自动驾驶背景
我觉得入门一个领域，不应该是直接针对技术路线埋头苦干
应该要先了解其背景和发展，对整体有个初步的认识
自动驾驶概述
首先我看了一个2小时的自动驾驶概述，大致记录一下，视频链接：https://www.bilibili.com/video/BV137411E7oC?p=1
行业及发展概述
视频前面大概讲了无人驾驶相关的作用以及行业和出行的趋势，讲了无人驾驶探索、发展、成熟的发展历程
对于我这种入门小白还是挺友好的，对于了解背景挺有帮助的
无人驾驶分级
L0-L5（L0-L2人负责，L3-L5车负责）
实现思路
V2X： Vehicle to Everything（车路协同）
边缘计算： 路侧单元（RSU）、车载单元（OBU）
5G通信： LTE-V协议，专门针对车间通讯的协议
路侧智能： 百度ACE计划，由红绿灯等路侧设备感知并将数据发送给无人车
主车智能、感知能力、决策能力、高精地图、定位
权责问题
2017年Mobileye提出RSS（Responsibility-Sensitive Safety）责任敏感安全模型
L4自动驾驶主流系统架构
硬件概述
感知传感器：摄像头、激光雷达、毫米波雷达、超声波
定位传感器：IMU、GNSS（无人车一般用RTK（载波相位差分技术））
车载计算单元（IPC）
车辆线控系统
（Lidar和Radar是不一样的。Lidar是我们常说的激光雷达，波长较短，更加精细，采用TOF方式获得距离，常用于建图。Radar是毫米波雷达，在恶劣环境下返回的信息比Lidar准确，成本低。）
软件概述
RTOS：实时操作系统，比较有名的由QNX（类Unix，强实时）和RT Linux（打实时补丁的Linux）
Framework：框架（中间件），用的比较多的还是ROS，现在的ROS2也解决了ROS的一些问题
HD Map：高精地图
Localization：定位
① INS：惯性导航系统，高频较不准的姿态信息
② RTK：载波相位差分系统，低频较准的位置信息
③几何定位：迭代最近点（ICP）、直方图滤波
卡尔曼滤波融合①②信息，获得准确的实时信息。
Perception：感知（检测、分类、跟踪、分割）
Prediction：预测（实时准确）
Planning：决策规划
Control：控制（准确稳定）
HMI：人机界面（Human Machine Interaction）
Cloud Platform：云端
综述
最后看了两篇综述
Self-Driving Cars: A Survey
Introduction主要讲了三次DARPA对无人驾驶的发展的促进，然后简单介绍一些做无人驾驶的企业和一些无人驾驶平台。然后引出典型的无人驾驶的架构，对架构内各个部分进行了详细的描述。
整个架构分为感知系统和决策系统，系统内各个部分的联系如上图所示
感知系统：
Localizer，定位器，负责估计汽车的状态（姿态、速度等），主要有三种方式雷达、雷达+摄像头、摄像头
Offline Maps，离线地图，区分汽车自由（可穿越）空间和障碍空间，常见为OGM，涉及到SLAM
Road Mapper，道路地图，负责管理有关道路和车道的信息，例如地板上的标记和其他形式的交通信号
MOT，Moving Objects Tracker，移动物体跟踪器，检测和跟踪自动驾驶汽车周围环境中移动障碍物的姿态
TSD，Traffic Signalization Detector，交通信号检测器，负责检测和识别交通规则中定义的标志
决策系统：
Route Planner，Route规划器，Route是一系列的点，感觉可以理解为坐标
Path Planner，Path规划器，Path是一系列的姿态，感觉可以理解为向量
Behavior Selector，行为选择器，负责选择当前的驾驶行为
Motion Planner，运动规划器，计算当前状态到目标状态的轨迹，满足运动学和动力学
Obstacle Avoider，障碍物避开器，对运动规划器的轨迹进行避障规划
Controller，控制器，使得汽车能够尽可能好地将轨迹实现。
链接：https://arxiv.org/abs/1901.04407
Computer Vision for Autonomous Vehicles: Problems, Datasets and State of the Art
是一篇近300页的综述，如其名，收集介绍了自动驾驶计算机视觉的一些问题，数据集和先进的方法。
大致列出每一章的内容，方便后续查阅。
第二章：自动驾驶的历史
第三章：传感器（主要讲相机），第一节讲相机模型，包括全向相机和事件相机。第二节讲标定。
第四章：数据集及基准，分别讲了计算机视觉数据集、自动驾驶数据集、使用游戏引擎生成合成数据
第五章：物体检测，主要讲问题定义，方法，数据集，指标，先进方法，讨论。
第六到十一章：物体跟踪、语义分割、实例分割、立体匹配、多视图 3D 重建、光流
第十二章到第十五章：3D 场景流、（映射、定位和自我运动估计）、场景理解、自动驾驶的端到端学习