1. 课程导入
在自动驾驶与移动机器人系统中，感知模块首先要回答一个最基础的问题：车前方哪些地方可以安全行驶？这个问题看似简单，却直接决定了后续的路径规划、行为决策与控制能否安全执行。可行驶区域（Drivable Area）与道路语义分割（Road Semantic Segmentation）正是围绕这一问题展开的两类核心感知任务。本课程将围绕它们的定义、边界、工程实现与落地优化，构建一条从数据到部署的完整学习路线。
一、核心定义：可行驶区域与道路语义分割是什么
可行驶区域指的是在当前车辆几何尺寸、运动学约束与交通规则下，车辆可以安全通行的空间集合。它通常以二值掩码（mask）或栅格地图的形式表达，回答“能不能走”的问题。可行驶区域不区分具体是什么路面，只关心是否可通行，因此它对道路、停车场、施工便道、非结构化土路等场景具有统一表达能力。
道路语义分割则是对图像或点云中的每个像素/点赋予语义类别标签，例如道路、人行道、车道线、路缘石、绿化带、天空、车辆、行人等。它回答的是“这是什么”的问题，输出的是多类别稠密预测结果。道路语义分割比可行驶区域更细粒度，既包含可通行区域，也包含不可通行的语义对象。
一句话区分：可行驶区域是“二值可通行性判断”，道路语义分割是“多类别像素级理解”。前者偏决策友好，后者偏场景理解。
二、任务边界：它们不负责什么
明确任务边界是工程落地的前提。可行驶区域与道路语义分割虽然重要，但它们并不直接输出以下内容：
- 不输出障碍物运动意图：行人是否横穿、车辆是否变道，需要目标检测与跟踪模块完成。
- 不输出精确三维距离：单目语义分割只能给出像素级类别，深度估计需依赖双目、激光雷达或多传感器融合。
- 不输出车道级拓扑：车道连接关系、路口转向关系属于高精地图与车道线检测范畴。
- 不直接生成控制指令：分割结果是感知中间表示，需经规划控制模块转化为油门、刹车与转向。
因此，在系统架构中，可行驶区域与道路语义分割通常位于感知层的中段，向上承接图像/点云预处理，向下为规划模块提供可通行空间约束。
三、应用场景：从乘用车到机器人
可行驶区域与道路语义分割的应用场景非常广泛，不同场景对精度、实时性与鲁棒性的要求差异显著：
| 应用场景 | 主要输入 | 输出形式 | 关键挑战 |
|---|---|---|---|
| 城市NOA | 环视相机、激光雷达 | 可行驶区域掩码 + 道路语义 | 遮挡、逆光、雨雾 |
| 自动泊车 | 鱼眼相机、超声波 | 可行驶区域 + 车位语义 | 低矮障碍、地面反光 |
| 园区物流机器人 | 单目/双目相机 | 可行驶区域二值图 | 非结构化路面、动态行人 |
| 矿区/农田无人车 | 激光雷达、RGB相机 | 可行驶区域 + 地形语义 | 无车道线、扬尘、颠簸 |
| 无人机地面感知 | 下视相机 | 道路语义分割 | 尺度变化、运动模糊 |
四、整体学习路线：从数据到部署
本课程共30章，按照“概念—数据—模型—训练—优化—部署—复盘”的主线展开。下图展示了整体学习路线与各阶段的核心任务：
从图中可以看到，学习路线并非线性单向，而是包含“数据回流与迭代优化”的闭环。实际工程中，模型部署后发现的漏检、误检与边界模糊问题，会反向驱动数据标注与模型结构调整。
五、常见误区与复盘要点
误区一：把可行驶区域等同于道路分割。可行驶区域可能包含非道路区域（如停车场、施工便道），而道路分割可能包含不可行驶的人行道。两者目标不同，不能混用。
误区二：只关注mIoU，忽略边界精度。可行驶区域的边界误差会直接影响规划安全性，边界F1或边界IoU往往比整体mIoU更关键。
误区三：忽略实时性与算力约束。实验室高精度模型在车载平台可能无法达到30FPS，部署前必须做量化与剪枝评估。
复盘时建议围绕三个问题展开：数据是否覆盖了目标场景的长尾情况？模型在边界与遮挡区域的表现是否稳定？部署后的推理延迟是否满足控制周期要求？这三个问题贯穿本课程始终，也是后续每一章工程实践的核心检验标准。
# 典型工程检查清单（示例）
[ ] 可行驶区域定义是否与车辆几何尺寸一致？
[ ] 语义类别是否覆盖目标场景全部关键对象？
[ ] 标注规范是否包含边界模糊与遮挡处理策略？
[ ] 训练集/验证集是否按场景与天气分层？
[ ] 部署平台算力是否满足实时性要求？
[ ] 是否有数据回流与模型迭代机制？本课程后续将逐章展开数据标注、模型选型、损失函数设计、训练调参、量化部署与实车验证等环节。掌握本章的定义与边界，是后续所有工程决策的起点。