
上QQ阅读APP看本书,新人免费读10天
设备和账号都新为新人
1.4 面临的困难和挑战
无人驾驶感知面临的困难和挑战有以下几点。
(1)感知场景是复杂的。感知不仅要识别出常见的车辆、拥挤的行人、自行车等,也要识别出一些标志物、警示物、施工点和动物等,如图1.9所示。

图1.9 感知场景的复杂性
(2)类内差异大。虽然都是货车和摩托车,但是外观差异很大,如图1.10所示。

图1.10 类内的差异性
(3)类间差异小。如图1.11所示是激光雷达得到的点云数据,由于缺少了纹理信息,货车、公交车等车在激光雷达中看到的区别很小。
(4)未定义的类别。如图1.12所示,感知过程中会有一些诸如倒下的单车、轮胎、玩具等未定义的物体出现。
(5)恶劣天气影响。如图1.13所示,这些天气对激光雷达和RGB摄像头的成像都会有较大影响。

图1.11 激光雷达得到的点云数据

图1.12 未定义的类别

图1.13 恶劣天气的影响
(6)噪声。如图1.14所示,在汽车行驶的过程中,不仅有传感器的噪声,也会有环境的噪声,如路面溅起的水花、扬起的灰尘。

图1.14 噪声
(7)移动端的实时性和功耗。无人驾驶的算法复杂,传感器获得的数据量多,但由于功耗限制,无人驾驶车载计算单元的算力非常有限,同时无人驾驶需要满足低延时的要求。所以,要求感知模块需要在有限算力的基础上对数据进行实时处理。