1. 课程导入

无人车是人工智能与物理世界交互的典型载体，其核心能力来源于“感知—决策—控制”的闭环。然而，这一闭环并非全部依赖云端完成——在真实道路环境中，网络延迟、带宽限制、数据隐私和安全性等问题，使得车辆必须在本地（即“边缘”）实时完成推理任务。所谓边缘推理，是指在车载计算平台上，对传感器采集的数据进行本地化处理、模型推理和结果输出，从而支撑车辆在毫秒级时间内做出驾驶决策。本章作为整个课程的开篇，将帮助您建立无人车边缘推理的整体认知框架，明确学习路径，并厘清贯穿后续所有章节的核心概念。

上图展示了无人车边缘推理的完整链路：从传感器采集原始数据开始，经过预处理环节，进入边缘推理引擎执行模型计算，最终输出控制指令驱动车辆执行。同时，车辆的状态反馈会回流至系统，形成闭环优化。这一流程贯穿本课程的全部章节，也是无人车工程实践的基石。下面我们将从学习目标、核心概念和课程框架三个维度展开详细阐述。

1.1 无人车边缘推理的整体流程

无人车边缘推理的流程可以概括为“采集—预处理—识别—控制输出”四个阶段，每个阶段都有其独特的技术挑战和工程要点。

1.1.1 采集阶段：多传感器融合的起点

无人车通常搭载多种传感器，包括摄像头（提供丰富的视觉纹理信息）、激光雷达（提供精确的三维空间点云）、毫米波雷达（在恶劣天气下仍能稳定工作）以及全球定位系统（GPS）和惯性测量单元（IMU）等。采集阶段的核心任务不仅是获取数据，还要确保数据的时间同步和空间对齐。例如，摄像头图像与激光雷达点云必须对应同一时刻的物理场景，否则融合算法将产生严重的感知偏差。

1.1.2 预处理阶段：数据清洗与特征增强

原始传感器数据往往包含噪声、畸变和冗余信息。预处理阶段的任务包括：图像去畸变、点云滤波、感兴趣区域（ROI）提取、数据归一化以及坐标变换等。以摄像头为例，镜头畸变会导致图像边缘的物体位置偏移，必须通过标定参数进行校正。预处理质量直接影响后续推理的准确性，是边缘推理链路中不可忽视的环节。

1.1.3 识别阶段：边缘推理引擎的核心

识别阶段是边缘推理的核心，它运行着经过压缩和优化的深度学习模型，执行目标检测（如识别行人、车辆、交通标志）、语义分割（如区分可行驶区域）、路径规划等任务。由于车载计算平台的算力有限（通常为几十 TOPS），模型必须经过量化、剪枝或知识蒸馏等压缩技术，才能在保证精度的同时满足实时性要求。例如，一个典型的 YOLOv5s 模型在 Jetson Orin 平台上经过 TensorRT 加速后，推理延迟可从原始的 30ms 降低至 8ms 左右。

1.1.4 控制输出阶段：从决策到执行

识别结果需要转化为具体的车辆控制指令，包括转向角度、油门开度和制动压力。这一阶段通常通过 CAN 总线或车载以太网将指令发送至线控底盘。控制算法（如 PID 或模型预测控制 MPC）需要根据当前车速、道路曲率和障碍物距离，平滑地输出控制量，避免急转或急刹带来的安全隐患。

阶段	输入	输出	典型延迟要求	关键技术
采集	物理环境	原始图像/点云/信号	< 10ms	传感器标定、时间同步
预处理	原始数据	标准化张量	< 5ms	去畸变、滤波、归一化
识别	标准化张量	目标框/语义图/路径	< 30ms	深度学习推理、模型压缩
控制输出	感知结果	转向/油门/制动指令	< 10ms	PID/MPC、CAN 通信

1.2 学习目标与能力要求

完成本章及后续课程的学习后，您将具备以下核心能力：

• 理解边缘推理的工程定位：能够区分云端推理与边缘推理的适用场景，明确边缘推理在实时性、隐私性和可靠性方面的优势。
• 掌握数据流水线的构建方法：能够独立设计从传感器采集到预处理的数据流水线，并解决时间同步、坐标变换等实际问题。
• 熟悉模型优化与部署工具链：掌握 ONNX、TensorRT、OpenVINO 等主流推理引擎的使用，能够将训练好的 PyTorch 或 TensorFlow 模型转换为高效的边缘部署格式。
• 具备控制输出的调试能力：理解 PID 和 MPC 控制器的基本原理，能够根据车辆动力学特性调整控制参数，实现平稳的循迹或避障。
• 建立系统级测试与评估思维：学会在仿真环境（如 CARLA、SUMO）和实车平台上进行端到端测试，能够分析延迟、吞吐量、精度等关键指标。

1.3 核心概念解析

在进入后续章节之前，有必要厘清几个贯穿课程的核心概念：

• 边缘计算（Edge Computing）：相对于云计算，边缘计算将计算和数据存储推向网络边缘（即车辆本地），以减少数据传输延迟和带宽消耗。在无人车场景中，边缘计算是保障安全性的底线。
• 推理（Inference）：指使用训练好的神经网络模型对新的输入数据进行前向计算，得到预测结果的过程。与训练不同，推理对延迟和吞吐量有极高要求。
• 端到端延迟（End-to-End Latency）：从传感器采集到控制指令生效的完整时间。业界通常要求该延迟小于 100ms，其中感知部分占 50-70ms，控制部分占 20-30ms。
• 时间同步（Time Synchronization）：确保不同传感器数据对应同一物理时刻的技术。常用的方法包括 GPS 授时、PTP 协议和硬件触发。
• 模型量化（Quantization）：将浮点模型参数转换为低比特（如 INT8）表示，以减少模型体积和计算量，但可能带来少量精度损失。

1.4 课程框架与学习路径

本课程共分为 30 章，按照“基础—进阶—实战”的逻辑组织。前 5 章聚焦于传感器数据采集与预处理；第 6-15 章深入讲解模型优化与推理引擎；第 16-22 章覆盖控制算法与执行器接口；第 23-30 章则关注系统集成、测试与部署。每一章都包含理论讲解、代码示例、案例分析和常见误区总结，确保您能够学以致用。

为了帮助您更好地规划学习，下表列出了课程的核心模块与对应章节范围：

模块	章节范围	核心主题	实践项目
采集与预处理	第 1-5 章	传感器标定、时间同步、数据增强	多传感器数据融合采集系统
模型优化与推理	第 6-15 章	模型压缩、TensorRT 部署、量化	YOLOv5 在 Jetson 上的实时检测
控制与执行	第 16-22 章	PID/MPC、线控底盘、安全冗余	基于 ROS 的循迹小车控制
系统集成与测试	第 23-30 章	仿真测试、实车部署、性能调优	校园场景无人车端到端演示

1.5 常见误区与总结复盘

在无人车边缘推理的学习和实践中，初学者常陷入以下误区：