AI风云录 3：视觉与雷达——自动驾驶的“看见”与“感知”进化史

蚝油生菜

我一直自认脑子还行，直到坐进驾驶座才发现：开车不是解数学题，而是一场需要同时处理十几个变量的“街头生存游戏”。于是，当自动驾驶说要接管这个烂摊子时，我立刻来了兴趣：机器到底怎么学会“看路”？

它主要靠两套系统：视觉算法和雷达。


一、视觉算法：从“看到”到“看懂”的三次真实升级
最初，电脑“看”图就像婴儿看色块——啥也不是。直到它经历了三次真正的技术革命：

第一次飞跃：卷积神经网络——给AI装上“视觉皮层”

专业点说：2012年，AlexNet横空出世，在ImageNet大赛上碾压传统算法。CNN通过卷积层自动学习图像的层次化特征（从边缘到纹理到部件），让机器终于能可靠地识别出“这是一辆车，那是一个行人”。

通俗点讲：这相当于给AI装上了生物的初级视觉皮层。以前是教它“车有轮子”，现在是扔给它一百万张图，它自己总结出了“车”的抽象概念。特斯拉的早期Autopilot，正是基于这套逻辑来看世界的。


第二次飞跃：大规模数据集与算法框架——从“识图”到“决策”
专业点说：光会认物体不够，还得知道怎么开。这催生了像COCO、KITTI、nuScenes等专门针对驾驶场景的数据集，以及Faster R-CNN、YOLO等能实时检测的目标检测框架。更重要的是，BEV感知（鸟瞰图感知） 技术出现了，它能将多个摄像头的2D图像，在特征层面“抬升”并融合成一个统一的3D鸟瞰图空间。


通俗点讲：这次飞跃让AI从“图片鉴定师”变成了“现场指挥官”。BEV就像给车开了上帝视角，让它能在一个统一、类似地图的坐标系里，理解周围所有物体精确的位置和关系，为后续的路径规划打下了基础。


第三次飞跃：Transformer与数据闭环——走向“场景理解”
专业点说：最近几年，来自NLP领域的Transformer架构（特别是Vision Transformer）开始统治CV界。它的注意力机制能让模型更全局地理解图像中各个部分的关系。特斯拉力推的“纯视觉”路线，其核心就是基于Transformer的庞大神经网络，并通过数据闭环自动筛选百万量级的“Corner Cases”（极端案例）反复训练。


通俗点讲：这相当于AI开始有了“联想”和“推理”能力。它不再只是被动地识别像素，而是能主动构建一个动态的、有因果关系的场景模型。比如，它可以通过路边行人头的朝向和身体的姿态，更早地预判其意图。
但即便强成这样，视觉系统依然有个物理意义上的“天敌”：极端环境。浓雾、暴雨、逆光，尤其是纯黑之夜，摄像头抓瞎了。这时，就需要另一位低调的伙伴出场了。


二、雷达：那位穿透迷雾的“谨慎哨兵”


雷达是另一种维度的感知。它不依赖光线，自己发射电磁波（通常是毫米波），通过计算回波的时间差和频率变化，直接得到目标的距离、速度和角度。


它的核心优势就两个字：稳定。
不管天黑与否、雨雪多大，只要物体有反射面，雷达就能发现它。在视觉系统因强光眩目或黑夜迷茫时，雷达就是最后那道可靠的保险栓。
但它的短板也明显：粗糙。


传统毫米波雷达的“点云”稀疏，很难识别物体具体是什么（是车？是墙？），更别提看懂交通信号了。所以，它是一位优秀的“哨兵”，但成不了“指挥家”。
因此，行业主流方案走向了融合感知：用视觉的“高分辨率”来做精细识别和语义理解，用雷达的“全天候”来保证基础安全，再结合激光雷达（LiDAR）提供的高精度3D点云（如果配备的话），共同拼出世界的完整模样。


三、数据与“老司机”天花板：那条看不见的渐近线
所有这些算法和硬件，最终都要靠数据来喂养和验证。每一英里路测，每一次人类接管，甚至每一次事故，都是系统进化的“经验包”。这个过程，像极了一个新手司机成长为老司机：初期进步神速，几年后技术曲线逐渐平缓，逼近个人能力的“天花板”。


对于自动驾驶系统，这个天花板就是长尾问题——那数百万种出现概率极低、但花样百出的极端场景。目前的AI仍在“开疆拓土”的快速上升期，我们还没摸到那条理论渐近线。突破的关键，或许就在于能否用更高效的算法（如世界模型）、更强大的算力和更自动化的数据闭环，去啃下这些最硬的骨头。

蚝油生菜

公众号可见上面

以梦为马

我最近还真在研究这玩意
还得出了一个研究生考研方向，机器视觉
就业应该靠谱