无人驾驶实践入门——感知
计算机视觉：
最常用CNN卷积神经网络
四个核心任务：
检测
分类
跟踪
语义分割
图像分类器：
捕获图像—>预处理—>提取特征—>分类
为了完成这些步骤，需要建立模型
摄像头图像：
最常见的计算机视觉数据
图像是一个二维矩阵，矩阵中为像素值
大多数彩色图像可由红黄蓝三种图像组成，即RGB图像含有三层图像深度
LiDAR图像：
使用激光创建环境点云图像
通过激光脉冲反射时间测量距离
点云数据可以告诉形状、纹理信息等，可用于聚类分析、对象检测、跟踪等。
机器学习
训练学习结果并保存到称为“模型”的数据结构中。
应用场景：
金融机构用来预测股票、证券交易数据
零售企业用来预测需求
医生用来辅助医疗诊断
分类：
监督学习，标记数据
无监督学习，无标记数据
半监督学习，少量标记数据
强化学习，使用多种模型训练数据，提供奖励机制
人工神经网络
工作原理：
将人工神经元连接起来形成神经网络，通过机器学习进行训练模仿人脑工作
提取特征并调整权值
实现步骤：
前馈
误差测定
反向传播
卷积神经网络（CNN）：
特点：
对感知问题有效
多维输入
检测与分类
检测算法：
CNN定位对象
CNN分类
经典体系R-CNN
跟踪
检测失败时解决遮挡问题，保留对象内容
步骤：
特征匹配---->确定对象---->预测
语义分割
依赖于特殊CNN，即FCN（全卷积网络）
即在原始CNN后续加入解码部分
Apollo感知
ROI感知数据，应用于点云和图像
通过检测网络馈送已过滤的点云
使用检测跟踪关联的算法识别对象
使用高精度地图判断交通灯，检测网络进行定位，提取特征后交付分类网络来判断颜色
YOLO网络检测车道线和动态物体，在线监测模块对预测进行调整
感知数据比较
卡尔曼滤波
分别有同步融合和异步融合两种传感器数据处理方式