在人类驾驶员开车的时候，一般可以准确预测其他来往车辆的路线，从而提前进行减速让行以避免车祸的发生。然而，这种推理能力是自动驾驶系统不具备的。目前，有研究人员将推理与机器学习进行结合，从而推动自动驾驶技术落地。下文中为您阐述这种技术方案。
视觉感知
下图中，我们看到一辆黑色汽车c正在试图右转，但它的前方还有一辆自行车正在行驶。现在当黑色车c右转的时候，它会暂时遮挡住自行车，后面的白色车辆就会难以做出正确的预测。
激光雷达、毫米波雷达和摄像头如何促进自动驾驶？
LiDAR 技术对自动驾驶汽车的安全性至关重要，例如 Waymo、现代、起亚等头部自动驾驶公司都在采用LiDAR传感器，LiDAR 是一种声纳，是以发射激光束探测目标的位置、速度等特征量的雷达系统。大量自动驾驶汽车使用它来实时侦测环境，通过使用激光雷达，汽车可以精准感知到与其他车辆的距离。
摄像头同样对自动驾驶很重要，尤其对于采用了纯视觉方案的特斯拉。自动驾驶汽车依靠汽车四周的摄像头，并将所有返回的图像进行360度拼接。有的广角摄像头视野高达120度，其他的摄像头则专注于更窄的视角以提供远程视觉效果。还有一些汽车甚至采用鱼眼摄像头，鱼眼摄像头可以提供全景的超广角镜头，以全面了解车辆后方的情况，以便提高安全性。
毫米波雷达也用于自动驾驶汽车，但它有一个最明显的弊端，当无线电波发射并从物体反弹时，只有一小部分信号会被反射回传感器，因此，被反射的物体显示为一组很稀疏的点。还有噪声问题，在雷达图像中经常看到不属于任何物体的噪音点。传感器还会接收到所谓的回波，这些回波是无线电波的反射，并非直接来自被检测物体。
激光雷达、毫米波雷达和图像的数据标注
通过使用激光雷达可以将现实环境映射成一个3D点云环境，它是自动驾驶系统看到真实世界的样子。但是您需要用3D包围框，3D点云分割等数据标注方法来标注3D点云数据，只有这样自动驾驶系统才能真正理解这个3D点云世界。对于摄像头返回的图像数据，需要使用2D包围框、车道线、语义分割、立体框等方式对其进行标注。
推荐阅读《自动驾驶领域中的数据标注》
无论是点云还是图像数据，如果是连续帧的情况下，数据标注会变成一项相当耗时的工作，您可以想象一下如果连续帧是30fps甚至60fps的时候，数据标注将是一项巨大的工程。
将您的数据标注外包给冰山数据，我们拥有超过万人的训练有素的数据标注人员和合作商，以及能够提高标注速度的冰山标注平台，支持连续帧自动补间标注，您的内部成本将降低50%以上，速度提高3倍，如果您有自动驾驶相关的数据标注需求，请随时联系我们。