影片時長約為10分鐘，請注意流量
1. 嬴徹自動駕駛軟體系統架構
最底層是資料分發系統，其上有嬴徹開發的Inceptio Robotics System。在這樣的作業系統上，3D感知是Software Stack中非常重要的一環，包括感測器融合、Radar pipeline、Camera pipeline 和 Lidar pipeline。
2. 瞭解感測器
3D感知系統，即環境感知系統，一般包括毫米波雷達、鐳射雷達和攝像頭，這三種感測器各有優勢也各有劣勢。
【攝像頭】它的優點是成本低廉，支援基於深度學習的型別識別，技術相對比較成熟。攝像頭的劣勢在於獲取準確三維資訊非常難，同時受環境光限制比較大。
【毫米波雷達】它的優點在與測距、測速精度高，耐候性好，適用於ADAS產品的應用，價格相對鐳射雷達低許多。缺點在於無法完成障礙物的形態識別。
【鐳射雷達】它的優點在於其探測距離較遠，而且能夠準確獲取物體的三維資訊；另外它的穩定性相當高。但鐳射雷達對速度不敏感，且目前成本較高。
環境感知系統的一個重要目的是將這三種感測器有機地融合在一起，發揮各個感測器的所長，最大化挖掘感知系統潛力，實現1+1+1>3的效果。
3. 單目標跟蹤的定義
基於感測器資料，來估計目標在場景中的運動軌跡，包括它的位置、速度、加速度等。在其中需要解決資料存在誤差、不完善、miss detection、false alarm等問題。
4. 單目標跟蹤的4大重點
【重點1】 航跡檢測 Track Initialization
-確定場景中是否有一個目標在運動
擴充套件閱讀《幾種檢測前跟蹤演算法的檢測效能比較》：
https://link.springer.com/content/pdf/10.1155/2008/428036.pdf
【重點2】 資料關聯 Data Association
– 確定哪些量測資訊是從目標來的
擴充套件閱讀《資料關聯簡介》：http://www.cse.psu.edu/~rtc12/CSE598C/datassocPart1.pdf
《機率資料互聯濾波器》：https://en.wikipedia.org/wiki/Probabilistic_data_association_filter
【重點3】 濾波器 Filter
– 基於感測器的量測資訊，過濾噪聲，以估計目標的運動狀態
擴充套件閱讀《卡爾曼濾波器》：https://en.wikipedia.org/wiki/Kalman_filter
【重點4】 目標機動 Target maneuver
– 需要假設目標的運動模型
擴充套件閱讀《機動目標跟蹤綜述 - 第五部分：多模型方法》：http://users.isr.ist.utl.pt/~alex/theses/predbot/surveymtt5.pdf
5. 更多目標跟蹤的課題
航跡的起始 Track initialization
亂序資料處理 Out of sequence measurements 目標運動模型的設計 Dynamic model design
系統引數的識別 Parameter identification 感測器資料機率模型 Probabilistic model for sensor data
擴充套件目標跟蹤 Extended target tracking
我們將在未來選取部分課題進行詳談。