自動駕駛的ODD邊界如何進行有效的檢測呢？

由于現(xiàn)在的自動駕駛技術(shù)還處于發(fā)展階段，無法保證自動駕駛車在任何天氣條件下和任何道路環(huán)境中都可以安全行駛的。因此，要根據(jù)該系統(tǒng)的能力來提前設(shè)定好ODD，通過限制行駛環(huán)境和行駛方法，將有可能發(fā)生的事故防范于未然。然而，對于這類運行環(huán)境邊界條件而言，通常會需要考慮如何進行有效的檢測呢？也就是說，提出的ODD對于自動駕駛開發(fā)而言必須是可測的。

考慮一些ODD所涉及的天氣如風(fēng)、雨、雪、雨夾雪、高低溫度會極大的影響整個系統(tǒng)的控制能力。比如車子正常行駛在高速公路上，小雨或小雪能使平均速度降低3%至13%；暴雨會使平均速度降低3%到16%；在大雪中，高速公路的平均速度會下降5%到40%；小雨時自由流速可降低2% ~ 13%；大雨時可降低6% ~ 17%；降雪將使自由流速度降低5%至64%；可以說在降雨期間，整個車輛駕駛速度變化差不多會減少25%。

目前知道的，L2級自動駕駛在雨雪條件下的性能幾乎不能滿足預(yù)期，比如車道保持功能在公路雪地打滑時汽車會轉(zhuǎn)向過度。特斯拉的Autopilot可以在正常的雨雪中導(dǎo)航，路標清晰可見，但在某些棘手的情況下，如暴雨或車道線出現(xiàn)遮蓋時候仍然難以駕駛。顯然，惡劣的天氣條件限制了人類駕駛方向盤，AVs仍然不能完全相信它能獨自工作。

因此，為了讓ADS繼續(xù)向前推進到下一個時代，自動駕駛汽車需要更多的時間來適應(yīng)各種天氣。

如圖所示是惡劣天氣下自動駕駛系統(tǒng)的信息流圖：

如上圖所示，作為車輛傳感器的信息源，環(huán)境狀態(tài)直接受到天氣條件的影響。這些變化增加了整個ADS系統(tǒng)用受損數(shù)據(jù)完成目標檢測、跟蹤和定位任務(wù)的難度，因此規(guī)劃和控制也將不同于正常情況。天氣也可能影響自車本身，并產(chǎn)生附加影響，如風(fēng)和路面狀況。自車識別結(jié)果反饋整車后形成的車輛控制狀態(tài)（如雨刮是否啟動，除霧裝置是否打開等信息）都是可以作為環(huán)境信息判斷的先驗信息的，這也會間接影響對環(huán)境狀態(tài)的判斷，由此可以形成一個檢測循環(huán)。

其實，無論從自動駕駛角度還是從手動駕駛角度上講，對于環(huán)境的有效檢測都將顯得尤為必要。比如如下的環(huán)境條件而言，我們是否可以通過一定的手段進行更加精確的檢測呢？

風(fēng)力大?。簭臋M向車控角度分析，考慮風(fēng)阻對整個車身控制的影響。

光照條件：考慮炫目和夜晚可視效果的影響

雨量大?。夯谝曈X的雨量傳感測試

路面坑洼：基于多目時覺得路面條件檢測。

橫縱坡道檢測：基于底盤ESP和TCU的坡道數(shù)據(jù)

涉水路面檢測：基于超聲波數(shù)據(jù)

那么這類雨雪天氣將如何測量則是我們需要研究的一個課題。常規(guī)的方法是通過類似雨量傳感器這樣的裝置進行測量，但是這類裝置在很多車型上也不是標配。如果考慮智駕系統(tǒng)而言，則可能出現(xiàn)無法滿足測量需求的情況。

本系列文章將針對性講解整個智駕系統(tǒng)如何利用自身傳感器對環(huán)境信息進行初級有效探測。無論從智駕本身角度出發(fā)的識別和控制，還是從傳統(tǒng)駕駛過程對這種探測能力都顯得尤為必要。

基于視覺的降雨量預(yù)測

對于自動駕駛系統(tǒng)而言，通常會通過判定降雨/降雪量來判定對整個系統(tǒng)是否可激活的前置條件。通常情況下，目前的檢測手段要么是通過雨刮刮速大小，要么是通過雨量傳感器一類來進行綜合判斷是否觸及ODD邊界。那么，從自車平臺化和可應(yīng)用場景的角度出發(fā)，是否能夠利用自車傳感器開發(fā)一種可自適應(yīng)測量環(huán)境條件的軟件模塊呢？答案是肯定的。

