紅綠燈的識別是自動駕駛中一個難點，相比行人、限速牌等物體，紅綠燈識別的難度不僅在於識別本身，更在於識別之後的決策。

首先，由於雷達無法判斷顏色，而且紅綠燈的懸掛位置較高，可能超出雷達探測的高度範圍，因此紅綠燈的識別只能透過彩色成像的感測器。

第二，紅綠燈的體積比較小，自動駕駛汽車如果要根據紅綠燈的狀態行進或停下，感測器需要在較遠距離時就能提前識別預判，因此對識別的召回率和精度要求都比較高；

第三，紅綠燈光強高於周圍，尤其在夜晚，紅綠燈周圍容易出現大的光斑或者過曝現象，對影象成像質量要求比較高，需要對夜晚的成像做專門的最佳化設計，才能比較穩定的識別紅綠燈；

第四，也是最難的一條：檢測到了紅綠燈之後，要怎樣去做判斷。目前中國交通在紅綠燈和路口的對應上，並沒有一個明確的標準。對於大部分情況，一個路口對應一個紅綠燈的識別，並不是特別難。

但如果遇到像上圖這樣，一個路口對應多個紅綠燈時，人往往是透過經驗判斷哪個紅綠燈才是對應本車道的，這種判斷並沒有嚴格的規則可遵循，這時候，自動駕駛演算法就很難根據紅綠燈的檢測和識別結果，做出準確的啟停判斷。

目前，依靠感測器來識別紅綠燈的顏色與形狀，還需要藉助神經網路，這也是目前檢測效果最好的一種方法。這個過程大致可以簡單地分為三個步驟

第一步，收集了大量的紅綠燈樣本，並告訴神經網路紅綠燈的位置，並根據紅綠燈的位置建立相應的位置損失函式。

第二，透過梯度下降方法，在訓練神經網路的過程中，把位置損失函式學到的內容（紅綠燈的顏色和輪廓資訊），編碼為神經網路的引數，固化神經網路中。

第三，檢測到新的目標時，新的演算法就會根據神經網路中的引數把顏色和位置相近的目標位置定位出來，從而檢測出紅綠燈。

不過，這種檢測方法對演算法的要求高，計算量與複雜程度都相當大，一般而言，紅綠燈往往與其他交通標註的識別一起進行。

檢測紅綠燈的另一種方法就是依靠V2X技術，理論上，V2X是可以解決所有的問題，但是V2X其實嚴格的依賴社會基礎設施的發展程度，而基礎設施的建設是依賴社會發展水平，就目前的社會發展水平而言，我們很難短時間內把基礎設施全部都建設好，因此這是一個理論上可行，但實際上成本非常高的方案。

紅綠燈檢測在L3級別以上的自動駕駛中，是一個必備的功能，主要用於交通路口的自動啟停、十字路口的剎車等，想要讓演算法的決策能力，達到人類同樣的水準，仍然有很長的路要走。

MINIEYE的其他回答：

機器視覺演算法如何精準地實現對障礙物的識別？大家怎麼看待，40國強制新車加裝自動剎車系統？汽車的自動駕駛技術為什麼要採用那麼多感測器？自動駕駛汽車如何「看到」紅綠燈？

進一步瞭解MINIEYE：在MINIEYE工作是怎樣一種體驗？MINIEYE是一傢什麼樣的公司？

MINIEYE - 為自動駕駛提供精準的視覺感知

加入MINIEYE：

MINIEYE招聘職位-拉勾網-專業的網際網路招聘平臺