今天我主要想分享自動駕駛感知技術在探索的過程中，采用的傳統(tǒng)方法和深度學習方法。傳統(tǒng)方法不代表多傳統(tǒng)，深度學習也不代表多深度。它們有各自的優(yōu)點，也都能解決各自的問題，最終希望將其結合起來，發(fā)揮所有方法的優(yōu)點。

感知系統(tǒng)簡介

首先介紹下感知系統(tǒng)。感知可以被看作是對周圍世界建模的過程，比如車輛在行駛過程中，需要知道其他物體的地理位置、速度、運動方向、加速度等各種各樣的信息，自動駕駛系統(tǒng)接收這些信息之后，再通過后續(xù)的規(guī)劃和控制模塊來對車的運動做真正的調(diào)節(jié)。

感知可以類比為人類眼睛的功能，即觀察周圍世界的能力：

◆采用的傳感器：激光雷達、照相機、毫米波雷達等。

◆幀信號處理：多傳感器深度融合、物體分割、物體檢測、物體分類。

◆物體追蹤：當有多幀信息之后，可以推算速度、加速度、方向等更有意義的信息，甚至可以用多幀的信息調(diào)整物體分割的結果。

◆道路特征分析：對道路特征進行理解，比如交通信號燈、交通指示牌等。

感知可以認為是自動駕駛系統(tǒng)的基礎部分，假如感知不到這個世界，就談不上對這個世界做出反應，更談不上后續(xù)的路徑規(guī)劃和車輛控制的過程。

2D物體檢測

我今天主要介紹關于物體檢測部分，因為必須先有了準確的物體檢測和分割結果，我們才能對物體做出準確的分類、追蹤等。我首先介紹下2D物體檢測。

2D物體檢測是指以2D信息作為輸入（input）的檢測過程，而典型的2D輸入信息來自于照相機。

傳統(tǒng)2D物體檢測方法及缺點

傳統(tǒng)的 2D 信息檢測方法是使用檢測框遍歷圖片，把對應的圖片位置摳出來之后，進行特征提取，用 Harris計算子檢測角點信息，Canny計算子檢測邊緣信息等。物體特征被提取并聚集在一起后，通過做分類器（比如SVM），我們可以判斷提取的圖中是否存在物體，以及物體的類別是什么。

但傳統(tǒng) 2D 物體檢測方法存在不足：

檢測物體時，需要預置檢測框，對不同物體需要設置不同的檢測框。

自動駕駛需要高級的組合特征，而傳統(tǒng)方法提取的特征維度比較低，對后續(xù)的分類會造成比較大的影響。

基于深度學習的2D物體檢測

卷積神經(jīng)網(wǎng)絡的出現(xiàn)，解決了部分傳統(tǒng)2D物體檢測方法的不足。

卷積神經(jīng)網(wǎng)絡首先是多層感知機加卷積操作的結合，它的特征提取能力非常不錯。因為卷積神經(jīng)網(wǎng)絡經(jīng)常會有幾十、上百個卷積，使其具備高維特征提取能力。

其次，通過 ROI pooling和RPN，整張圖可以共享同樣的特征，物體檢測時不用遍歷整張圖片，還可以在單次操作中對圖片中所有物體進行檢測。這種檢測方法使物體檢測模型真正具備了應用于實際場景中的性能。

目前基于卷積神經(jīng)網(wǎng)絡的2D物體檢測有兩類分支：

◆Anchor Based Methods：跟傳統(tǒng)方法比較類似，先預置檢測框，檢測過程則是對預設框的擬合過程。

RCNN（fast，faster）

SSD（DSSD）

YOLO（v1，v2，v3）

RetinaNET

◆Anchor Free Methods：直接對照特征金字塔的每個位置，回歸對應位置上，判斷物體是否存在、它的大小是多少等。這類方法是2018年底開始大量出現(xiàn)的，也是未來的一個發(fā)展方向。

CornerNet

FSAF

FCOS

這是路測場景中的一個真實檢測案例（上圖），2D 物體檢測已經(jīng)應用于檢測路面上一些小物體。

同時遠距離物體檢測也是2D物體檢測中關注的重點。受限于激光雷達和毫米波雷達的物理特征，遠距離物體缺乏良好的檢測效果，而照相機在這方面比較有優(yōu)勢，可以和其他的檢測方法進行互補。

