1.3.1 感知

自动驾驶系统感知中的传感器，对于车辆定位至关重要。然而，因其准确性和高成本所限，并且由于全球导航卫星系统（GNSS）的传感器价格昂贵，在城市环境中不准确，且高度敏感，例如，集成了全球定位系统（GPS）的GNSS的传感器，仍然容易受到GPS定位错误的影响；基于GNSS的车道级定位方法，也容易受到多路径干扰的影响，当外部物体阻碍GPS信号时，会产生卫星时钟误差，以及GNSS坐标与高清晰度之间不可避免的不一致地图坐标。另外，虽然视觉传感器的成本较低，但在恶劣的天气条件和复杂的背景下，它们不准确，因为其设计目的是对更清晰的图像和视频进行操作。来自高清地图的信息，可用于改善视觉传感器所提供的图像质量，但是构建高清地图需要大量的软件和人工操作。而激光雷达传感器价格昂贵，并且因其在识别“非接地物体”方面存在局限性，目前尚不清楚它们是否能识别出其中的人何时意外地移动。最新的研究建议融合具有重叠功能但类型不同的传感器，以降低成本，实现冗余，并提高其安全性等性能。

在基于机器学习的感知系统中，例如神经网络，对传感器的输入，比对抗性样本更容易进行操纵。这些对抗性样本是通过修改摄像机图像，引起神经网络的某些行为而创建的。例如，降低系统对预测的置信度或导致预测对输入进行错误分类。操纵自动驾驶系统传感器的输入，例如，稍微修改道路标志，可以使自动驾驶系统的神经网络对这些标志进行错误分类、显示错误行为并造成道路安全危害。为了提高其对操纵的抵抗力，研究人员提出了一些方法来保护神经网络免受对抗性样本的攻击。

当自动驾驶系统感知的错误被传播到后续的软件组件中时，也会产生安全风险。感知算法能处理传感器的输入，并根据它们对自动驾驶系统环境的理解来生成输出。由于输出可能不够准确，并且在决策算法中用作输入，因此影响了自动驾驶系统的控制命令，从而可能会产生不安全的驾驶行为。这种来自感知组件的错误传播，曾导致Tesla的自动驾驶系统在2016年发生了致命事故。为了使系统能考虑到感知组件所引入的不确定性，估计和最小化每个单独组件中的不确定性至关重要。例如，通过使用贝叶斯概率框架和蒙特卡洛抽样，来估计自动驾驶汽车的感知系统所生成的预测置信度分数。每个组件中的不确定性，也应在所有的软件组件之间进行沟通和良好集成，以提供对系统不确定性的整体度量，促进决策的制定。

自动驾驶系统的性能，受到对计算要求高的感知算法的限制。Lin等人[5]验证了目标检测、跟踪和定位等感知算法，这共同构成了自动驾驶系统计算能力的94%以上。这些计算约束阻碍了精度的进一步提高，因而采用更高分辨率的摄像机，并使用诸如图形处理单元（Graphics Processing Unit，GPU）之类的计算平台来克服这些限制，可能会产生额外的热量，从而显著增加了功耗，减少了自动驾驶汽车的行驶距离，降低了燃料消耗效率。虽然深度神经网络架构之类的机器学习技术能改善对象检测任务，例如边界框检测（最大限度地检测框内对象）和语义分割（对图像空间中的每个像素进行分类），但是对于它们可引入时间延迟，用于实时对高分辨率图像进行分类[6]。