本文提出一種基于視覺場景的降雨量預(yù)測算法。其主要是通過自車原有的攝像頭采集雨量光線，從而計算雨量大小，轉(zhuǎn)化成雨刮器可識別的指令信號發(fā)送給車身控制器，車身控制器通過雨刮信號指令自動控制雨刮進行低速、高速、間歇性動作。同時，系統(tǒng)可以控制儀表顯示雨刮控制系統(tǒng)的相關(guān)零部件故障、以提醒用戶及時維修和更換等。

用軟件算法代替增加新的硬件（定制的雨刮傳感器或其他硬件設(shè)備）實現(xiàn)對雨刮的控制功能，不但可以減少成本，軟件也可以通過不斷更新、迭代、升級來達到最優(yōu)的用戶體驗。此外，如果考慮通過利用智駕域的傳感器探測的算法來實現(xiàn)整個車身的控制（比如探測到雨量過大，則通過算法計算出雨量大小，自動控制車輛雨刮采用一定的速度刮刷玻璃，一方面可以為整個傳感器探測開辟更好的探索通道，另一方面也可以提升用戶駕駛的智能化體驗）。

相應(yīng)的實現(xiàn)原理如下：

總體來說，需要通過兩階段算法來實現(xiàn)，實現(xiàn)基于視覺的場景降雨量的智能分類，其類別包括：晴天、小雨、中雨、大雨、暴雨五種。其方法是利用智能駕駛汽車上搭載的攝像頭拍攝的視頻數(shù)據(jù)作為輸入，記錄不同位置、不同時域的降雨數(shù)據(jù)。將視頻數(shù)據(jù)輸入“降雨量識別大小的分類算法模塊”中。該算法模塊涉及對環(huán)境的目標提取、分割、聚類、識別等子模塊。歸類起來，常用的算法包括基于超像素（Super-Pixel）鄰域?qū)R的雨水分割算法（得到逐幀雨水圖分割結(jié)果）和基于ResNet的雨量分類算法（帶有殘差學(xué)習(xí)的ResNet）的兩個階段。

基于超像素鄰域?qū)R的降雨/降雪檢測算法

由于視頻中對雨水的分割是不存在分割前景和背景區(qū)域的，如果按照逐像素進行識別處理，對于整個算法而言將顯得比較臃腫。我們對雨水大小的識別需要從以下幾個方面入手：

選定的算法通過測量降雨量視頻中不同時域間像素值的區(qū)域強度變化，進而得到每一幀圖像的雨水分割結(jié)果，通過迭代優(yōu)化訓(xùn)練，不斷提高其識別精度，進而達到預(yù)期的識別結(jié)果。

相應(yīng)的示意圖如下：

1）通過智能汽車采集的一組降雨視頻，截取固定幀數(shù)作為視頻輸入算法模塊。

2）幀內(nèi)超像素塊識別：

常用的算法包括利用SLIC算法（simple linear iterative cluster）生成每一幀圖像的超像素（superpixel）塊。相比其他的超像素分割方法，SLIC在運行速度、生成超像素的緊湊度、輪廓保持方面都比較理想。具體過程包括：

利用像素之間特征相似性（如相似紋理、顏色亮度等特征）將像素分組，通過簡單的線性迭代聚類，將彩色圖像轉(zhuǎn)化為CIELAB顏色空間和XY坐標下的5維特征向量，然后對5維特征向量構(gòu)造距離度量標準，對圖像像素進行局部聚類。最終能生成緊湊、近似均勻的超像素，在運算速度、物體輪廓保持、超像素形狀方面具有較高的性能。最終，用少量的超像素代替大量的像素來表達圖片特征。

3）幀間超像素塊劃分：

選定中間幀為關(guān)鍵幀I0，并作為參考位置幀，與其前后各兩幀的超像素塊圖構(gòu)成一組劃分區(qū)域。

4）構(gòu)造損失函數(shù)：

通過逐像素遍歷的方式可以構(gòu)造Loss損失函數(shù)，從而衡量每個I0超像素塊與其前后兩幀對應(yīng)位置鄰域塊的差異大小。并將其差異最小的鄰域塊作為候選對齊區(qū)域，最終確定I0中每個像素塊的4個候選超像素塊區(qū)域。

5）雨水識別：

由于雨水部分可以增加像素的強度值，因此可以將含有I0的超像素塊與候選區(qū)域的部分進行像素差異比較。若I0超像素塊中的像素與每個候選區(qū)域所對應(yīng)像素差異均大于所設(shè)定的雨水像素的閾值時，那么就認為該像素為雨像素。

