车道线检测发论文简单吗

1、传感器技术：自动驾驶汽车上，前后左右装有认识周围环境、道路、交通状况的各种传感器。光学摄像头包括单摄像头、多摄像头，多普勒雷达包括短距离雷达、远距离雷达，还有激光雷达就是车顶上那个旋转的机器，GPS定位装置，等等，构成汽车认识环境的眼睛。2、芯片技术：也就是能够处理多个传感器采集的数据，并能整合的类似小计算机的超级芯片，使汽车的“总计算机”体积、成本大为减小，并能应用于汽车成为可能。否则汽车里将没有人坐的地方、老百姓也买不起这些庞大计算机群的汽车。3、操作系统：计算机控制系统将处理结果与操作硬件结合起来，实现加速减速、刹车停车、变向避让，以及人机对话等等。无人驾驶汽车具备了替代人工操纵的能力。4、网络技术：无人驾驶汽车要能上路，必须具备与互联网、局域网联络和识别功能，包括车与车的联络对话、车与卫星通讯、车与天气预报的联络、车与交通指挥网的联络，才能正确识别和选择道路、正确服从交通警察的指挥、正确决定通过交叉路口、正确避让危险和安全行车。总之，万里长征刚走了第一步，距离进入百姓家庭，还相当遥远。比如，那个车顶上老是旋转的东西就让人感到很不雅观。汽车制造商真的搞无人驾驶，自己把自己推给了芯片公司、计算机公司、网络公司，沦为装配厂的一员，也是很不情愿的事。

你好，车道线检测本质上是参数估计问题。在做实际工程时，要回答两个问题：1、车道线的Mathematical Model选什么？2、检测到的车道线到底属于什么类型？对于第一个问题，常用的车道线模型分为两类，参数化模型如Line/parabola/cubic, poly-line/spline, Clothoid, 只需若干个参数，即可描述整个车道线形状；也有基于数据的，如Support Vector Regression, Gaussian Process Regression，这种方法需要有正确数据的支撑，学习出相应的参数。用于车道线的参数估计问题并不简单，因为数据本身除了noise外，还有outlier。一个外点就能让传统的最小二乘法失效。Hough Transform, RANSAC, Least Trimmed Square, Bayesian Filter都可以用来鲁棒参数估计。对于第二个问题，检测到的车道线可以分为白实线、黄实线等，要用到分类的算法，我不是很懂，就不强答了。ps：使用相机检测车道线已经是ADAS的标配了，但是，但是，但是，对无人驾驶而言，相机对环境的敏感性，导致车道线检测有时候会失效。这个时候，最好使用激光传感器作为补充。pps：更进一步，为什么一定要检测车道线呢？Stanford的博士论文就没有涉及到车道线，他们把地面上的有效信息（包含车道线、人行横道、转向箭头、甚至裂缝）拼接为高精度地图，在线定位就行了。