2D物體檢測面臨的問題

物體相互遮擋

但是采用照相機做 2D 物體檢測不可避免要面臨一些問題。因為照相機回饋的圖像只有兩個維度，當兩個物體堆疊時，對一個神經(jīng)網(wǎng)絡而言，圖像的特征就比較聚集。

一般做物體檢測的過程，會用一些非極大值抑制的方法，對檢測結果進行后處理，當特征結果非常密集的時候，這種方法往往會受到影響。

成像質(zhì)量波動

照相機是可見光設備，因此會受到光照強度的影響，成像質(zhì)量出現(xiàn)波動。但我們總是希望圖中的特征不管是在哪個位置，都能得到足夠的表達。

例如，2D圖像中遠處的車燈和路燈很難區(qū)分開，導致可能都被檢測為車或者路燈。在這種情況下，特征總會難以區(qū)分。

測距 另一個的問題就是測距問題。因為照相機是被動光源的設備，它不具備主動測距的能力。

如果希望借助照相機進行物體測距，就需要做很多的假設或者求解一些病態(tài)的數(shù)學問題，用以估算車與物體的距離。但這個結果通常不如主動測距設備的結果，比如激光雷達和毫米波雷達。

3D物體檢測

正是因為照相機存在上面提到的問題，所以我們物體檢測也使用了其他的傳感器，將它們的結果共同結合起來，最終達到更可靠的檢測效果。

什么是3D物體檢測？

3D物體檢測，顧名思義就是把3D的一些數(shù)據(jù)坐標，聚集起來進行物體檢測。比如激光雷達，類似于我們拿一支激光筆不斷掃描周圍，它會提供相對明顯的信息。當把3D數(shù)據(jù)聚集起來之后，我們可以用來推測周圍物體的位置，大小，朝向等等。

3D物體檢測一個很大的好處就是，我們在2D物體檢測中很難區(qū)分的物體，有了3D數(shù)據(jù)提供的距離信息之后，將更容易從距離的維度上分開。這樣感知系統(tǒng)在進行物體分割的時候能使用的信息更多，達到一個更好的工作效果。

傳統(tǒng)3D分割方法及限制

傳統(tǒng)的 3D 分割方法包括：

Flood Fill

DB scan

Graph Cut

它主要是利用一些點的距離信息、密度信息或者點的一些天然屬性，比如它的強度，把物體聚類分割。

傳統(tǒng)分割方法也存在不少限制，首先是過度分割。

比如上圖中的異形車，由于車尾和車頭之間有縫隙，在 3D 檢測中，它可能會被分割成多個物體，因為點和點之間有間隙，在激光雷達檢測時呈現(xiàn)的是離散信息，就會出現(xiàn)過度分割。

傳統(tǒng)分割方法的另一個問題是分割不足。

我們將上圖出現(xiàn)的情況稱為“三人成車”，就是當三個人離的很近的時候，有可能被傳統(tǒng)分割方法識別成一輛車。

基于深度學習的3D分割方法

當深度學習與卷積神經(jīng)網(wǎng)絡引入到 3D 物體檢測中時，我們發(fā)現(xiàn)傳統(tǒng)3D分割方法遇到的問題得到較好解決。

首先讓點云信息進行特征工程，即將點的位置、反射強度、高級特征聚合在一起，組織成類似圖片或者圖的關系。隨后進行卷積神經(jīng)網(wǎng)絡特征提取，再進行多幀特征的聚合（它的意義是對運動的物體有一個更好的反映），最后輸出物體的位置、聚類信息、物體速度。

通過上述深度學習方法，“三人成車”的情況得到避免。系統(tǒng)不僅可以提取人的距離關系，還可以提取到更多的高級信息，比如在點云變化中，人類的點云形似長的柱體，而自行車類似于小山一樣的點云分布，這樣感知系統(tǒng)可以了解這些障礙物不屬于同一物體，而將其割離開。

