视觉处理：在未来自动驾驶领域所起的作用收藏

　　目前汽车行业正在经历着一场巨大的变革，随着技术的发展，未来10年的变化将超过过去50年的发展其中最大的一个改变就是半自动和全自动车辆，也就是我们常说的自动驾驶汽车变革的程度仍然取决于每个人认识的程度，自动驾驶汽车会是汽车行业的最大破坏者吗？还是汽车行业变革过程中一个关键的节点？。

　　自动驾驶汽车的发展是循序渐进的，我们需要不断达到各种阶段或者里程碑但是目前我们可以预测到这个发展轨迹是2016年的辅助驾驶、2021年自动驾驶、2025年全自动汽车的出现我们为什么需要自动驾驶汽车？。

　　一个重要的问题就是我们为什么要转向自动驾驶汽车？当然我们能够列举出非常多的关键原因依我来看最重要的原因就是城市化的增长所带来的拥堵，需要降低车辆事故以及相关代价，不断增加的污染，居民汽车拥有率的变化。

下面让我们详细了解一下各个方面交通拥堵　　交通拥堵的经济发展的巨大阻碍，就以美国为例每年人均花费在交通拥堵的时间超过43小时，这些时间明显可以用于其他的事情在很多大型城市，人们出行的速度被大大降低了，在某些城市甚至还不如一百年前人们采用马和马车的出行方式。

而且研究还发现在城市里超过30%的行驶是用来寻找停车位，这个过程可以用自动化的方式或者无人驾驶汽车来缓解未来的自动驾驶汽车能够让乘客下车，然后搭载新的乘客，这样就能够在任何时间降低道路上汽车的数量，同时减少对停车位的需求。

交通事故死亡率　　目前全世界范围内因为交通事故死亡的人数接近120万根据不同的国家，清理道路事故的成本占GDP的2%到20%欧盟已经制定了一个目标，即2025年之前将欧洲大陆因交通事故死亡的人数降低50%。

这会给GDP带来非常好的影响，这样更多的资金可以用于升级道路网路以及安装智能基础设施波士顿咨询集团最新研究表明一些先进的技术如ADAS（高级驾驶辅助系统）如果被广泛采用，那么每年能够挽救数千条生命且节省2510亿美元。

污染问题　　空气污染是全世界范围内导致死亡的重大诱因之一，尤其在低收入经济的国家我们可以看到像北京、上海和德里这样的城市正在实施非常严厉的措施来限制污染——比如在奇数天才可以使用汽车、通过给车主补偿淘汰老旧汽车。

柴油汽车正日益被取缔，因为它的尾气排放会导致严重的呼吸问题因此中国正在优先推广新能源汽车来严格控制市中心的污染水平　　美国智能交通协会的一份研究报告指出随着自动化和联网汽车这些技术不断的渗入市场，在未来十年内每年会使石油的消耗和相关温室气体的排放降低2%到4%。

事实上交通运输系统降低碳排放的唯一方式就是采用低碳能源或者全部采用电驱动的汽车然而在那一天到来之前，自动化和联网汽车会在一定程度上帮助我们降低污染水平汽车拥有率　　未来城市的汽车拥有率也会有所降低，人们也不会那么看重拥有汽车除了某些新兴的市场。

如果汽车使用能够被分析，那么我们就会发现汽车每天的使用时间少于一个小时也就是说每天23小时的汽车保险、折旧和成本都浪费在驾驶之外或者停车场内一些新型公司已经开始介入这部分市场，例如Uber、BlaBlaCar和Lyft公司开始提供低成本的汽车出行服务。

　　所有这些问题的解决都需要政府层面的支持，通过自动驾驶汽车，我们完全可以找到可行的解决方案自动驾驶汽车有哪些帮助？　　首先我们先明确自动化程度的定义（如下图所示）Level 0就是我们现在所处的阶段，Level 1集成了一些ADAS（高级驾驶辅助系统）功能，除此之外Level 2实现了自动紧急制动功能。

当然我们很快会过渡到Level 4和Level 5，2021年随着很多汽车生产商的第一批Level 4/Level 5车型的上市，它们会大肆宣传可能会广泛应用于城市内的自动出租车　　我们预测直到2025年大众用户才能够购买全自动汽车。

然而，汽车行业是一个非常多边的市场，自动驾驶汽车的巨大效益会带动很多方面，因此这个时间节点可能会提前　　政府方面的法律法规、合法性的审批时间以及大众的接受程度对于自动驾驶汽车市场都是至关重要的同时我们也要对大众增加更多的指导能够让他们接受自动驾驶汽车这个新兴的产品，并且愿意使用它。

　　关键的一步就是自动出租车，如果大众接受了自动出租车，完全靠机器来驾驶，那么他们很可能会有拥有一辆的想法并且在日常生活中使用——最终他们会认识到自动驾驶汽车是安全可行的。

图：自动驾驶汽车分级　　推动自动驾驶汽车发展的一个关键技术是人工智能的一个分支，即我们熟悉的计算机视觉自动驾驶汽车的主要传感器是前置摄像头和激光雷达系统，然而，提取出的巨大有用信息则是通过摄像机子系统来实现的。

视觉处理对于自动驾驶汽车的重要性　　视觉处理多年来一直存在于卷积神经网络的应用中，这些算法能够从传感器的输入的数据提取有用的信息对于场景的分析CNN是非常高效的，能够分辨出很多对象如汽车、人、动物、道路标志、道路交叉点、路边标志（物体），能够确定场景中的相关现实对象。

所有这些操作都是实时的，只要传感器部分设置完成后，后续的融合/决策操作就会发生无论是一个还是所有传感器（LIDAR（激光探测与测量）、雷达、摄像头、红外传感器）的输入数据有所改变，系统就会立刻做出最佳的决策。

比如刹车的场景（远超过驾驶员的反应时间），汽车自动驾驶系统会立刻分析距离、感应速度，做出刹车操作的反应时间是任何人为操作所不能及的　　CNN的网络部分是由很多“层”来组成的，将图像识别的问题进行分解——从边沿、角落、圆圈的查找逐渐能够辨别道路标志，进而能够识别道路标志的意思。

为了能够让这个网络正常工作需要经历一系列的训练阶段，输入大量相关图像的数据集，这样CNN才能够学习辨别各种物体通过数据集的学习这个网络会设置不同的权重训练过程属于计算密集型操作，可能会持续数个小时或者几天。

　　即使这个网络系统部署在汽车上了，它也是会不断的进行训练推理，这样能够让网络学习不同的实时场景，更新权重系数，提供更加精确的决策通过训练掌握了大量的标志识别，CNN能够提取出有用的信息并反馈给决策层，这样从LIDAR、雷达和摄像头输入的传感器数据能够实现融合和场景分析，最后让汽车做出正确的反应。

　　这一列的决策可以显示在汽车的显示屏上或者对汽车操作进行实际的干预，比如刹车或者变道。

展望未来　　汽车应用中CNN技术的使用会迅速促进基于摄像头的自动驾驶方案的发展，建立新的自动驾驶规范未来更少更高效的出行将会使得交通事故更少、更低的交通事故死亡率和更少的环境污染，与此同时减少交通拥堵，汽车共享，通过车与车之间的互联通信使得交通系统更加的高效，这一切都预示着全球社会将拥有一个更加光明的未来。

‍

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。