Please enable JavaScript.
Coggle requires JavaScript to display documents.
introduction - Coggle Diagram
introduction
第一段
视觉感知系统是获取外部环境信息最重要的源头，如同自动车的眼镜，对于自动驾驶至关重要。
自动驾驶车通过协调多个模块完成安全行驶。
由此可见，我们自动驾驶车辆的感知系统能力边界并不清晰。
举例：xxx车企由于视觉系统处理不好，导致的安全事故。
当前自动驾驶感知系统能力受限，导致处理环境危害效果不佳。
第二段
环境中的自然危害，譬如xxx,xxx等，直接影响视觉感知效果，从而影响驾驶行为。
实际上，面向自然危害场景测试自动驾驶感知系统具有以下挑战：一、尚缺少全面系统的危害定义。二、危害种类与状态众多，为构建带来困难。
实际上，面向危害的测试，（此类危害表示自然界正常发生的），是可以帮助提升自动驾驶安全性，然而现在研究工作很少有专注于感知系统在危害下的表现的。
最好给个示例，说明自然危害是什么，加上之后如何影响感知的。
最要命的是，这些危害，人为无法避免。
第三段
1、道路测试，来自实际城市道路的路景，但是由于危害的稀疏性，往往仅覆盖了很少部分危害。然而，如果在实际道路场景中构造这些危害，难度与成本极大。
现有的研究人员在感知系统的测试上已经做了工作：
2、仿真测试，现有仿真器（如开源Carla， LGSVL等，商用xxxx等）能够构造出各种场景，但是无一是专门针对危害场景设定，缺少很多危害建模。
3、对抗性攻击，如果是通过加入噪声、补丁，还是纹理效果，来完成感知系统的预测错误，该类研究在复杂动态的驾驶场景，都是不适用的。
第四段
本文章提出了xxxx
全面定义了城市全工况下自动驾驶车辆视觉系统所遇到的危害类型，包括：xxx、xxx。
实现了引擎xxx，能够提供每种危害的可定制化。
提供了一套危害抽样机制，能够生成路径视频，包括单一危害，以及多种可叠加危害。
第五段
实现平台，以及危害总量
验证对象，包括哪些感知模型
验证效果