20210120【无人驾驶场景3D物体检测与跟踪】Panel环节_哔哩哔哩_bilibili
重点关注的问题：
如何解决小样本问题，样本不均衡问题？
1. 深度学习是一个模块，以安全和效率作为目标，其中有一个平衡；
不是只针对深度学习模型，感知系统还包含后续的一些fusion模块，解释性和安全性是从整个系统的考虑；
corner case，要有相对应的迁移解决的方法。
2. 数据闭环，通过实际的海量数据，去解决长尾问题；
仿真模拟，去解决长尾问题；
3. 针对小样本增加loss的权重，提升模型对小样本的关注度；
4. 可解释性不妨碍实际的使用；
如何让视觉感知系统发挥作用？
1. 图像在一些预测算法中，还要挖掘，比如车辆转向灯
2. 远距离，视觉有优势，高清摄像头？
3. l2,纯视觉可能；l4，激光是有必要的。
建议：
1. 3D 视觉，多视角几何的相关知识
2. 和上下游结合，不要被感知框架限制
相机和lidar的噪声处理
激光雷达的点云的corner case，雨水，雾气，高反，鬼影等问题的处理
3. 从解决实际问题出发，用基础简单的想法去出发
20220907【自动驾驶感知】Panel_哔哩哔哩_bilibili
感知距离解决还有多远？
1. 以人的标准，永远没法被解决；domain and basic knowledge
完成自动驾驶功能，没有必要去解决所有的问题，关注真正有价值的感知系统，需要结合上下游。
2. 公开数据集上的涨点，并不一定更有力，而是要在一些关键目标上有提升，比如和规控真正有交互的目标上要有提升。
如何定义关键目标？而不是所有目标都一致评估。
目前的情况还是不能满足aeb的要求，目前工业界更多的是保准确率，放弃一定的召回的指标，保证客户的舒适性。
特殊的目标，也很难解决，小的障碍物等等。
长尾问题如何解决？
1. 不能只靠深度学习算法，也要依赖一些传统的精度可能不是特别高的算法，做一个很好的融合，以保证安全或者效率。