2020年自动驾驶汽车技术报告了解自动

继上次分享的年自动驾驶汽车技术报告-了解自动驾驶汽车硬件和软件最新技术指南之感知与定位之后，本文继续分享处理以及学习模块。处理以及学习ThinkingLearning﹀﹀﹀根据自动驾驶传感器套件捕获的原始数据和它可以访问的现有地图，自动驾驶系统需要构建和更新其环境地图，同时跟踪其位置。同时定位和映射（SLAM）算法让车辆实现了这一点。一旦它在地图上的位置已知，系统就可以开始规划从一个点到另一个点的路径。同步定位与映射（SLAM）以及传感器融合SLAM是一个复杂的过程，因为定位需要一个地图，而定位需要一个好的位置估计。尽管长期以来一直被认为是机器人实现自主的一个基本的鸡或蛋问题，但在80年代中期和90年代的突破性研究在概念和理论层面上解决了SLAM问题。从那时起，各种各样的SLAM方法被开发出来，其中大多数使用概率概念。为了更精确地执行SLAM，传感器融合开始发挥作用。传感器融合是将来自多个传感器的数据与数据库相结合，以获得更好的信息的过程。它是一个多层次的过程，处理数据的关联、关联和组合，能够获得比单独使用单个数据源更便宜、更高质量或更相关的信息。对于从传感器数据到运动所需的所有处理和决策，通常使用两种不同的人工智能方法：按顺序，将驱动过程分解为层次管道的组件。每个步骤（传感、定位和映射、路径规划、运动控制）由一个特定的软件元素处理，管道的每个组件将数据馈送到下一个组件，或者基于深入学习的端到端解决方案，可以处理所有这些功能。哪一种方法最适合于自动驾驶，目前没有定论，传统的，也是最常见的方法包括将自动驾驶问题分解成若干子问题，并用计算机视觉、传感器融合、定位、控制理论和路径规划的专用机器学习算法技术依次解决每个子问题。端到端（e2e）学习作为解决自动驾驶车辆复杂人工智能系统挑战的一种潜在方法，越来越受到人们的