一、课程导论：自动驾驶中的道路边界检测概述
大家好，我是你们这门课的主讲。在自动驾驶领域摸爬滚打了快十年，说实话，道路边界检测一直是我觉得最「接地气」却又最头疼的问题之一。
为什么这么说？你想想看，一辆车要在路上跑，首先得知道「路在哪」。这不是废话吗？但实际做起来，你会发现——路沿可能被树叶挡住，车道线可能被磨损，雨雪天更是直接「隐身」。嗯，这就是我们这门课要解决的核心问题。
1.1 道路边界检测到底在检测什么？
说白了，就是让车知道「哪里能走，哪里不能走」。我个人习惯把道路边界分成三类：
- 物理边界：路沿石、护栏、绿化带——这些是硬边界，撞上去就完蛋
- 标志边界：车道线、导流线——这些是软边界，压一下问题不大，但违规
- 语义边界：可行驶区域与不可行驶区域的抽象分界——比如施工区、锥桶围起来的区域
我在项目中遇到过最坑的一次：某段路的路沿石被新铺的沥青盖住了，激光雷达扫过去一片平坦，结果车差点开进沟里。从那以后，我坚持「多传感器融合」的思路——单一传感器永远有盲区。
1.2 可行驶区域计算的定义
可行驶区域计算，其实就是回答三个问题：
- 哪里能走？——路面、车道内
- 哪里不能走？——路沿外、障碍物、逆行车道
- 哪里勉强能走但最好别走？——比如路肩、紧急停车带
我曾经做过一个项目，客户要求「只要物理上能通过就算可行驶区域」。结果车开上了人行道——虽然没撞到人，但被交警拦下来了。所以你看，可行驶区域不只是几何问题，还有交通规则、安全裕度这些「潜规则」。
核心公式（简化版）：
可行驶区域 = 道路边界内区域 - 障碍物占据区域 - 安全缓冲区这个公式看着简单，但每个项的实现都够写一篇博士论文。
1.3 课程目标
学完这门课，我希望你能做到：
- 拿到任意一段道路数据（图像、点云、或两者都有），能独立设计一套边界检测方案
- 遇到「边界模糊」的情况（比如雪天、夜晚），知道该用什么trick补救
- 能评估自己的算法在实车上的表现——不只是精度，还有延迟、鲁棒性
我记得有个学员问我：「老师，学了这些我能去面试感知岗吗？」我的回答是：如果你能把这30章的内容吃透，面试官问的道路边界相关问题，你基本都能答到点子上。
1.4 学习路径建议
我个人建议的学习顺序是这样的：
| 阶段 | 章节 | 重点 |
|---|---|---|
| 基础 | 1-5章 | 搞懂传感器原理、坐标系变换、数据标注规范 |
| 核心 | 6-18章 | 传统方法（Canny、RANSAC）→ 深度学习方法（语义分割、BEV感知） |
| 进阶 | 19-25章 | 多传感器融合、时序信息利用、极端场景处理 |
| 实战 | 26-30章 | 工程部署、实车测试、常见坑的解决方案 |
避坑指南：我曾经跳过基础部分直接做深度学习，结果连点云坐标系都没搞明白，花了两周调参才发现是数据预处理错了。所以——基础章节别跳，哪怕你觉得自己「都会了」。
1.5 这门课能给你什么？
说白了，这不是一门「纸上谈兵」的课。每一章我都会结合自己踩过的坑来讲。比如：
- 为什么有些论文里的方法在实车上跑不通？
- 为什么同一个算法，晴天和雨天效果差那么多？
- 为什么你的模型在测试集上精度99%，一上路就崩？
这些问题，我都会在后续章节里一一拆解。你想想看，如果只是看论文，你永远不知道「理论到工程」之间隔了多少个bug。
注意：这门课需要你具备基础的Python编程能力和一定的机器学习知识。如果你连numpy和pytorch都没用过，建议先补一下基础。不然你会听得云里雾里——嗯，我见过太多这样的学员了。
好了，导论就到这里。下一章我们正式开始——从传感器选型讲起。你会看到，同样的道路边界，用摄像头、激光雷达、毫米波雷达看，完全是三个世界。
准备好了吗？我们第二章见。