深度學習3D分割方法的限制

另一方面，我們也要認識到深度學習分割方法也可能面對的挑戰(zhàn)。

◆結果的不完全可控：首先卷積神經(jīng)網(wǎng)絡經(jīng)常有幾百層的卷積層，參數(shù)總量可能有百萬級，并且是自動學習的，這可能會導致對網(wǎng)絡的輸出缺少把控。換句話說，系統(tǒng)無法預期數(shù)據(jù)輸入（input）后會得到怎樣的數(shù)據(jù)輸出，于自動駕駛而言，這是比較致命的。因為自動駕駛對場景的召回率和精度有非常高要求，如果車輛在行駛中，前面的一位行人miss（丟失），這是極其嚴重的隱患。

◆無法保證100%的召回（recall）：如上圖所示，垃圾桶和行人的特征其實非常相似，那么深度學習可能會出現(xiàn)把人學成了垃圾桶，最后導致行人在感知系統(tǒng)中出現(xiàn)丟失的情況。

◆易導致過擬合：由于卷積神經(jīng)網(wǎng)絡有非常好的特征提取能力，固定的數(shù)據(jù)集訓練可能導致神經(jīng)網(wǎng)絡過擬合。例如同樣的數(shù)據(jù)集訓練后，在北京路測的表現(xiàn)很好，但是當?shù)竭_一個新的城市進行測試時，因為路面特征和北京有所區(qū)別，可能導致物體分割效果下降，這對感知系統(tǒng)非常不友好。

優(yōu)點兼得：傳統(tǒng)方法和深度學習方法的結合

為了解決分割方法的限制，我們的想法是將傳統(tǒng)方法和深度學習方法的結果進行結合：

◆使用深度學習的分割結果調(diào)整傳統(tǒng)分割方法的結果。

◆使用傳統(tǒng)分割方法的結果補足深度學習結果的召回。

◆基于多幀追蹤的概率模型融合：比如利用馬爾可夫分布的特點、貝葉斯的方法對多幀數(shù)據(jù)進行一定的平滑，以得到更好的效果。

通過傳統(tǒng)方法和深度學習方法的相互結合與補充，我們最終可以實現(xiàn)優(yōu)點兼具的物體檢測策略。

做自動駕駛真的是一個很崎嶇的旅程，不斷的解決問題之后又出現(xiàn)新的問題，不過正是因為過程的艱難，才帶來更多的快樂。

感知系統(tǒng)基本介紹

Perception（感知）系統(tǒng)是以多種傳感器的數(shù)據(jù)與高精度地圖的信息作為輸入，經(jīng)過一系列的計算及處理，對自動駕駛車的周圍環(huán)境精確感知的系統(tǒng)。

它能夠為下游模塊提供豐富的信息，包括障礙物的位置、形狀、類別及速度信息，也包括對一些特殊場景的語義理解（例如施工區(qū)域，交通信號燈及交通路牌等）。

感知系統(tǒng)的構成與子系統(tǒng)

◆傳感器：涉及到傳感器的安裝，視場角，探測距離，數(shù)據(jù)吞吐，標定精度，時間同步等。因為自動駕駛使用的傳感器比較多，時間同步的解決方案至關重要。

◆目標檢測及分類：為了保證自動駕駛的安全，感知系統(tǒng)需要達到近似百分之百的召回率及非常高的準確率。目標檢測及分類往往會涉及到深度學習方面的工作，包括3D點云及2D Image（圖片）上的物體檢測及多傳感器深度融合等。

◆多目標追蹤：跟進多幀的信息計算并預測障礙物的運動軌跡。

◆場景理解：包括交通信號燈，路牌，施工區(qū)域，以及特殊類別，比如校車，警車。

◆機器學習分布式訓練基礎架構及相關評價系統(tǒng)

◆數(shù)據(jù)：大量的標注數(shù)據(jù)，這里包括3D點云數(shù)據(jù)及2D的圖片數(shù)據(jù)等。

傳感器詳解

目前自動駕駛應用的傳感器主要分為三類：激光雷達（LiDAR），相機（Camera），毫米波雷達（Radar）。

開頭提到，感知系統(tǒng)的輸入為多種傳感器數(shù)據(jù)和高精地圖，而上圖展示了感知系統(tǒng)物體檢測的輸出結果，即能夠檢測車輛周圍的障礙物，如車輛、行人、自行車等，同時結合高精度地圖，感知系統(tǒng)也會對周邊的Background（環(huán)境背景）信息進行輸出。

