文：江浩
9月中旬有幸參加了優達學城、pix 和 Autoware 聯合舉辦的線下無人駕駛實訓，收穫頗豐。這篇文章的目的，一方面是我對這次線下實訓的覆盤總結，另一方面，感興趣的同學也可以藉此瞭解實訓的具體內容。
本次參加實訓的同學都很厲害，有來自上汽、NEVS 等主機廠的工程師，有來自滴滴的軟體工程師，有來自創業公司 CEO，還有來自上海交大、同濟和東北大學等知名高校的學霸。而導師們分別來自優達學城、pix 和 Autoware 3個主辦方。
實訓內容
實訓的最終目的是實現紅綠燈的啟停。具體來說，車輛在進入無人駕駛模式後，沿著錄製的軌跡自動行駛，當行駛到紅綠燈前方時，對其進行識別。如果是綠燈則繼續行駛，是紅燈則需要在規定的範圍內停車。當綠燈亮起時，車輛再次啟動。
說起來容易做起來難，無人駕駛是一個系統工程，想用實現這個看似簡單的功能，需要的知識著實不少。下面就來說說我們小隊是如何做的。順便說一句，我們的隊名是“紅鯉魚與綠鯉魚與驢”，考慮到我是南方人實在分不清“l”和“n”的發言，簡稱“鯉魚隊”。
首先，在名古屋大學教授 Alex 和優達學城導師 Aaron 的指導下，我們學習了 Autoware 的基礎知識，完成了 GPU 版 Tensorflow、ROS 和 Autoware 的安裝。Autoware 是一款連線程式碼和硬體的軟體，類似於百度的 Apollo.
Autoware 介面
然後，把鐳射雷達和攝像頭連線到 Autoware，通過攝像頭採集試驗場地的環境資料，用來訓練紅綠燈檢測器。
接下來是製作高清地圖。開車繞行試驗場地，通過車載鐳射雷達（Velodyne 提供）生成點雲，再通過 Autoware 製作成高清地圖。
製作好高清地圖後，就可以實現車輛的尋跡功能了，也就是通過 Autoware，讓車輛在設定好的軌道上行駛（無需人工控制），類似於火車沿著軌道行駛，只不過車輛沿著的不是金屬的軌道，而是 Autoware 中的“路點”。
要實現最終目的，還需要編寫一個紅綠燈檢測器。檢測器對攝像頭拍攝到的影像進行識別，識別的結果輸出給 Autoware，再由 Autoware 控制車輛行駛或者停止。
最初，我們打算使用深度學習演算法訓練紅綠燈檢測器，但是檢測效果並不好，後來改用傳統的計算機視覺，影像識別的準確率能達到 87%，優化引數後，準確率接近 95%.
這一切都準備完畢後，就可以對車輛進行檢測和優化了。由於前期進度較慢，一直到晚上 8、9 點我們才有時間去試驗場。檢測效果不錯，優化引數後，車輛能夠準確識別紅綠燈，並且在規定範圍內實現啟停。
雖然晚上檢測的效果不錯，但是並不代表白天也是如此。第二天，也就是比賽當天，我們隊的表現並不如人意。原因其實很簡單，白天拍攝到的影像背景太複雜，紅色的地面，綠色的樹木，甚至彩色的衣服（攝影師小妹妹快走開，你的衣服上怎麼紅綠黃三色都有！），都會對紅綠燈的檢測造成影響。而在夜晚，背景一片黑色，紅綠燈的檢測要容易得多。
讓我難以理解的是，我編寫的識別紅綠燈的程式碼，使用白天拍攝的影像進行檢測，正確率接近 95%，但是兩天後在試驗場上卻識別不出來了。想必還有許多影響因素沒有考慮到，在無人駕駛領域，我還需要多多研究，提高自己。
實訓收穫
雖然最終結果不是太理想，但是在在 5 天的實訓中，我們收穫太多。
1 實車測試
