無人車的感知子系統(tǒng)是其核心組成部分之一，主要負責獲取并處理來自外部環(huán)境的信息，以幫助車輛了解周圍環(huán)境。在獲得傳感信息之后，數(shù)據(jù)將被推送至感知子系統(tǒng)，包括定位、物體識別與追蹤等功能。本文將重點介紹這些功能的實現(xiàn)方法和技術(shù)。

一、定位

GPS和IMU是無人車定位的兩種主要傳感器。GPS以較低的更新頻率提供相對準確的位置信息，IMU則以較高的更新頻率提供準確性偏低的位置信息。通過卡爾曼濾波整合兩類數(shù)據(jù)各自的優(yōu)勢，可以合并提供準確且實時的位置信息更新。IMU每5ms更新一次，但是期間誤差不斷累積精度不斷降低。每100ms，GPS數(shù)據(jù)可以提供一次校正，以幫助校正IMU積累的誤差。然而，單純依靠這樣的數(shù)據(jù)組合完成定位工作是不夠的。

原因有三：其一，定位精度僅在一米之內(nèi)；其二，GPS信號存在多路徑問題引入噪聲干擾；其三，GPS必須在非封閉的環(huán)境下工作，因此在隧道等場景中GPS不適用。因此，攝像頭也被用于定位。基于視覺的定位由三個基本步驟組成：①通過對立體圖像的三角剖分，首先獲得視差圖用以計算每個點的深度信息；②通過匹配連續(xù)立體圖像幀之間的顯著特征，可以通過不同幀之間的特征建立相關(guān)性，并由此估計這兩幀之間的運動情況；③通過比較捕捉到的顯著特征和已知地圖上的點計算車輛的當前位置。然而，基于視覺的定位方法對照明條件非常敏感，因此其使用受限且可靠性有限。

因此，借助于大量粒子濾波的激光雷達通常被用作車輛定位的主傳感器。由激光雷達產(chǎn)生的點云對環(huán)境進行了“形狀化描述”，但并不足以區(qū)分各自不同的點。通過粒子濾波，系統(tǒng)可將已知地圖與觀測到的具體形狀進行比較以減少位置的不確定性。為了在地圖中定位運動的車輛，可以使用粒子濾波的方法關(guān)聯(lián)已知地圖和激光雷達測量過程。粒子濾波可以在10cm的精度內(nèi)達到實時定位的效果，在城市的復雜環(huán)境中尤為有效。然而，激光雷達也有其固有的缺點：如果空氣中有懸浮的顆粒（比如雨滴或者灰塵），那么測量結(jié)果將受到極大的擾動。因此，需要利用多種傳感器融合技術(shù)進行多類型傳感數(shù)據(jù)融合，處理以整合所有傳感器的優(yōu)點，完成可靠并精準的定位。

二、物體識別與追蹤

激光雷達可提供精準的深度信息，因此常被用于在無人駕駛中執(zhí)行物體識別和追蹤的任務。近年來，深度學習技術(shù)得到了快速的發(fā)展，通過深度學習可達到較顯著的物體識別和追蹤精度。卷積神經(jīng)網(wǎng)絡（CNN）是一類在物體識別中被廣泛應用的深度神經(jīng)網(wǎng)絡。

通常，CNN由三個階段組成：①卷積層使用不同的濾波器從輸入圖像中提取不同的特征，并且每個過濾器在完成訓練階段后都將抽取出一套“可供學習”的參數(shù)；②激活層決定是否啟動目標神經(jīng)元；③匯聚層壓縮特征映射圖所占用的空間以減少參數(shù)的數(shù)目，并由此降低所需的計算量；④一旦某物體被CNN識別出來，下一步將自動預測它的運行軌跡或進行物體追蹤。物體追蹤可以被用來追蹤?quán)徑旭偟能囕v或者路上的行人，以保證無人車在駕駛的過程中不會與其他移動的物體發(fā)生碰撞。近年來，相比傳統(tǒng)的計算機視覺技術(shù)，深度學習技術(shù)已經(jīng)展露出極大的優(yōu)勢，通過使用輔助的自然圖像，離線的訓練過程可以從中學習圖像的共有屬性以避免視點及車輛位置變化造成的偏移，離線訓練好的模型直接應用在在線的物體追蹤中。

總之，無人車感知子系統(tǒng)的定位、物體識別與追蹤功能是其核心能力之一，對于保證無人車的安全性和可靠性至關(guān)重要。通過多種傳感器融合技術(shù)和深度學習技術(shù)的應用，可以實現(xiàn)高精度、實時、可靠的定位和物體識別與追蹤，為無人車的自主駕駛提供有力支持。