智能无人车二期（进阶套餐）

如果你已经跟着一期课把小车跑起来过，现在多半会遇到一个尴尬：车能走直线、能跟着黑线拐弯，但一遇到光照变化、障碍绕行、路口判断就露馅。这不是你手笨，而是一期课解决的是「让车动起来」，二期要解决的是「让车自己判断」。这篇导读帮你判断：这个进阶套餐补的到底是哪几块能力，你现在的缺口值不值得花时间。

一期和二期之间，差的是哪一层

一期的知识结构大致是：认识底盘和电机、装好传感器、写几段循迹逻辑、调参让它别抖。这套东西能出成果，但它默认环境是干净的——赛道固定、光线稳定、没有突发遮挡。一旦把车放到稍微真实一点的场地，问题就集中爆发：阈值写死的灰度判断失效，转向靠 if-else 堆出来的逻辑越加越乱，更别说让车识别一个红绿灯或者避让一个突然出现的人。

二期进阶补的就是这一层「感知—决策」之间的断层。它不再停留于「传感器读数触发动作」，而是要求你把摄像头或雷达的数据真正处理成车能用的判断依据，再把判断变成控制指令。换句话说，从「我告诉车该怎么做」变成「车自己决定怎么做」。

三个容易被跳过、但必须补的能力缺口

第一，视觉数据的处理链路

很多人以为接上摄像头就叫视觉，实际上中间隔着采集、预处理、特征提取、结果输出这一整条链路。你需要搞清楚帧率、分辨率、曝光这些东西为什么会直接影响识别稳定性，以及为什么白天调好的参数到傍晚就失效。这块不补，后面所有「识别」都是碰运气。

第二，把 AI 模型塞进一辆小车

在电脑上跑通一个检测模型和在车上实时跑通，是两件事。算力有限、内存有限、供电有限，你得学会权衡：模型多大、多久出一次结果、结果晚了两帧车会不会已经撞上去。这是进阶课里最值钱的部分，也是自学最容易卡住的地方。

第三，决策逻辑的工程化

一期可以写几十行 if-else，二期不行。多传感器、多个判断条件、多个动作优先级叠在一起，你需要的是状态机或者更清晰的分层结构。否则代码跑起来就是玄学，改一处崩一处。

配套练习大概长什么样

• 先复现：用给定参数跑通一次完整的感知—决策—执行流程，确认每个环节的输出你能看懂。
• 再扰动：改变光照、遮挡传感器、挪动赛道，观察哪一环先崩，记录现象而不是急着改代码。
• 后替换：把示例里的识别模型或判断阈值换成你自己调的版本，对比前后差异，说清楚为什么变好或变差。
• 最后整合：在一条包含路口和障碍的路线里，让车连续跑通，不靠人工干预。

这类练习的特点是：结果不唯一，但过程必须能解释。如果你只想拿一份能跑的代码，二期会让你失望；如果你想搞清楚每个参数背后的原因，它才成立。

看完这门课，你应该能回答这几个问题

• 为什么同样的识别模型，在实验室跑得通，到了实际场地上就频繁出错？你打算先排查哪一环？
• 当摄像头和距离传感器给出互相矛盾的结论时，你的车听谁的？依据是什么？
• 模型推理延迟增加了 100 毫秒，你的控制逻辑需要做哪些对应调整？
• 如果让你把判断逻辑从 if-else 改成状态机，你会怎么划分状态和转移条件？

能顺畅回答前两个，说明你已经跨过了「会调参」的阶段；能回答后两个，说明你具备把这套东西迁移到其他机器人项目的能力。回答不上来也不要紧——这正是进阶套餐要补的缺口所在。缺什么补什么，别假装什么都会，学起来反而快。