目標偵測 (物體偵測)

目標偵測係自動駕駛感知系統嘅核心任務，旨在令車輛實時識別並定位周圍環境中嘅各種物體（如車輛、行人、交通標誌）。呢相當於令自動駕駛系統擁有一雙能夠理解道路場景嘅“眼睛”，係實現安全決策同規劃嘅基礎。

🧠 運作原理：“看見”同“理解”

自動駕駛目標偵測主要透過深度學習算法實現。佢嘅工作流程可以概括為兩個步驟：

1. 特徵提取：算法首先從攝像頭、雷達等傳感器獲取嘅圖像或點雲數據中，提取出物體嘅邊緣、紋理、形狀等關鍵特徵。

2. 分類與定位：基於提取嘅特徵，算法再對物體進行分類（係車輛、行人定係交通標誌），並用邊界框精準標出佢哋喺空間中嘅位置。

根據處理方法嘅差異，主流算法主要分為兩大流派：

• 單階段檢測算法 (單階段)：如 YOLO 系列，佢嘅核心特點係“快”。佢將目標偵測任務簡化為一個回歸問題，直接由圖像中預測物體嘅類別同位置，一次完成。呢種端到端嘅設計使佢速度極快，可以滿足自動駕駛對實時性嘅苛刻要求，因此成為工業界嘅主流方案。例如，最新嘅 YOLO11 模型喺嵌入式平台上可以做到每秒 25 幀嘅處理速度，而基於 YOLOv8 嘅改進模型喺特定數據集上嘅平均精度（mAP）可到98.3%。

• 兩階段檢測算法 (兩階段)：如 Faster R-CNN 系列，佢嘅核心特點係“準”。佢會先用區域候選網絡（RPN）篩選出可能存在物體嘅候選區域，再對呢啲區域進行精細分類同位置修正。呢種分步策略令佢哋嘅精度更高，但計算量亦會更大，速度相對較慢。

🏆 核心應用價值：實時同精度

喺複雜嘅自動駕駛場景中，目標偵測面臨住巨大挑戰，例如密集目標遮擋、惡劣天氣、弱光環境等，都可能影響偵測嘅穩定性。因此，算法嘅實時性（毫秒級響應）同準確性（高精度同高召回率）係衡量佢哋性能嘅關鍵指標。為咗提升魯棒性，研究人員不斷提出改進方案，例如引入注意力機制令模型聚焦喺關鍵特徵，或設計多尺度特徵融合網絡以增強對細小目標同遮擋目標嘅識別能力。