如上圖所示，綠顏色的塊狀代表一輛乘用車，橙色代表一輛摩托車，黃色代表一位行人，灰色則是檢測到的環(huán)境信息，如植被。

感知系統(tǒng)結合多幀的信息（上圖），還能對運動的行人和車輛的速度、方向、軌跡預測等進行精確的輸出。

傳感器配置與多傳感器深度融合

了解了關于感知系統(tǒng)從輸入到輸出的大致介紹，接下來，我簡要介紹一下小馬智行第三代自動駕駛系統(tǒng)PonyAlpha的傳感器安裝方案以及多傳感器深度融合的解決方案。

傳感器安裝方案

目前PonyAlpha傳感器安裝方案的感知距離能夠覆蓋車周360度、范圍200米以內(nèi)。

具體來看，這套方案用到了3個激光雷達，在車的頂部和兩側。同時，通過多個廣角的攝像頭來覆蓋360度的視野。遠處的視野方面，前向的毫米波雷達以及長焦相機將感知距離擴到200米的范圍，使其可以探測到更遠處的物體信息。這套傳感器配置能保證我們的自動駕駛車輛在居民區(qū)、商業(yè)區(qū)、工業(yè)區(qū)這樣的場景進行自動駕駛。

多傳感器深度融合解決方案

多傳感器深度融合的基礎 多傳感器深度融合的方案首要解決的是將不同的傳感器的數(shù)據(jù)標定到同一個坐標系里，包括了相機的內(nèi)參標定，激光雷達到相機的外參標定，毫米波雷達到GPS的外參標定等等。

傳感器融合重要前提是使標定精度達到到極高水平，不論對于結果層面的傳感器融合還是元數(shù)據(jù)層面的傳感器融合，這都是必要的基礎。

通過上圖你會發(fā)現(xiàn)，我們的感知系統(tǒng)將3D的激光點云精準地投射到影像上，可見傳感器標定的精度是足夠高的。

不同傳感器的標定方案 整個傳感器標定的工作基本上已做到完全自動化的方式。

首先是相機內(nèi)參的標定（上圖），這是為了修正由相機自身特性導致的圖像扭曲等。相機內(nèi)參的標定平臺使每一個相機能夠在兩到三分鐘之內(nèi)完成傳感器的標定。

其次是激光雷達與GPS/IMU的外參標定（上圖），激光雷達的原始數(shù)據(jù)是基于雷達坐標系，因此我們需要將點由雷達坐標系轉換為世界坐標系，這就涉及到激光雷達與GPS/IMU相對位置關系的計算。我們的標定工具在室外通過優(yōu)化的方案，能夠快速找到最優(yōu)的位置關系。

第三是相機到激光雷達的融合（上圖）。激光雷達的感知環(huán)境是360度旋轉的方式，每旋轉一周是100毫秒，而相機是某一瞬時曝光，為了保證相機的曝光與激光雷達的旋轉保證同步，需要對二者進行時間同步，即通過Lidar來觸發(fā)相機曝光。比如說，可以通過激光雷達的位置信息來觸發(fā)對應位置相機的曝光時間，以達到相機與激光雷達的精確同步。

3D（激光雷達）和2D（相機）彼此互補，二者更好的融合可使得感知得到更精確的輸出。

最后是毫米波雷達（Radar）與GPS/IMU的標定（上圖），同樣是將Radar數(shù)據(jù)由Local（本地）坐標系將其轉換到世界坐標系，我們將通過真實的3D環(huán)境來計算Radar與GPS/IMU的相對位置關系。好的標定結果能夠保證感知系統(tǒng)給出200米距離以內(nèi)障礙車的車道信息（如位于車道內(nèi)或壓車道線等）等。

下面這個demo視頻簡明生動地展示了多傳感器深度融合的部分處理效果。

車載感知系統(tǒng)架構

那么車載感知系統(tǒng)架構是什么樣的？它的解決方案又是什么？

上圖展示了整個車載感知系統(tǒng)的架構。首先激光雷達、相機、毫米波雷達三種傳感器數(shù)據(jù)須進行時間同步，將所有的時間誤差控制在毫秒級。結合傳感器數(shù)據(jù)，感知系統(tǒng)以幀為基礎（frame-based）進行檢測（detection）、分割（segmentation）、分類（classification）等計算，最后利用多幀信息進行多目標跟蹤，將相關結果輸出。這個過程中將涉及到多傳感器深度融合和深度學習相關的技術細節(jié)，我這里不做過多的討論。

