Update readme.md

UMCar/readme.md

@@ -64,12 +64,32 @@
 
 目前，环境感知技术有两种技术路线，一种是以摄像机为主导的多传感器融合方案，典型代表是特斯拉。另一种是以激光雷达为主导，其他传感器为辅助的技术方案，典型企业代表如谷歌、百度等。
 
-摄像机捕获图像（RGB图像） ->  预处理(缩放、旋转、格式转换) -> 提取特征  -> 物体检测/分类/分割/识别等
+摄像机捕获图像（RGB图像） ->  预处理(缩放、旋转、格式转换) -> 提取特征  -> 物体检测/分类/语义分割/识别等
 
 激光雷达捕获距离数据(点云数据)  -> 预处理(PCL点云处理，降采样，聚类分割等) -> 提取特征（形状、表面纹理） -> 三维检测框（三维框+类别）
 
 后两步，现在一般使用DCNN深度神经网络来实现。
 
+检测 -> 跟踪(连续帧，检测出的物体匹配关联（利用局部二值模式特征/方向梯度直方图等特征进行匹配）) -> 判断速度（辅助雷达数据（三维点云数据，含有精确的距离信息）） -> 预测物体轨迹(未来的速度和位置)
+->  检测出 动态物体 和 车道线 -> 用于规划和决策
+
+透视变换 和 滑动窗口跟踪
+
+语义分割理解环境障碍物道路等，CNN卷积网络**编码**得到特征 -> 反卷积（或池化索引上采样+卷积）**解码**网络
+
+
+高精度地图中，设定ROI感兴趣三维(点云)/二维（图像）区域，以缩小 查询匹配范围，加快感知，实际检测的静态物体(交通灯等)会在HD map中查找，辅助实际环境中的感知过程
+
+
+相机 雷达radar 激光雷达LiDAR 在各种使用场景和环境下个有优缺点，所以需要结合他们的优点，达到在各种场景中最优，所以需要**传感器融合技术**
+
+雷达radar 激光雷达LiDAR 检测障碍物，传感器融合的算法为 卡尔曼滤波（预测+测量误差更新）
+
+数据同步融合 / 数据异步融合
+
+
+
+