無人駕駛一般包括五個等級，但是不管哪個等級都會包含環(huán)境感知、規(guī)劃決策和執(zhí)行控制等三個方面，其中環(huán)境感知方式主要有視覺識別、毫米波雷達感知和激光雷達感知。

今年分別發(fā)生在美國和中國的兩起特斯拉自動駕駛狀態(tài)下的車禍致死事件，本質(zhì)上就是因為視覺識別技術(shù)的缺陷導致。具體分析如下：

美國的車禍中，由于特斯拉車上的毫米波雷達裝位置較低，無法檢測卡車高的車廂，而攝像頭當時應該已經(jīng)能檢測到卡車了。不過車輛的行駛過程中，兩個探測設(shè)備在最后融合起來的時候可能出現(xiàn)了問題，未能識別卡車所處位置，最終導致車禍發(fā)生。

國內(nèi)的車禍中，特斯拉在跟車過程中，前車突然變道，前方工程車輛速度較慢，與特斯拉之間距離迅速縮短，毫米波雷達無法掃描到近距離的側(cè)向車。加之攝像頭當時僅收錄了部分工程車車體，進而視覺識別無法及時反應，最終導致車毀人亡。

上述兩起事故，雖然只是所有有關(guān)特斯拉自動駕駛車禍中最典型的兩起，但卻足以說明在視覺識別技術(shù)尚未完善的情況下，使用自動駕駛模式是非常危險的。同樣，視覺識別技術(shù)對于自動駕駛、無人駕駛技術(shù)的重要性也不言而喻。

目標由靜至動的轉(zhuǎn)變，是汽車領(lǐng)域的視覺識別最大挑戰(zhàn)之一

傳統(tǒng)的視覺識別常見的應用場景有文字轉(zhuǎn)錄、人臉識別、指紋識別等等，不過這些視覺識別技術(shù)都有一個共同的特點，都是靜止狀態(tài)下的識別。而在汽車領(lǐng)域，視覺識別在識別內(nèi)容和要求兩個方面就與傳統(tǒng)視覺識別有所不同。

識別內(nèi)容方面，汽車領(lǐng)域的視覺識別最大難點在于，攝像頭和識別目標兩者都是相對運動的。比方說需要識別的機動車、非機動車、人，這些物體是參與交通的一部分且是處于主動運動狀態(tài)。而障礙物，以及交通牌、紅綠燈等交通標識則是相對運動狀態(tài)。

而識別要求方面，則是追求低成本的同時還強調(diào)性能。一個足夠強大的視覺識別系統(tǒng)，其實是可以替代激光雷達的作用，從而降低自動駕駛成本。但是由于技術(shù)特性的不同，也會帶來一定的可靠性問題。對于汽車而言，即使出現(xiàn)短暫性的問題都可能會嚴重威脅人身財產(chǎn)安全，比方說特斯拉的那兩起事故。

正是由于汽車領(lǐng)域的視覺識別既要求成本又要求性能，而識別內(nèi)容又更加繁復，因此視覺識別在汽車領(lǐng)域的應用難點尤其突出。

深度學習可以算是近些年來人工智能領(lǐng)域的最大突破之一，如果在算法和樣本量足夠的情況下，其準確率可以達到99.9%以上，而傳統(tǒng)的視覺算法檢測精度的極限在93%左右。這樣一來，將深度學習融入視覺識別系統(tǒng)，可以使得無人駕駛技術(shù)更加完善。

無人駕駛的環(huán)境感知部分包括車道線、車輛、行人、交通標志等目標的自動檢測，這就要用機器學習的方法去完成自動識別工作，而深度學習是目前為止最好的機器學習方法。深度學習利用其深層的神經(jīng)網(wǎng)絡(luò)，通過一定的算法能訓練出一個識別率非常高的分類器，從而能夠使環(huán)境感知部分高精度的完成，為駕駛決策模塊提供正確的環(huán)境信息，保證無人駕駛正常的完成。

所以說，相比于傳統(tǒng)模式識別算法，深度學習算法所具備的精確度更高、環(huán)境適應性更強等特點，讓無人駕駛技術(shù)中的視覺識別更上一層樓，也讓整個無人駕駛技術(shù)更完善。