从零开始的无人驾驶

1. ROI

一个比较简单的做法是利用computer vision技术从摄像头视角获取道路信息。然后是选取 ROI(Region of Interest) , 基本上就是选颜色 + 选区域。

选颜色比较接近直觉, 路上的线也就两种颜色，要么白线，要么黄线。 白线其实比较好找

但是黄线的话就不能直接用原图了。要先把原图分成RGB三层

而黄色的线在蓝色那层是看不到的

（因为是互补色）

除了选颜色，选区域也是可以直接利用CV解决的问题。

从车头视角向前看，大部分像素都是没有用的。尤其是天空的部分。对于自动驾驶来说差不多等价于干扰信号，基本上可以直接过滤掉

2. Canny Edge Detection

下一步是使用边缘检测算法寻找边线。如果我们把视图当成一张灰度图来看待，那么每一条边其实都在明暗块交替的位置

通过计算亮度的变化，可以把原图转化成一张梯度图

然后再将结果锐化，得到亮度数值变化最大的像素点

实际上，在做Canny算法之前，要对图像做 高斯平滑(Gaussian smoothing / Gaussian Blur) ，消除噪声和伪梯度点

3.直线检测

Hough Transform是图像变化中的经典算法，主要用来寻找图像中符合某种特征的集合，说白了就是检测直线、圆、椭圆。

Hough变化要将笛卡尔坐标下的点变化到霍夫极坐标系，原来的点共线问题会由此转化计算成曲面在极坐标下的共点，效果上就是该算法对边缘间断不敏感。大致上是这个意思，实际操作的时候是统计累加空间里的局部最大值（峰值），以该峰值作为结果（所以说抗噪能力还是很强的）。

总结一下就是：

原图 -> 灰度图 -> 边缘检测 -> 直线检测 -> 过滤掉斜率过低的直线 -> 将最后结果叠加回原图

行为克隆

使用神经网络进行无人驾驶的理论基础来源于Imitation Learning (模仿学习)。Behavior Cloning算是Imitation Learning的一种。思路倒是很简单，将人类驾驶作为基础数据全部收集下来，然后让神经网络去拟合数据。

这类端到端的解决方案基本上是一个路子，优点：简单且有效，缺点：受限于收集的数据。因为训练集总是有限的，如果出现了神经网络之前没见过的数据，那么效果就会很差。

一个比较经典的条件是天气，下雨天的路面跟晴天的路面不一样，有雾的天气下道路能见度也会对摄像头收集的数据有很大影响。