作為優達學城《無人駕駛工程師》的學員，我們都具備一定的相關知識，但是幾乎沒有在真車上做過測試，執行自己的程式碼。這次實訓，讓我們在短短5天的時間裡，實現了從0到1的跨越。我們不但掌握了Autoware的基本操作，編寫了相關程式碼，學習了線控知識，還親手生成了點雲和高精地圖，親眼看到自己編寫的程式碼在車輛上執行，親身體驗了測試車輛的整個過程…
2 實踐學過的知識
知識不是用來學的，而是用來實踐的。只有實踐過的知識才能顯示其價值。在完成《高階車道線識別》專案的過程中，為了消除影像失真，需要對攝像頭進行校準。校準很簡單，只需要幾行程式碼。不過，能在實踐中應用這幾行程式碼，仍然讓我有點激動。
3 體會到模擬和試驗的差距
我是《無人駕駛入門》的助教、《無人駕駛工程師》的學員，完成過紅綠燈檢測、車道線識別、交通標誌識別等專案，但是它們和實訓專案有很大的區別。
首先，以前的專案使用的都是課程中提供的資料集，而實訓中使用的資料都是我們自己採集的。後者需要考慮更多事情比前者多得多。比如，在使用攝像頭採集紅綠燈資料時，需要對攝像頭對焦，否則採集的影像模糊不清，根本無法使用。我們隊由於缺乏經驗，就犯過這樣的錯誤。再比如，《交通路牌識別》這個專案使用深度學習的方法識別 43 種交通標誌，資料集是課程中提供的。而在實訓中，我們需要自己給採集的影像打上標籤，以區分紅綠燈。
其次，模擬中可行的方案，在實車上未必有用。我們的最終目的是在實車上實現紅綠燈的啟停，所以編寫一個紅綠燈檢測器。我做過一個識別紅綠燈的專案，準確率達到 95%，這樣的準確率完全可以滿足專案的要求，本來想直接用在這裡，結果卻發現不可行。為什麼？因為專案中使用的資料集只包含紅綠燈，沒有其他干擾，識別起來相對容易。
但是攝像頭採集到的影像卻並不是這樣的，影像中還包大量背景資訊，綠色的樹，藍色的天空，紅色的地面，刺眼的陽光，甚至身穿紅綠黃三色毛衣的攝影師小妹妹（曾經的噩夢啊，不過很好奇程式碼會識別成什麼呢？），都會對識別結果造成影響。如何排除這些干擾，也是必須要考慮的。
最後，在完成實訓專案的過程中，我對學過的知識又有了更深的理解。比如，曾經做過一個小習題，讓我利用給定的yaw rate資料，求出汽車行駛時的角度。在數學上這是一個很簡單的問題，只需要對 yaw rate 求積分就可以了，然而我並不知道這些資料是如何得到的。在這次實訓中，我發現 autoware 匯出的路點資料就包括了這些資料。雖然都是獲得資料，但是自己親手測量資料，和使用別人給的資料，感覺完全不同，這兩者的區別，就好像一個是看別人玩遊戲，另一個則是自己親自參與遊戲。
4 遇到了不少困難
在實訓過程中，我們也遇到了不少困難。比如，機器部署出現錯誤、作業系統奔潰了、工控機電源燒了、鐳射雷達燒了…多虧了優達學城 Aaron、pix 曾工以及名古屋大學教授 Alex 的幫助，讓我們在第一時間解決了這些問題。遇到困難並不一定是壞事，沒有什麼事情是一帆風順了，如果真的有，那也不值得做。
最後，非常感謝優達學城、pix 和 Autoware 聯合舉辦的這次線下實訓，感謝三位導師 Aaron、曾工和 Alex 對我們的幫助。還得感謝pix的行政人員，每餐都有貴陽美食，每天都有豐富的夜宵，而且還不帶重樣的！回重慶後我稱了下體重，足足重了 5 斤。
如果你想了解線下實訓的更多細節，可以移步閱讀導師 Aaron 的文章：
TBA