智能无人驾驶遭质疑 双目融合方案或是新突破口

2016年以来，无人驾驶创业公司不断涌现，如今正面临着商业化探索的关键时期。接下来，无人驾驶的行驶方式等待检验、量产中亦有诸多难题等待解决。前不久，李开复还曾公开表示，像Waymo一样的自动驾驶，即人可以不在驾驶位上，还需要很久，但是以后的车没法人机协作。

他还进一步解释道：“我们也可以认为以后无人驾驶达到了一定的程度，它就会通过物联网彼此交流，比如说一辆车可以告诉另外一辆车，说我爆胎了，请你们让开一点。自动驾驶将取代人类驾驶。当然达到这个程度还有20年，30年还是40年，有争议存在。”

虽然在商业落地的过程中，无人驾驶的生态圈还面临众多难点。但大多数人依然支持“自动驾驶是人工智能改变世界的光辉起点”的这一观点，对该领域的探索也不会止步。这其中，SLAM的应用至关重要。

SLAM（同步定位与地图构建），是指运动物体根据传感器的信息，一边计算自身位置，一边构建环境地图的过程，解决机器人等在未知环境下运动时的定位与地图构建问题。目前，SLAM在无人驾驶领域的用途包括传感器自身的定位，以及后续的路径规划、运动性能、场景理解等。

由于传感器种类和安装方式的不同，SLAM 的实现方式和难度会有一定的差异。按传感器来分，SLAM 主要分为激光 SLAM 和 vSLAM 两大类。早在 2005 年的时候，激光 SLAM 就已经被研究的比较透彻，直到目前，激光 SLAM仍然是最稳定、最主流的定位导航方法。

随着计算机视觉的迅速发展，vSLAM（基于视觉的定位与建图）因为信息量大，适用范围广等优点逐渐受到广泛关注。基于视觉的 SLAM 方案目前主要有两种实现路径，一种是基于 RGBD 的深度摄像机，比如英特尔的Realsense和小觅深度相机系列产品；还有一种就是基于单目、双目或者鱼眼摄像头的。

基于深度相机的 SLAM ，跟激光 SLAM 类似，通过收集到的点云数据，能直接计算障碍物距离，相比基于单目、鱼眼相机的 vSLAM 方案，需要利用多帧图像来估计自身的位姿变化，再通过累计位姿变化来计算距离物体的距离，并进行定位与地图构建，基于深度相机的 SLAM 方案在无人驾驶领域应用更为普遍。

小觅双目摄像头深度版（MYNT EYE Depth）采用“视觉＋结构光＋惯性导航”融合的方案，内置深度计算芯片，无需上位机即可输出深度。相较固态激光、单目相机、视觉相机、结构光相机和ToF相机等单一深度传感器方案，“视觉＋结构光＋惯性导航”融合的方案是适用场景更广泛且更具性价比的3D传感器融合解决方案。

小觅双目摄像头深度版提供120°FOV和50°FOV两种视角方案给客户选择，120°FOV版本提供更广阔的深度识别范围，50°FOV版本则具备更高精度水平和识别深度，识别距离可达15m，精度可达毫米级，为室外作业环境提供了更多可能。

总的来说，想让用户在AR／VR、机器人、无人机、无人驾驶领域体验加强，还是需要更多SLAM前沿技术做支持。未来新型传感器的出现也会不停地为SLAM注入活力，在降低SLAM算法难度的同时，也会给SLAM的技术格局带来许多变化。