；
   2. 激光雷达原理：通过向目标发射激光信号，通过分析目标反射信号获取信息；根据目标密度信息，可以轻松识别汽车、行人、路障、树木、路灯等常见目标；
   3. 激光雷达：
      1. 激光雷达分辨率高，测距精度高，角分辨率高，速度分辨率高，测量范围大，抗干扰能力强；
      2. 激光雷达价格较高，体积较大，频率相近的激光雷达间存在相互干扰；
      3. 激光雷达受天气影响较大，在雾霾、雨雪等能见度较低的环境中，激光雷达的探测距离迅速下降；
   4. 激光雷达分类：
      1. 单线雷达：由高同频脉冲激光测距仪和旋转扫描仪组成；通过发射激光束扫描区域，返回发射点到扫描位置的距离和角度；
      2. 多线雷达：激光雷达同时发射两个或两个以上的激光束；
3. 毫米波雷达。
   1. 毫米波雷达是唯一能全天候工作的传感器；
   2. 毫米波雷达具有体积小、角分辨率高、频带宽、探测距离长、抗干扰能力强等优点；
   3. 毫米波雷达比激光雷达具有更好的指向性和穿透性；
   4. 毫米波雷达无法探测平行平面中的目标信息；
4. 超声波雷达。
   1. 传感器采用超声波避障，能耗慢，介质传播距离长，穿透性强，测距方法简单，成本低；
   2. 超声波传感器的探测距离为1~5m，一般用于数据简单、实时要求高的场景；如倒车报警系统、近距离障碍物检测；
5. 惯性导航系统。
   1. 惯性导航系统不依赖外部信息，以陀螺仪和加速度计为敏感设备的导航参数解决系统，根据陀螺仪的输出建立导航坐标系，根据加速度计的输出解决导航坐标系中载体的速度和位置；
   2. 惯性导航系统根据已知点的位置和速度计算当前的加速度、速度和位置；
   3. 惯性导航屏蔽性较好，基本不受天气条件的限制；惯性导航由于定位信息是通过对时间的积分获得的，因此误差会随着时间的积累而增加；
6. 多传感器融合。
   1. 对于多传感器互补信息，采用多源信息集成技术分析、加权、综合原始数据，实现各传感器互补优势，提高容错率，减少视觉盲点；
   2. 对于多传感器矛盾的信息，由于处理器只能同时对某个动作做出决定，因此必须筛选和删除原始数据；
   3. 传感器集成：数据级集成、特征级集成、决策级集成；
      1. 数据级融合(像素融合)：通过整合像素级图像，增加边缘、纹理等细节特征；
      2. 特征级融合：原始数据提取的特征向量融合，特征融合效果一般优于原始数据融合；
      3. 决策级融合:根据多个传感器提取和逻辑操作同一目标的观察数据，根据需要做出高级决策；
   4. 数据集成的前提：各传感器之间的校准，目的是实现各传感器坐标系之间的转换，将不同传感器映射到同一时空参考系；
   5. 传感器校准是集成的基础，包括：校准每个传感器本身和每个传感器坐标系之间的相互转换关系；
      1. 激光雷达标定：指激光雷达的坐标映射到统一车体坐标系中以便数据处理；
      2. 摄像头校准：指图片中像素点坐标与真实环境位置的映射关系；