賓士自動駕駛等級的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

自駕車感測器訊號融合與碰撞時間偵測之研究

為了解決賓士自動駕駛等級的問題，作者江彥霆 這樣論述：

隨著電動及智慧車輛的普及的，各式各樣的車載電子設備不斷演進，除了基本的電池、電能控制系統越來越有效率，駕駛輔助系統也不斷演化，使自動駕駛等級不斷提升，從Level 1 進步到 Level 4 逐漸往自駕車邁進。自駕車功能的實現，依賴大量不同功能感測器，光是高解析度相機一輛車可能要裝6-8 個不等，分別具備不同應用範圍及距離的功能。除此之外為提升安全性，不可避免的需安裝光達、雷達或相機，在感測器數量及種類越趨複雜情況下，感測器融合就成為自駕車識別環境最重要的一環，它將類似人類的眼睛、耳朵等效果可避開障礙物。在自動駕駛車輛與感測器結合相關論文有很多，先前文獻探討多以雷達、相機、慣性量測儀及全球定

位系統等感測器研究車輛定位或車速規劃等功能，較少利用光達及攝影機研究障礙物碰撞時間偵測，在現實世界中障礙物的場景非常複雜，如果行駛中車輛不能及時獲取與障礙物的碰撞時間，可能會發生事故。因此本論文會利用光達高精確度及測量距離長的優點，與相機感測器融合來達成車輛前方障礙物碰撞時間偵測，此研究首先利用 KITTI 公開數據集，設定所需模擬相機及光達感測器，使用感測器收集車輛前方障礙物數據，分別處理照片資料及點雲數據，針對照片資料須偵測其關鍵特徵，擷取並匹配前後照片關鍵特徵點，在照片辨識方面使用YOLO的深度學習演算法，實現可靠地識別照片中的車輛並在它們周圍放置一個界定框，對於光達資料則必須過濾並剪裁

所需部分，其後執行點雲資料分群，透過照片所鎖定的界定框及光達的分群資料，採用2D-3D傳換達成將光達與攝影機資料重疊達成融合的目地，車輛行進時系統可以鎖定前車物件界定框計算出與前車可能碰撞時間。模擬結果可顯示出結合光達及相機兩個感測器所獲得資料，即時計算出與前車碰撞時間，可完整融合相機及光達優點。