一、道路边界感知概述
1.1 课程介绍
大家好，我是你们这门课的主讲。在自动驾驶领域摸爬滚打了十来年，我最大的感触就是——道路边界感知这事儿，看着简单，做起来真不简单。
你想想看，一辆车要在路上跑，首先得知道「路在哪儿」。这不是废话吗？但实际做起来，你会发现：路沿被树叶挡住了怎么办？雪天路肩和路面混在一起怎么区分？施工路段临时画了线，算法认不认？
我个人习惯把道路边界感知比作自动驾驶的「地基」。地基没打好，上面决策规划做得再漂亮，也是空中楼阁。我记得2018年做的一个项目，车辆在高速上因为路沿检测失误，差点骑上护栏——从那以后，我对边界感知的敬畏心就特别重。
核心观点：道路边界感知不是「能不能检测到」的问题，而是「在各种极端条件下都能稳定检测」的问题。
1.2 自动驾驶中的道路边界定义
先明确一个概念：什么是道路边界？
说白了，就是可行驶区域和不可行驶区域的分界线。但这里头有讲究——不同场景下，边界的定义是不一样的。
| 场景类型 | 边界定义 | 典型特征 |
|---|---|---|
| 结构化道路（高速） | 车道线、路沿、护栏 | 清晰、规则、高对比度 |
| 半结构化道路（城市） | 路沿、绿化带、停车车辆 | 部分遮挡、不规则 |
| 非结构化道路（乡村） | 草地与路面交界、土坡 | 模糊、渐变、无明确标记 |
嗯，这里要注意：边界不一定是「线」。在乡村道路上，边界可能是一个区域——比如草地和泥路之间的过渡带。我遇到过最头疼的情况是：路面和路肩颜色完全一样，全靠纹理差异来区分。
1.3 感知系统的输入输出
搞清楚了定义，咱们来看看系统怎么工作。
输入是什么？
- 摄像头图像（RGB，通常是前视+环视）
- 激光雷达点云（3D空间信息）
- 毫米波雷达数据（远距离、全天候）
- 车辆自身状态（车速、IMU、GPS）
输出是什么？
- 边界点序列（离散的坐标点）
- 边界线模型（多项式、样条曲线）
- 可行驶区域掩码（像素级分割）
- 边界类型标签（路沿/护栏/车道线）
说白了，输入是「原始数据」，输出是「结构化信息」。中间那层，就是咱们要讲的算法。
个人经验：我建议在输出层至少保留两种表示方式——点序列和曲线模型。点序列方便做后处理校验，曲线模型方便直接喂给规划模块。单一表示方式容易出问题。
1.4 边界感知的挑战与难点
这部分我想重点聊聊。为什么说边界感知难？我总结了几个「坑」：
- 光照变化：逆光、阴影、夜间，同一个路沿在不同光照下完全是两个样子。
- 天气干扰：雨雪天，路面反光严重，激光雷达点云也会被雨滴干扰。
- 遮挡问题：前车挡住路沿、行人站在边界上、树叶覆盖——这些都是家常便饭。
- 类别混淆：路沿和减速带怎么区分？雪堆和路肩怎么区分？
- 动态变化：施工区域、临时改道、事故现场——边界随时在变。
避坑指南：我曾经在一个项目中，只依赖单一传感器（摄像头）做边界检测。结果遇到一段连续200米的阴影区域，算法直接「失明」了。后来我们加了激光雷达做冗余，才把这个问题解决。记住：多传感器融合不是锦上添花，而是保命手段。
为什么会这样？因为每个传感器都有它的「盲区」：
- 摄像头：怕暗、怕逆光、怕遮挡
- 激光雷达：怕雨雪、怕反射面（黑色车辆）
- 毫米波雷达：分辨率低、难以区分边界类型
所以，融合不是简单的「1+1=2」。你得知道什么时候该信谁，什么时候该怀疑谁。这部分内容，咱们后面几章会详细展开。
知识体系总览
下面这张图，是我自己梳理的边界感知知识框架。你可以把它当作整个课程的地图：
这张图其实想表达一个意思：边界感知不是孤立的模块。它从传感器拿数据，经过特征提取和融合，输出结构化信息，最后服务于决策规划。每一层都有坑，每一层都有技巧。
本章小结：
- 道路边界定义因场景而异，没有「一刀切」的方案
- 感知系统的输入是多模态的，输出是结构化的
- 核心难点在于光照、天气、遮挡、动态变化
- 多传感器融合是解决边界感知问题的关键手段
好了，第一章就聊到这儿。记住我开头说的——边界感知是自动驾驶的「地基」。地基稳了，后面才好盖楼。咱们下一章见。
可可精品资料库