大腦里的生物神經(jīng)細胞和其他的神經(jīng)細胞是相互連接在一起的。為了創(chuàng)建一個人工神經(jīng)網(wǎng)絡，人工神經(jīng)細胞也要以同樣方式相互連接在一起。為此可以有許多不同的連接方式，其中最容易理解并且也是最廣泛地使用的，就是如圖所示那樣，把神經(jīng)細胞一層一層地連結在一起。這一種類型的神經(jīng)網(wǎng)絡就叫前饋網(wǎng)絡（feed forward network）。這一名稱的由來，就是因為網(wǎng)絡的每一層神經(jīng)細胞的輸出都向前饋送（feed）到了它們的下一層（在圖中是畫在它的上面的那一層)，直到獲得整個網(wǎng)絡的輸出為止。
神經(jīng)細胞通過輸入層、隱含層和輸出層的鏈接，形成一個復雜的神經(jīng)網(wǎng)絡系統(tǒng)，通過有效的學習訓練，使輸出層的結果與現(xiàn)實越來越靠近，誤差越來越小，當其精度滿足一定的功能需求時，神經(jīng)網(wǎng)絡訓練完畢，此刻構建的神經(jīng)網(wǎng)絡系統(tǒng)即能為我們解決眾多機器學習上的圖像識別、語音識別、文字識別上的問題。
在智能駕駛目前的發(fā)展歷程上看，人工神經(jīng)網(wǎng)絡技術，乃至現(xiàn)在最新的深度學習技術，廣泛用于視覺感知模塊的車輛識別、車道線識別、交通標志識別上。通過對中國路況工況的數(shù)據(jù)采集和處理，廣泛獲取國內(nèi)不同天氣狀況（雨天、雪天、晴天等），不同路況（城市道路、鄉(xiāng)村道路、高速公路等）的真實的環(huán)境數(shù)據(jù)，為深度學習提供了可靠的數(shù)據(jù)基礎。此處神經(jīng)網(wǎng)絡的輸入層數(shù)據(jù)，也即是傳感器獲取的數(shù)據(jù)，是多源多向的，可以是前擋風玻璃片上視覺感知模塊的障礙物位置、形狀、顏色等信息，也可以是毫米波雷達、超聲波雷達檢測的障礙物距離、角度、速度、加速度等信息，還可以是360°環(huán)視系統(tǒng)上采集的車位數(shù)據(jù)、地面減速帶數(shù)據(jù)。
卡爾曼濾波
卡爾曼濾波（Kalman filtering）一種利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)輸入輸出觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法。簡單來說，卡爾曼濾波器是一個“optimal recursive data processing algorithm（最優(yōu)化自回歸數(shù)據(jù)處理算法）”。對于解決很大部分的問題，它是最優(yōu)，效率最高甚至是最有用的。Kalman濾波在測量方差已知的情況下能夠從一系列存在測量噪聲的數(shù)據(jù)中，估計動態(tài)系統(tǒng)的狀態(tài)。由于，它便于計算機編程實現(xiàn)，并能夠?qū)ΜF(xiàn)場采集的數(shù)據(jù)進行實時的更新和處理， Kalman濾波是目前應用最為廣泛的濾波方法，在通信、導航、制導與控制等多領域得到了較好的應用。
卡爾曼濾波是多源傳感數(shù)據(jù)融合應用的重要手段之一，為了扼要地介紹卡爾曼濾波的原理，此處形象地用毫米波雷達與視覺感知模塊融合目標位置的過程描述。舉一個簡單的例子，目前高級輔助駕駛系統(tǒng)（Advanced Driver Assistance System，ADAS）上，搭載有毫米波雷達和超聲波雷達模塊，兩者均能對障礙物車輛進行有效的位置估計判別。雷達利用主動傳感原理，發(fā)射毫米波，接收障礙物回波，根據(jù)波傳播時間計算角度距離。兩者均能識別出車輛位置，那么我們該如何融合信息，如何取舍，計算出具體的車輛位置呢？卡爾曼正是解決這個問題的方法之一。我們獲取的車輛位置在任何時刻都是有噪聲的，卡爾曼濾波利用目標的動態(tài)信息，設法去掉噪聲的影響，得到一個關于目標位置的好的估計。這個估計可以是對當前目標位置的估計(濾波)，也可以是對于將來位置的估計(預測)，還可以是對過去位置的估計(插值或平滑)?？柭鼮V波就是這樣一個根據(jù)當前時刻目標的檢測狀態(tài)，預測估計目標下一時刻目標檢測狀態(tài)的一個動態(tài)迭代循環(huán)過程。
高級輔助駕駛系統(tǒng)ADAS是目前智能汽車發(fā)展的重要方向，其手段是通過多源傳感器信息融合，為用戶打造穩(wěn)定、舒適、可靠可依賴的輔助駕駛功能，如車道保持系統(tǒng)（Lane Keeping Assist， LKA），前碰預警（Forward Collision Warning， FCW），行人碰撞警告（Pedestrian Collision Warning，PCW），交通標記識別（Traffic Sign Recognition，TSR），車距監(jiān)測報告（Head Monitoring and Warning，HMW）等。多源信息的融合，目的在于數(shù)據(jù)信息的冗余為數(shù)據(jù)信息的可靠分析提供依據(jù)，從而提高準確率，降低虛警率和漏檢率，實現(xiàn)輔助駕駛系統(tǒng)的自檢和自學習，最終實現(xiàn)智能駕駛、安全駕駛的最終目標。
