近年来自驾车已成为汽车产业的一大趋势。而机器视觉辨识是自驾车不可或缺的一部分，近期清华大学学生团队自行开发自驾赛车，兆镁新提供了工业相机及相关配备，协助团队达成目标。

受到世界学生赛车（FSAE）启发，清大赛车工厂NTHU Racing於2015年成立，从零开始，自行设计和制作赛车，叁与FSAE Japan，2018年转型制作电动车，并於隔年勇夺电动车第二名成绩，并获得最隹电子系统设计、效率奖等奖项。近年来，自动驾驶车已成为汽车产业的一大趋势。为求突破，清大学生团队开始自行开发自驾赛车，The Imaging Source 兆镁新（TIS）提供DFK 33UX273 相机以及相关配备，协助团队达成目标。

定位及建立地图资讯

团队先制作一台缩小版赛车来测试硬体以及软体设计，团队目前开发的自驾系统由感测器融合与导航控制两部分构成，由角锥定义之赛道实现对应的定位及导航系统，藉此验证软体架构的可行性。

在测试过程中，感测讯号利用扩展卡尔曼滤波（EKF），与FastSLAM-1.0演算法融合机器视觉系统与各项感测器资讯，以估计出车辆定位与角椎地图资讯。导航控制则是基於定位与路径资讯，运算车辆动力学模型，以随机最隹化求解模型预测控制来达成车辆。

软体验证的方法融合了许多感测器类型的数据，如加速计、ToF以及视觉感测器。此感测器融合的过程可以达到最隹感测及导航控制。而视觉感测一直是无人车发展组成的一部分，用於可视化环境中的物体，如标志和车道标记，视觉数据也可用於解决任何自动驾驶车面临的另一个基本挑战：确定自己在三维空间中的位置的能力。

图1 : 清大学生以一台缩小版赛车先进行测试，将双相机搭配主机於小车上。（左上角为概念图，右下为实际测试赛车）

机器视觉辨识一直是自驾车不可或缺的一部分，有如无人车眼睛，帮助赛车在赛道上辨识且避开障碍，畅行无阻。一开始，学生安装单台USB 3.0 DFK 33UX273工业相机，整合成一个单相机系统。相机的输入被分析为环境资讯（例如黄色和蓝色的角锥，见图1），同时也用於帧对帧的视觉追踪。

图2 : 电脑视觉演算法运用视觉数据，不仅能辨识物体及周遭环境变化，同时也能进行定位及建立地图资讯（SLAM）。

相机的连续图像被用来估计车子本身相机的即时位置变化，进行单眼视觉测距（VO），然後使用扩展卡尔曼滤波（EKF）和FastSLAM-1.0演算法，测量环境的基本结构和几何形状。 然後，这些特徵汇集整合到一个视觉地图中，以高精度的方式预估汽车的位置（同步定位和建立地图资讯 ?SLAM）。

双眼看得比单眼广

在测试过程中，学生团队发现单台相机系统所提供的视野（FoV）还是有点太窄了（图2a），过程中仍然有一些死角，无法完整辨认全数角锥。

借鉴其他赛车队的经验，学生们决定测试在视觉系统中增加第二个相机，以增加视野并捕捉所有环境障碍物（图2b）。 在安装相机前，车辆仅能透过加速规和光流速度感测器来推估自身位置，但无法得知外在环境状况。经由USB 3.0相机能够快速有效地连接到计算机，将图像资讯从相机即时传输到资料库。经过测试，双相机系统便能成功辨识到所有角锥。

图3 : （a）单相机赛车已能辨识大部分角锥，但仍然有一些死角。

（b）增加第二台相机後的双相机系统拓展赛车的视野，也成功地捕捉到所有角锥的影像。