感知系統(tǒng)的解決方案應保證以下五點：

◆首先是安全，保證近乎百分之百的檢測（Detection）召回率（Recall）。

◆精度（Precision）要求非常高，如果低于某個閾值，造成False Positive（誤報），會導致車輛在自動駕駛狀態(tài)下行駛得非常不舒適。

◆盡量輸出所有對行車有幫助的信息，包括路牌，交通信號燈及其它場景理解的信息。

◆保證感知系統(tǒng)的高效運行，能夠近實時處理大量的傳感器數(shù)據(jù)。

◆可擴展性（Scalability）也很重要。深度學習（Deep learning）依賴大量數(shù)據(jù)，其訓練模型的泛化能力對于感知系統(tǒng)非常重要。未來，我們希望模型（model）和新算法有能力適配更多的城市和國家的路況。

感知技術的挑戰(zhàn)

感知精度與召回率相平衡的挑戰(zhàn)

上圖展示了晚高峰時期十字路口的繁忙場景，此時有大量行人、摩托車穿過十字路口。

通過3D點云數(shù)據(jù)（上圖），能夠看到此時對應的感知原始數(shù)據(jù)。

這里挑戰(zhàn)是，經(jīng)過計算處理后，感知系統(tǒng)需要在這樣環(huán)境下輸出所有障礙物的正確的分割（segmentation）結果和障礙物類別。

除了繁忙的十字路口，感知系統(tǒng)在處理一些特殊的或者惡劣的天氣條件，也面臨不小挑戰(zhàn)。

突降暴雨或者長時間降雨往往會造成路面積水，車輛經(jīng)過自然會濺起水花。上方視頻中白色點云展示了激光雷達檢測到其他車輛經(jīng)過濺起的水花并對其進行filter（過濾）的結果。如果感知系統(tǒng)不能對水花進行準確的識別和過濾，這會對自動駕駛造成麻煩。結合激光雷達與攝像頭（Lidar&Camera）的數(shù)據(jù)，我們的感知系統(tǒng)對水花有很高的識別率。

長尾場景挑戰(zhàn)

灑水車 上圖是我們在路測時曾遇到的兩類灑水車（上圖）。左邊灑水車采用向上噴的霧炮，而右邊是向兩側噴灑的灑水車。

人類司機遇到灑水車時，可以很容易做出判斷并超過灑水車，但是對于感知系統(tǒng)來說，則需要花一定時間去處理和識別這類場景和車輛，我們的自動駕駛在遇到類似場景已獲得更優(yōu)的乘坐體驗。

小物體的檢測

小物體檢測的意義在于，面對意想不到的路測事件，比如流浪的小貓、小狗突然出現(xiàn)馬路上，感知系統(tǒng)對這類小物體能夠有準確的召回，以保證小生命的安全。

紅綠燈

隨著越來越多地區(qū)和國家開展自動駕駛路測，感知系統(tǒng)在處理交通信號燈總會遇到新的長尾場景。

例如，逆光的問題（上圖）或者突然從橋洞中駛出后相機曝光的問題，我們可以通過動態(tài)調(diào)整相機的曝光等方法來解決問題。

還有紅綠燈倒計時的場景（上圖），感知系統(tǒng)可以識別出倒計時的數(shù)字，這樣能夠讓自動駕駛車輛在遇到黃燈時/前，給出更優(yōu)的規(guī)劃決策應對，優(yōu)化乘車體驗。

雨天時，攝像頭（照相機）會水珠密布（上圖），感知系統(tǒng)需要處理這類特殊氣候條件下的場景，準確識別紅綠燈。

一些地區(qū)使用的紅綠燈帶有進度條（上圖），要求感知系統(tǒng)能夠識別進度條的變動，這樣可以幫助下游的規(guī)劃決策模塊在綠燈將變黃時，提前給出減速。