自動駕駛汽車過去隻出現在科幻作品中，而現在似乎已經離我們近在咫尺，這得益于近年來計算機視覺、機器學習等技術的高速發展以及計算機硬體處理能力的飛速提升。在這些新技術中，計算機視覺技術的進步對自動駕駛領域起到了極其重要的作用。今天，我們以回顧ICCV2015主題報告的形式為大家簡要介紹究竟有哪些計算機視覺技術應用到了自動駕駛領域。
（其中包括了演講人的PPT，内容非常充實，有很多他們推薦的種子文章，感興趣的同學可以參考）
下面簡要介紹一下這次主題報告的架構和大緻内容，主要分為8個部分：
1） 自動駕駛領域的簡要介紹：
自動駕駛的需求，現在分為5個自動化程度等級的定義，簡要發展史。随後提出了自動駕駛的基本問題，即：（1）車在哪？（2）車周圍有什麼？（3）下面會發生什麼？（4）車該怎麼做？有了這些基本問題，計算機視覺能幫助我們解決什麼呢？比如：檢測路牌，和周圍的車輛展開互動，了解周圍發生了什麼等等。
2）雙目視覺在自動駕駛中的應用：
由于雙目視覺能夠獲得dense的三維資訊，圖像可以獲得“語意”資訊（了解圖像哪部分是什麼，比如：“公路”，“樹叢”等等），而且雙目視覺的準确性和魯棒性優秀，是以被使用在自動駕駛領域。随後，主講人介紹了雙目視覺的原理，在自動駕駛領域中的發展曆程。之後，詳細介紹了所在的戴姆勒公司所用的一些技術，包括：（1）stixel對真實世界進行“語意”表達；（2）利用卡爾曼濾波進行汽車并線的方法；（3）基于深度學習的物體歸類方法； （4）基于CNN的交通燈檢測。最後，演講人列舉了一些目前的技術挑戰。
3）多傳感器融合在自動駕駛中的應用：
由于自動駕駛對可靠性的要求，而不同傳感器的優勢又各不相同，是以被用作不同功能。這些傳感器包括但不限于：定位系統（GPS, 慣導系統等），3D雷射雷達，雷達和相機。演講者首先介紹了他們(豐田)整個環境感覺系統的架構以及每個傳感器可能的用途，随後着重介紹了基于視覺的跟蹤和傳統跟蹤方法的異同，以及如何進行資料融合的方法。
4）基于“語意”的環境了解：
首先介紹了幾組通過“語意”進行環境了解的資料集，然後按由低到高的順序，從像素級語意分類，到基于區域的分類，最後到利用深度學習的“語意”分類進行逐漸深入的介紹。
5）機器人為環境自動建圖：
将建圖過程分為兩部分分别介紹：（1）相機相對姿态的确定；（2）全局相機姿态的優化。将第（1）部分又拆解為5步完成，即：特征點檢測->特征點比對->特征點跟蹤->飛值檢測和剔除->利用有效資料的最優化求解。第（2）部分則介紹了相機姿态基于圖論的全局最優化方法，包括常見的閉環檢測等。
6）自動駕駛中的定位問題：
首先闡述了定位在自動駕駛中的重要性。然後順序介紹了基于标志物（如：車道，信号燈等）的定位，傳感器融合進行定位，以及如何利用GPS進行粗初始化定位的方法。
7）相機與其他傳感器的時空資訊融合：
首先介紹了相機内參的标定工具，然後介紹了相機外參的校正、多傳感器的時鐘同步、多傳感器間的空間校準以及利用特定傳感器pair進行特定功能的解決方案。最後，演講人介紹了其主題在汽車領域的應用。
8）NVIDIA深度學習平台
以上是對這次主題報告的粗略總結，水準有限，如有錯誤還望指正，謝謝~