1. 课程导入与工程全景

在 ADAS 与自动驾驶的感知栈中，车道线（Lane Marking）与可行驶区（Drivable Area / Free Space）是两类最贴近“车辆该往哪走”的输出。它们不像目标检测那样直接给出“前方有一辆车”，而是回答更基础的问题：本车当前所在车道的几何形状是什么、车道边界在哪里、哪些区域是物理上可以安全通行的。Mobileye EyeQ 系列芯片把这两类感知作为核心能力之一，通过专用视觉加速器与经过量产验证的算法，在低功耗条件下输出稳定的车道与可行驶区结果。本课程围绕“工程落地”展开，而不是泛泛介绍算法原理，因此第一章需要先把系统边界、输入输出、在整车中的角色以及后续 29 章的任务地图讲清楚。

一、EyeQ 车道线与可行驶区感知的定位

EyeQ 是一颗面向视觉感知的 SoC，内部包含多核 CPU、向量加速器（如 EyeQ4 的 VMP、EyeQ5 的 CVP）以及专用的图像信号处理链路。车道线与可行驶区感知运行在这套硬件之上，通常由前视摄像头（单目或三目）提供图像输入。它的定位可以概括为三点：第一，它是横向控制（LKA、LCC、车道居中）的直接输入源；第二，它是纵向与横向联合决策（如自动变道、避障绕行）的约束条件；第三，它是高精地图与定位模块的补充或冗余，在无图或弱图区域提供几何参考。

需要特别强调的是，EyeQ 输出的车道线与可行驶区并不是“原始像素级分割图”，而是经过结构化抽象后的结果。车道线通常以三次多项式或样条参数描述，附带置信度、类型（实线、虚线、双线、路沿等）和可见范围；可行驶区则常以边界线、栅格占据或自由空间多边形表达。理解这种“结构化输出”是后续做融合、控制与功能安全设计的前提。

二、系统边界与输入输出定义

从工程视角看，一个完整的车道线与可行驶区感知链路包含以下边界：

• 输入侧：前视摄像头图像（分辨率、帧率、曝光、内参外参）、车辆运动信息（车速、横摆角速度、方向盘转角）、时间同步信号。
• 处理侧：图像预处理、车道线检测与拟合、可行驶区分割与边界提取、时序跟踪与滤波、置信度评估。
• 输出侧：车道线方程系数、车道宽度、本车横向偏移、可行驶区边界点列或栅格、各输出的置信度与有效范围。

这些输出通过 CAN 或以太网发送给域控制器或 ADAS 控制器。以常见的接口定义为例，一条左车道线可能包含：a0（横向偏移，单位 m）、a1（航向角，单位 rad）、a2（曲率，单位 1/m）、a3（曲率变化率）、startX 与 endX（有效纵向范围）、confidence（0~1）。可行驶区则可能以左、右边界点列或占据栅格形式给出。这些字段的物理含义、坐标系约定（通常以车辆后轴中心或摄像头光心为原点，X 向前、Y 向左）必须在项目初期就统一，否则后续融合会出现符号与方向错误。

三、在 ADAS 与自动驾驶中的角色

在 L1~L2 级 ADAS 中，车道线感知主要服务 LKA（车道保持辅助）与 LCC（车道居中控制）。此时系统只关心本车道左右边界，输出频率通常为 20~30 Hz，横向控制对延迟敏感，因此感知链路的总延迟需要控制在 100 ms 以内。在 L2+ 与 L3 级系统中，可行驶区感知变得同等重要：它不仅要判断车道内是否可通行，还要识别施工区、锥桶、路沿、隔离带等非车道边界，为避障与绕行提供空间约束。

在更高级别的自动驾驶中，EyeQ 的车道与可行驶区输出通常作为多传感器融合的一路输入，与激光雷达、毫米波雷达、高精地图和定位结果共同构成环境模型。此时它的价值不仅在于精度，更在于“在摄像头可见范围内提供稠密、连续、低延迟的几何约束”，弥补地图更新滞后和雷达分辨率不足的问题。

四、本课程任务地图

本课程共 30 章，整体按照“认知—数据—算法—工程—验证—复盘”的脉络组织。第一章建立全景与边界；随后进入摄像头标定、图像预处理、车道线检测与拟合、可行驶区分割、时序跟踪与滤波等核心模块；再进入 EyeQ 平台上的部署、性能优化、接口定义与功能安全；最后通过典型场景测试、故障排查与项目复盘形成闭环。每一章都会给出可执行的参数、代码片段、配置示例或判断依据，而不是停留在概念层面。

五、工程落地的关键认知

在进入后续章节之前，需要建立三个关键认知。第一，车道线与可行驶区感知的难点不在“能不能检测到”，而在“在雨雾、逆光、夜间、车道线磨损、施工区等场景下能否稳定输出并给出正确的置信度”。第二，EyeQ 的输出是结构化参数而非图像，因此下游模块必须理解参数含义、坐标系和有效范围，否则会出现“感知正确但控制错误”的问题。第三，工程落地必须关注实时性、功耗、功能安全与接口一致性，这些约束会反过来影响算法选择与参数配置。