自动驾驶可行驶区域划分综述

自动驾驶中的 可行驶区域划分（或称 车道保持/道路分割）是自动驾驶系统的核心功能之一，其目的是通过传感器和算法实时识别车辆在道路上可安全行驶的区域（如车道线、道路边缘、行人区域等），并规划车辆的行驶路径。以下是其技术实现和关键步骤的详细说明：

1. 数据采集与融合的深度解析

1.1 传感器类型与数据特性

• 摄像头：
  • 单目摄像头：成本低，但无法直接测距，需依赖深度估计网络（如DepthNet）。
  • 双目摄像头：通过视差计算深度，但受光照变化影响较大，实时性要求高。
  • 鱼眼摄像头：大视角（>180°），用于广角场景（如环视系统），但边缘畸变严重，需校正算法。
• 激光雷达（LiDAR）：
  • 机械式LiDAR：高分辨率（如64线），但体积大、寿命短、成本高，适用于L4+级别自动驾驶。
  • 固态LiDAR：体积小、寿命长，分辨率较低（如16线），适合L2+/L3级量产车。
  • 数据处理：点云需经过降噪（如统计离群点检测）、坐标系转换（从LiDAR到车辆坐标系）和地面分割（如RANSAC平面拟合）。
• 雷达（毫米波雷达）：
  • 主要用于测距和速度，对静态障碍物（如护栏）识别能力弱，需与摄像头或LiDAR数据互补。
• 高精度地图：
  • 包含车道线类型（实线/虚线/双实线）、宽度、曲率、高程等信息，精度可达厘米级，需结合实时定位（如RTK-GPS）对齐。

1.2 多传感器融合方法

• 时间同步：所有传感器数据需严格对齐时间戳（通常通过硬件触发或软件插值）。
• 坐标统一：将不同传感器数据（如摄像头像素坐标、LiDAR点云坐标）转换到统一的参考系（如车辆坐标系）。
• 融合算法：
  • 卡尔曼滤波（KF）/扩展卡尔曼滤波（EKF）：适用于线性/非线性系统，但对模型误差敏感。
  • 粒子滤波（PF）：适用于非线性、非高斯系统，但计算量大。
  • 深度学习融合：如Multi-Net，将摄像头图像和LiDAR点云输入多模态网络，直接输出语义分割结果。

---

2. 环境感知与特征提取的细节

2.1 车道线检测技术

• 视觉方法：
  • 传统方法࿱