6）幀內(nèi)迭代優(yōu)化：

迭代I0中每一個超像素塊，可以得到關(guān)鍵幀I0的雨水二分割圖。

7）幀間迭代優(yōu)化：

迭代降雨量視頻中的每一幀，得到全部幀的雨水分割結(jié)果。

基于深度學(xué)習(xí)的降雨/降雪量測量算法

如前所述，對雨/雪這類目標分割完成后，需要重新利用一定有效的算法對降雨/降雪的大小進行預(yù)分類識別。同時，從時域的角度上將降雨和降雪在未來一定時間內(nèi)可能產(chǎn)生的情況和趨勢進行有效預(yù)測，以便在形勢策略上可以提前做出一定的判斷和控制。

如上述算法所表述的部分，我們可以通過首先聚類超像素鄰域?qū)R的方式得到雨量場景分割結(jié)果，將該結(jié)果作為數(shù)據(jù)輸入到深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中從而獲得準確的雨量分類結(jié)果。常用的卷積神經(jīng)網(wǎng)絡(luò)模型涉及ResNet，因為其引入了深度殘差學(xué)習(xí)算法，可以有效的解決網(wǎng)絡(luò)退化的問題。在包括圖像網(wǎng)絡(luò)ImageNet的多個大型分類數(shù)據(jù)集上可以很好的實現(xiàn)優(yōu)異的分類精度。

在對降雨/降雪這類場景的測量可以利用ResNet網(wǎng)絡(luò)結(jié)構(gòu)通過不同的分層ResNet18、ResNet34、ResNet50、ResNet101以及ResNet152來實現(xiàn)分層訓(xùn)練。各種網(wǎng)絡(luò)的深度指的是“需要通過訓(xùn)練更新參數(shù)”的層數(shù)，如卷積層，全連接層等。同時，為了滿足輕量化要求，通?？梢赃x擇ResNet18作為分層標準進行訓(xùn)練。其中包含17個卷積和一個全連接層進行權(quán)重學(xué)習(xí)，隨后通過兩個池化層處理。

根據(jù)超像素臨域?qū)R的雨量分割算法可以從場景視頻中獲得場景視頻的雨/雪分割結(jié)果作為輸入數(shù)據(jù)。選擇深度學(xué)習(xí)方法，獲取準確地雨量/雪量分割結(jié)果。

基于深度學(xué)習(xí)的降雨量預(yù)測算法

本文這里提到的關(guān)于實現(xiàn)雨量檢測和預(yù)測的算法包含兩個階段，考慮對于智駕系統(tǒng)控制過程的高速推理和模型輕量化特點，采用超像素的雨/雪分割加上利用經(jīng)典的神經(jīng)網(wǎng)絡(luò)算法ResNet進行雨量預(yù)測。在ResNet提出之前，所有的神經(jīng)網(wǎng)絡(luò)都是通過卷積層和池化層的疊加組成的。卷積層和池化層的層數(shù)越多，獲取到的圖片特征信息越全，學(xué)習(xí)效果也就越好。

CNN參數(shù)個數(shù) = 卷積核尺寸×卷積核深度 × 卷積核組數(shù) = 卷積核尺寸 × 輸入特征矩陣深度 × 輸出特征矩陣深度

常規(guī)的神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)加深，其相應(yīng)的準確率隨之下降。使用ResNet神經(jīng)網(wǎng)絡(luò)人為地讓神經(jīng)網(wǎng)絡(luò)某些層跳過下一層神經(jīng)元的連接，隔層相連，弱化每層之間的強聯(lián)系，可以更加精準的預(yù)測到環(huán)境雨量分割和預(yù)測。

將本算法打搭載到各種車載設(shè)備上，通過對深度網(wǎng)絡(luò)進行身份映射（identity mapping，IM）和殘差映射（residual mapping，RM）優(yōu)化網(wǎng)絡(luò)，隨著不斷地迭代，其殘差映射將逐漸趨于0，最終只剩下身份映射。由此，可以更加實時且精準的預(yù)測環(huán)境降雨/降雪量。

考慮本算法的ResNet的整個算法邏輯如下：

1）視頻采集：

通過智駕車輛前視、側(cè)視攝像頭采集場景視頻作為原始視頻輸入。該視頻幀需要在攝像頭前端進行包含ISP相關(guān)的圖像處理；

2）視頻幀抽?。?/strong>