下载掌阅APP，畅读海量书库
立即打开
对自动驾驶进一步研究的主题，应该考虑提高自动驾驶汽车环境中3D物体检测的性能。根据2D检测器和3D检测器之间的显著性能差异，以及在文献中发现的差距，我对今后研究的主题进行了如下规划：
● 对3D物体检测的大多数研究，都集中在提高检测方法的基准性能上。尽管这是一个有研究前途的目标，但是对于可靠的驾驶应用所需的检测性能水平尚无任何了解。在这方面，有效的研究机会是调查检测性能与驾驶安全之间的关系，对该检测性能通过相关的关键性能指标（KPI）进行衡量。
● 可以探索PointNet的最新进展，以验证对缺失点和遮挡的适应性，这仍然是困难样本性能不佳的主要原因。具体来说，可以探索各点之间的几何关系，以获得单独考虑每个点所无法获得的重要信息。
● 当前，许多方法都考虑使用传感器融合来提高感知系统的可靠性。考虑到点密度的差异，可能的贡献包括多代理融合方案中的协作感知方法。车辆可以使用V2X或LTE通信技术来共享相关的感知信息，这些信息可以改善和扩展环境的可视性，从而减少不确定性，并改善性能感知方法。
● 对KITTI数据集的一个重要限制是其典型的日光场景和非常标准的天气条件。尽管文献 [6] 中提供了在夜间和大雪天气条件下的测试方法，但是其仅给出了定性结果。还应该进行进一步的研究，以评估这种条件对物体检测的影响，以及在常规条件下如何获得可靠的性能。
● 目前3D物体检测方法大多数只能达到低于10fps的速度，这是保持激光雷达实时运行的最低速度。为了获得在真实环境中运行快速、可靠的识别系统，必须对检测方法进行重大改进。
● 大多数方法不能输出预测的校准结果，这可能会导致在真实环境中产生危险的行为。具有开创性的工作是，在文献 [22] 中找出了这一差距，并提出了一种量化检测模型的不确定性方法，但未能实现实时运行的要求。在这一领域，应该进行更多的研究，以了解不确定性的根源，以及如何降低不确定性。