文 献 综 述
- 课题背景和研究意义
无人驾驶被认为是 21世纪最具发展前景的技术之一，其应用不仅可以提高燃料效率、减少温室气体排放，还能大幅降低交通拥堵情况、减少事故发生率。尽管无人驾驶的优势明显，但其对于安全性的要求相当高，短时间内对L5级别[1]无人驾驶的实现也颇具挑战。
图 1 无人驾驶汽车——速腾聚创 P3 架构
无人驾驶的本质是使用传感器对周围的环境进行采样，从而实现车辆的定位、导航、决策和控制，这分别对应于四项关键技术：定位导航技术、感知技术、决策技术和控制技术[2]。其中的感知技术是无人驾驶实现的基础，其结果的准确性将直接影响到车辆决策的安全性。考虑到无人驾驶对安全性的极高要求，目前常见的感知系统往往会安装多种不同类型的传感器以保证感知结果的准确性，其中常见的包括相机、激光雷达和超声波雷达等[3]。
目标检测技术是感知技术的一个重要研究方向。其中，基于点云数据的三维目标检测算法一直是无人驾驶感知技术中的研究热点。近年来，随着深度学习技术的迅速发展，使用神经网络进行三维目标检测的方法开始显示出巨大的优势。
- 无人驾驶感知技术的研究现状
2.1 传感器的选择
随着新型传感器的研发，无人驾驶的相关技术也取得了巨大的进步[4]。为了提高感知结果的准确性，无人驾驶车辆上往往会安装多种不同类型的传感器，常见的包括相机、激光雷达和超声波雷达等[3]。
其中，相机可分为单目和双目。单目相机成本低、便于安装，但无法直接获得环境的深度信息，因而感知结果的可靠性不佳[4]；而双目相机可以通过视差和基于双目的目标检测算法间接地获得环境的深度信息，但是计算深度时需要耗费巨大算力，其检测距离也在一定程度上受基线限制，往往无法达到足够远[5]。
相较相机而言，激光雷达能够较快地测出物体到传感器的距离，并且精度更高、检测距离更远。此外，由于激光雷达受环境和光照影响较小，其在较暗的环境下仍能保证极好的工作状态，这也扩大了无人驾驶车辆对工作时间的适用范围。
