文/陳光

微信公眾號/自動駕駛干貨鋪

前言

上一次的分享里，我介紹了GPS+IMU這組黃金搭檔，這兩個傳感器的組合能夠實現城區道路 自動駕駛 的穩定定位功能，解決了第一個大問題“我”在哪的問題。

為了能讓無人車能像人一樣，遇到障礙物或紅燈就減速，直到停止；遇到綠燈或前方無障礙物的情況，進行加速等操作。這就需要車載傳感器去周圍的環境進行感知。

應用于無人車上的傳感器目前有四大類，分別是攝像機，激光雷達、毫米波雷達和超聲波雷達。不同的傳感器根據其傳感特性，布置在車身的不同位置。

今天我以百度Apollo 2.0開放的攝像頭及其模塊作為引子，對無人車上的攝像機進行詳細介紹。

下圖就是百度Apollo 2.0推薦使用的攝像機LI-USB30-AR023ZWDR。Apollo 2.0中使用了兩個同樣的攝像機，通過USB3.0的轉接線接入控制器，傳遞彩色圖像信息。兩個攝像機的鏡頭的焦距分別是6mm和25mm，分別用于檢測近處和遠處的紅綠燈。

---

正文

攝像機的分類

攝像機根據鏡頭和布置方式的不同主要有以下四種：單目攝像機、雙目攝像機、三目攝像機和環視攝像機。

單目攝像機

單目攝像機模組只包含一個攝像機和一個鏡頭。

由于很多圖像算法的研究都是基于單目攝像機開發的，因此相對于其他類別的攝像機，單目攝像機的算法成熟度更高。

但是單目有著兩個先天的缺陷。

一是它的視野完全取決于鏡頭。

焦距短的鏡頭，視野廣，但缺失遠處的信息。反之亦然。因此單目攝像機一般選用適中焦距的鏡頭。

二是單目測距的精度較低。

攝像機的成像圖是透視圖，即越遠的物體成像越小。近處的物體，需要用幾百甚至上千個像素點描述；而處于遠處的同一物體，可能只需要幾個像素點即可描述出來。這種特性會導致，越遠的地方，一個像素點代表的距離越大，因此對單目來說物體越遠，測距的精度越低。

雙目攝像機

由于單目測距存在缺陷，雙目攝像機應運而生。

相近的兩個攝像機拍攝物體時，會得到同一物體在攝像機的成像平面的像素偏移量。有了像素偏移量、相機焦距和兩個攝像機的實際距離這些信息，根據數學換算即可得到物體的距離。原理圖下圖。

圖片出處：https://www.slideshare.net/DngNguyn43/stereo-vision-42147593

根據雙目測距原理應用在圖像上每一個像素點時，即可得到圖像的深度信息，如下圖。

圖片出處：《2D-3D-based on-board pedestrian detection system》

深度信息的加入，不僅能便于障礙物的分類，更能提高高精度地圖定位匹配的精度。

雖然雙目能得到較高精度的測距結果和提供圖像分割的能力，但是它與單目一樣，鏡頭的視野完全依賴于鏡頭。而且雙目測距原理對兩個鏡頭的安裝位置和距離要求較多，這就會給相機的標定帶來麻煩。

三目攝像機

由于單目和雙目都存在某些缺陷，因此廣泛應用于無人駕駛的攝像機方案為三目攝像機。三目攝像機其實就是三個不同焦距單目攝像機的組合。

下圖為特斯拉 AutoPilot 2.0安裝在擋風玻璃下方的三目攝像機。

根據焦距不同，每個攝像機所感知的范圍也不盡相同。

如下圖，可以看出三個攝像頭的感知范圍由遠及近，分別為前視窄視野攝像頭（最遠感知250米）、前視主視野攝像頭（最遠感知150米）及前視寬視野攝像頭（最遠感知60米）。

對攝像機來說，感知的范圍要么損失視野，要么損失距離。三目攝像機能較好地彌補感知范圍的問題。因此在業界被廣泛應用。

那么測距精度的問題怎么辦？

正是由于三目攝像機每個相機的視野不同，因此近處的測距交給寬視野攝像頭，中距離的測距交給主視野攝像頭，更遠的測距交給窄視野攝像頭。這樣一來每個攝像機都能發揮其最大優勢。

