Recognization of self_drivingCars.md

#campusExpress ##selfDriving Cars ###不同层次的自动驾驶 我们的目标是实现Full-Autonomy，即Level5的限定区域内低速无人送货小车

对于实现目标主要有以下任务:

·定位和生成地图(Localization and Mapping)

·场景感知(Scenece Understanding)

融合了超声波，摄像头，雷达的协同工作的综合传感器系统可以实现短板互补，并且综合性能全面

###传感器

·路径规划和移动决策（Movement Planning) 相对于传统的最优化决定路径

·通信(Communicate)

###对校园无人送货小车项目的认识 项目的目标是完成低速、小范围内、L5级（即行驶过程完全不需要人参与）的校园无人送货小车。 项目可分为四个部分，一是全车的控制，能完成基本的避障，并实现GPS定位、基站通信、里程记录等功能；二是选择合适的传感器，了解它们的性能和优缺点，通过调试能正常使用，并测试在实际路况下的表现；三是通过摄像头返回的图片信息，通过机器视觉处理，实现环境感知，建立动态地图，让小车识别路标和可行道路之外的其他障碍；四是通过各类传感器的输入信息，综合做出最优决策，规划出可行路线，让小车平稳到达目的地。

首先对于第一部分，主要需要的是硬件方面的知识。底盘可自行设计或直接购买，除此之外还需要合适的电机、舵机、电池等实现小车的运动。同时要实现避障、GPS定位、基站通信，还需要超声波模块、GPS模块、网络通信模块。这些模块还需要一个控制芯片协调控制，可使用STM32.

对于第二部分，经过我们了解，激光雷达不是我们所必需的传感器设备。激光雷达的优点是探测距离远、探测精度高，这一优点对于高速行驶的无人驾驶汽车似乎必不可少，但对于我们项目的低速、限定区域内行驶的无人小车则并没有太高的必要性。特斯拉公司在无人驾驶的研究中早就已经开始不使用激光雷达，而他们提出的视觉摄像头+毫米波雷达的解决方案对于我们的项目更有参考意义。毫米波雷达作为一项成熟技术，其价格成本在可接受范围内，同时毫米波雷达具有探测距离远、不容易受天气情况等影响的优点，缺点在于精度不高，如果与视觉摄像头相配合，再加上高效率的算法，预计可实现较远距离内的精确定位。这一部分工作的难点在于不同穿感器之间的协同配合。

对于第三部分，我们认为这是本项目的一大难点。我们希望小车能像人一样做出行为，人以眼睛作为主要接收信息渠道，我们也希望以视觉摄像头作为主要传感器，来感知周围环境，尤其是考虑到实际路况永远是不断变化的，这对人工智能和计算机视觉方面的能力提出了更高的要求。考虑到摄像头返回的数据量很大，我们需要使用GPU平台对图像信息快速处理，从而对实际情况做出实时反应。我们需要让小车识别路标，分辨各类不同障碍物，找到可行道路，对瞬息万变的的路况快速做出反应，建立动态地图。

对于第四部分，需要根据各种输入信号返回的信息，确立不同情况下的优先级，做出最优决策。我们认为这部分的工作应该在前面各部分完成情况良好的基础之上进行。只有小车控制顺畅，各类传感器工作正常，算法对摄像头返回的图像处理效果良好，我们才有可能研究决策方法，因此现阶段不作为我们工作的重点。

###来自AI和深度学习的机会

1. 基于深度学习的视觉里程计的提出
2. 使用深度学习的像素级场景分类和目标检测的准确度上升
3. 可能利用强化学习帮助无人车决策

####正在做自动驾驶的大公司和行业发展

Tesla的AutoPilot自动驾驶里程以500miles每日的速度增长（2017），总里程达到将近20亿公里，学习数据的大量积累。