对于单筒望远镜，物体越远，距离测量的精度越低。硬件的缺点可以通过算法来弥补。最近，已经发表了两篇有关单眼视觉的研究论文，一篇是单眼视频的深度估计，另一篇是关于单眼3D对象识别的。数据集下的测试取得了良好的结果。我们熟悉的单眼相机可能被低估了。相机是自动驾驶汽车中的重要传感器之一。自动驾驶过程中的首要任务是道路识别，它主要基于图像特征方法和模型匹配方法。驾驶过程中需要障碍物检测和路标识别。此时，车辆上的信息收集可以使用单眼视觉或多眼视觉。由于许多图像算法是基于单眼相机开发的，因此单眼相机的算法成熟度高于其他类型的相机。基于单眼的相机可用于定位和目标识别。但是，与多眼相比，单筒望远镜具有固有的缺陷，不能丰富视野信息，并且单筒望远镜的精度也低。但是，单眼相机的作用尚未得到充分利用。最近，两项关于单眼视觉的研究使许多研究人员感到惊讶。原始的单筒望远镜性能良好。 Paper1：用于单眼3D对象检测的正交特征变换单眼3D对象检测是一项非常具有挑战性的任务。当前最先进的系统不及激光雷达系统的1/10。剑桥大学的科学家使用单眼视觉。在3D对象识别中，通过引入正交特征变换，将基于图像的特征映射到正交3D空间以避免形成图像域，并且可以充分推断每个对象的比例大小和距离。通过在KITTI数据集中进行测试，发现与以前的Mono3D方法相比，该方法在鸟瞰视图和3D对象边界识别的平均准确性上优于对手。特别是在检测远处的物体时，它远远超过了Mono3D，并且在远处可以识别的汽车数量也更多。即使在严重遮挡或截断的情况下，仍然可以正确识别对象。在某些情况下，它甚至达到了3DOP系统的水平。在这项工作中，基于鸟瞰视野中的操作，提出了一种新颖的单眼三维物体检测方法，该方法减少了许多不良图像的属性，并使3D的推断更加容易世界的结构。简单的正交特征变换用于将基于图像的特征转换为该鸟瞰图表示形式，并描述了如何使用图像集成来有效地实现该功能，并将其以深两层的形式应用于提取的鸟瞰特征。维卷积网络。已经取得了良好的结果，表明单眼发育仍然有很大的空间。 Paper2：一种从单眼视频中进行无监督深度学习的结构化方法。这是Google工程师进行的一项研究。他使用单眼视频深度估计。自2014年第一篇有关NIPS的文章开始，使用基于CNN的单眼深度估计技术以来，近年来，也出现了一些有关单眼深度估计的文章。一些人直接基于CRF和相对深度方法直接依靠深度学习和网络体系结构来获取结果，以及依靠深度信息本身的性质进行估计，本文基于无监督学习的单眼视频深度估计。本文中的方法可以模拟运动物体并产生高质量的深度估计结果。与以前的单眼视频无监督学习方法相比，该方法可以恢复运动对象的正确深度。换句话说，它可以以与自己的行驶车辆相同的速度正确地恢复行驶车辆的深度。由于相对静止的车辆通常表现出与地面相同的无线深度特征，因此可以解决高动态场景中的问题。这些方法仍然需要很长时间才能测试其可靠性。与激光雷达相比，一旦将单眼算法成功应用于无人驾驶汽车，它将节省大量金钱，并且单眼视觉识别可能会有无限的市场。潜在的。