视觉识别红绿灯这个早就实现了，现在自动驾驶的难点是复杂场景下的行驶路径规划，
比如你要并线，但是发现隔壁车道有车，你是加速插到前面，还是减速插到后面，
加速多少减速多少方向打多少，这些个决策都是会影响你的行驶效率和体验的

【 在 syy2018 的大作中提到: 】
: 激光雷达能解决前方有没有东西的问题，参考飞机在云里飞，要躲鸟。而视觉是可以很方便的解决前方的红路灯等问题，2个相加，个人认为才是合适的，特别是如果量大，材料和工艺肯定是越来越便宜，的，所以，都要，个人认为才更对。
--
FROM 120.229.75.*

冲突了肯定是视觉错了，或者算法错了  
  
【 在 CCERCCUS (CCERCCUS) 的大作中提到: 】
:  有肯定比没有强
:  ——那个未必，有了也许就是多余，某些情况下会起反作用，特别是激光雷达判断跟视觉冲突的时候
:  【 在 semilog 的大作中提到: 】
:  : 端到端方案，激光雷达的数据只是传感器参数之一，没有所谓的上限，下限。。。  
--
FROM 223.104.41.*

老司机开车是眼观六路耳听八方的
只靠眼睛也是不行的  
  
【 在 kettle (小牛) 的大作中提到: 】
:  现在AI卡的是算力，激光雷达占用算力贡献的信息又很有限，
:  这就像老司机开车本来挺好的，副驾坐个新手媳妇非要在边上指指点点的那不是更容易出事故么
:  
:  【 在 AugustLeo 的大作中提到: 】
--
FROM 111.199.249.*

拿你的命去学习？
【 在 snwofox303 的大作中提到: 】
: 你对端到端理解是错误的。端到端可不是通过揣摩人类的驾驶习惯和行为。端到端就如同当初的围棋ai，只需要告诉它围棋的基本规则 ...
--
FROM 39.144.38.*

对，激光雷达在车载场景中完全是乐色。
都不如毫米波

【 在 hsv 的大作中提到: 】
: 我调研过，毫米波雷达目前还是输出稀疏的2D点云（一个目标一个点），毫米波经目标反射，内部经过处理是距离-多普勒数据，靠dbscan聚类输出xy、v、rcs值（可以认为是响应强度）；为了去噪往往会过滤掉静止目标。23年之前是2D点云通过1x1之类的layer融合到可见光特征以后进行OD操作，网络学到的是运动目标的运动位置信息，比后融合要好一些；23年之后dnn应用到距离-多普勒特征，一些特殊的卷积之类的操作以后，后续都是较常规OD用的dnn layer了，往往和可见光融合在一起以后接多个输出头，模型理论上学到更多的信息，这个实战从传感器角度感觉应该会不错，毫米波的物理特性，雾天比各种光强的不是一星半点，数量级的优势…
: 鼓吹端到端的，都未必理解你最后一句噪声数据的含义，其他人就更更费劲了，老实说本站能这么理解的人不多，这个从去年我就开始这么说了，没几个人能理解到。
: 目前hw3加了数据就能解决12.4.1飘车道的问题，看起来新的模型评估方法需要突破，目前已知的是12.3.6会与v11最后一版对比评估，但人工干预稀少以后使得模型评估变难了，评估方法突破之后就是另一个飞跃了。
--
FROM 221.218.138.*