三目的缺點是需要同時標定三個攝像機，因而工作量更大一些。其次軟件部分需要關聯三個攝像機的數據，對算法要求也很高。

環視攝像機

之前提到的三款攝像機它們所用的鏡頭都是非魚眼的，環視攝像機的鏡頭是魚眼鏡頭，而且安裝位置是朝向地面的。某些高配車型上會有“360°全景顯示”功能，所用到的就是環視攝像機。

安裝于車輛前方、車輛左右后視鏡下和車輛后方的四個魚眼鏡頭采集圖像，采集到的圖像與下圖類似。魚眼攝像機為了獲取足夠大的視野，代價是圖像的畸變嚴重。

通過標定值，進行圖像的投影變換，可將圖像還原成俯視圖的樣子。之后對四個方向的圖像進行拼接，再在四幅圖像的中間放上一張車的俯視圖，即可實現從車頂往下看的效果。如下圖。

環視攝像機的感知范圍并不大，主要用于車身5~10米內的障礙物檢測、自主泊車時的庫位線識別等。

攝像機的功能

攝像機在無人車上的應用，主要有兩大類功能。分別是感知能力，其次是定位能力。

感知能力

在無人駕駛領域，攝像機的主要功能是實現各種環境信息的感知。接下來我會以Mobileye（一家國際上功能做視覺最牛的公司）為例介紹攝像機能夠實現的功能。先看兩張圖，視頻可以拖拽到最后點擊“閱讀全文”。

可以看出攝像機可以提供的感知能力有：

①車道線（lane）

圖中的深綠色線。車道線是攝像機能夠感知的最基本的信息，擁有車道線檢測功能即可實現高速公路的車道保持功能。

②障礙物（Obstacle）

圖中使用矩形框框中的物體。圖中僅有汽車、行人和自行車等物體。其實障礙物的種類可以更豐富，比如摩托車、卡車，甚至動物都是可以檢測到的。有了障礙物信息，無人車即可完成車道內的跟車行駛。

③交通標志牌和地面標志（Traffic Sign and Road Sign）

圖中使用綠色或紅色矩形框框出的物體。這些感知信息更多的是作為道路特征與高精度地圖做匹配后，輔助定位。當然也可以基于這些感知結果進行地圖的更新。

④可通行空間（FreeSpace）

圖中使用透明綠的覆蓋的區域。該區域表示無人車可以正常行使的區域。可通行空間可以讓車輛不再局限于車道內行駛，實現更多跨車道的超車功能等，把車開的更像老司機。

⑤交通信號燈（Traffic Light）

圖中使用綠框框出來的物體。交通信號燈狀態的感知能力對于城區行駛的無人駕駛汽車十分重要，這也是為什么百度Apollo 2.0實現“簡單路況自動駕駛”所必須開放的功能。

定位能力

相信大家都對視覺SLAM技術都有所耳聞，根據提前建好的地圖和實時的感知結果做匹配，獲取當前無人車的位置。視覺SLAM需要解決的最大問題在于地圖的容量過大，稍微大一點的區域，就對硬盤的容量要求很高。如何制作出足夠輕量化的地圖，成為SLAM技術商業化的關鍵。

Mobileye在已實現的道路經驗管理（Road Experience Management，REM）功能，能夠實現復雜路況的全局定位能力。如下圖。

看個視頻感受一下。

小結

目前百度Apollo 2.0僅開放了攝像機的交通信號燈檢測能力，障礙物的感知還是強烈依賴于激光雷達和毫米波雷達。相信在未來，文章中介紹的這些功能都會慢慢開放的。

攝像機是所有車載傳感器中，感知能力最強的，沒有之一。這也是為什么特斯拉采用了純視覺的感知方案，而堅持不使用激光雷達的原因（當然激光雷達貴也是一個因素）。

好了\(^o^)/~，這篇分享基本上讓大家了解了無人車所使用到的視覺感知技術。

如果您覺得有收獲，希望您能把文章分享給更多的人。這是我持續更新文章的最大動力。

感謝(?ω?)?！