剛剛的國產(chǎn)Model Y試駕所見，其內(nèi)后視鏡背面空空如也，并沒有搭載之前Model 3曾有的三目攝像頭。

我們還是先看看什么是立體視覺（StereoVision）技術(shù)吧。

原理并不復(fù)雜

早在1838年，物理學(xué)家惠斯登（Wheaston）發(fā)明了實體鏡，讓人們第一次知曉了立體視覺這一全新的深度知覺現(xiàn)象。1861年，美國人史高維（Scoville）利用兩個鏡頭仿照人體兩眼前的距離同時拍攝，發(fā)明了早期的立體攝影。其仿生的就是人眼三角測距。

立體視覺是計算機視覺的一個重要模塊。人類之所以能看到各種物體，得益于我們的視覺系統(tǒng)。在發(fā)現(xiàn)了單目系統(tǒng)的缺陷之后，從一個攝像頭增加到兩個攝像頭，就構(gòu)成了一個立體系統(tǒng)。如果可以在兩幅圖像中找到對應(yīng)點，就可以通過三角測量的方法來求得深度。

基于此，人們發(fā)明了用來測量距離的雙目攝像頭。近年來，伴隨計算機和自動駕駛（AD）技術(shù)的發(fā)展，立體視覺已用于車輛的目標感測和識別應(yīng)用。

立體視覺原理

立體視覺處理是將世界從2D平面轉(zhuǎn)換為全3D環(huán)境，不僅提供了更豐富、更密集的目標場景表示，還允許感測系統(tǒng)在未經(jīng)訓(xùn)練的情況下識別一般障礙物，使倉庫機器人、自動駕駛車輛等的導(dǎo)航更安全、更有效。

早在1996年，德州儀器（TI）就在《用多個DSP實現(xiàn)快速3D視覺》的應(yīng)用報告中描述了一個具有移動機器人引導(dǎo)和自動車輛導(dǎo)航的立體視覺過程。

3D信息任務(wù)分配和數(shù)據(jù)傳輸

報告指出：“立體視覺過程通過在不同位置獲取兩幅圖像，并研究相應(yīng)立體點位置的差異來確定物體的距離。各種技術(shù)已經(jīng)發(fā)展到從一組亮度圖像推斷3D信息的階段。立體視覺的技術(shù)，特別是它能夠在各種照明條件下和大深度范圍內(nèi)工作更適合測距應(yīng)用�！�

自動駕駛應(yīng)該百密而無一疏

自動駕駛的一項基本任務(wù)是環(huán)境感知，即在行進中解釋不斷變化的3D世界。車輛要使用一些方法來了解和響應(yīng)周圍環(huán)境，尤其是在運動中實現(xiàn)深度感知。如果路上的物體是陌生的怎么辦？也就是說，如果系統(tǒng)沒有被訓(xùn)練就去識別路上的特定障礙物就會出現(xiàn)偏差。

實現(xiàn)自動駕駛的傳統(tǒng)方法是結(jié)合使用深度傳感技術(shù)：LiDAR和雷達是最常見的（與全球定位系統(tǒng)（GPS）配合使用，再加上極其精確的地形圖）方法。對攝像頭數(shù)據(jù)進行深度估計在業(yè)界也很流行，但是，顧名思義，這種技術(shù)提供的是距離估計，而不是精確的測量。而立體攝像頭能夠精確地測量距離，為自動駕駛應(yīng)用提供顯著的優(yōu)勢。

再看看特斯拉是怎么做的？去年，特斯拉收購了研究高效DNN（深層神經(jīng)網(wǎng)絡(luò)）的計算機視覺初創(chuàng)公司DeepScale，希望能夠沿著視覺算法這一技術(shù)路線圖，繼續(xù)推進自動駕駛技術(shù)的落地。之后，特斯拉Autopilot 2．0實現(xiàn)了利用攝像頭訓(xùn)練數(shù)據(jù)改進的限速識別算法，以提高高速公路限速數(shù)據(jù)的準確性。特斯拉一直在用神經(jīng)網(wǎng)絡(luò)計算機來加強算力，也一直在用幾個攝像頭觀測場景的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。訓(xùn)練者，難免百密而無一疏。

護欄屬于“未知物體”，失誤在所難免

致力于汽車智能化和輕量化產(chǎn)品的研發(fā)和制造保隆科技視覺產(chǎn)品總監(jiān)孫路認為，特斯拉將增強型自動駕駛輔助系統(tǒng)提供給用戶后，本地用戶便“心甘情愿”地通過眾包形式無限訓(xùn)練車輛，通過采集大量數(shù)據(jù)進行大量訓(xùn)練，其方案結(jié)合幾何與網(wǎng)絡(luò)測距方法，適用于網(wǎng)絡(luò)調(diào)參，來增強模型的擬合能力，方案價格略高一些。

他指出：“但單目自身存在的問題不能完全杜絕，窮舉法不可能完全覆蓋，特斯拉仍然會出現(xiàn)一些場景的操控失誤風(fēng)險；而雙目具有一定技術(shù)門檻，不易實現(xiàn)高性能指標，行業(yè)還沒有專用芯片，目前普遍采用FPGA，工藝難度高。此外，結(jié)構(gòu)精度要求高，耐久性、一致性、溫度適應(yīng)性要求也高。需要自動校準（AA）算法、靜態(tài)標定算法保存內(nèi)參等，投入很大�！