大腦里的生物神經細胞和其他的神經細胞是相互連接在一起的。為了創建一個人工神經網絡，人工神經細胞也要以同樣方式相互連接在一起。為此可以有許多不同的連接方式，其中最容易理解并且也是最廣泛地使用的，就是如圖所示那樣，把神經細胞一層一層地連結在一起。這一種類型的神經網絡就叫前饋網絡（feed forward network）。這一名稱的由來，就是因為網絡的每一層神經細胞的輸出都向前饋送（feed）到了它們的下一層（在圖中是畫在它的上面的那一層)，直到獲得整個網絡的輸出為止。

神經細胞通過輸入層、隱含層和輸出層的鏈接，形成一個復雜的神經網絡系統，通過有效的學習訓練，使輸出層的結果與現實越來越靠近，誤差越來越小，當其精度滿足一定的功能需求時，神經網絡訓練完畢，此刻構建的神經網絡系統即能為我們解決眾多機器學習上的圖像識別、語音識別、文字識別上的問題。

在智能駕駛目前的發展歷程上看，人工神經網絡技術，乃至現在最新的深度學習技術，廣泛用于視覺感知模塊的車輛識別、車道線識別、交通標志識別上。通過對中國路況工況的數據采集和處理，廣泛獲取國內不同天氣狀況（雨天、雪天、晴天等），不同路況（城市道路、鄉村道路、高速公路等）的真實的環境數據，為深度學習提供了可靠的數據基礎。此處神經網絡的輸入層數據，也即是傳感器獲取的數據，是多源多向的，可以是前擋風玻璃片上視覺感知模塊的障礙物位置、形狀、顏色等信息，也可以是毫米波雷達、超聲波雷達檢測的障礙物距離、角度、速度、加速度等信息，還可以是360°環視系統上采集的車位數據、地面減速帶數據。

卡爾曼濾波

卡爾曼濾波（Kalman filtering）一種利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計的算法。簡單來說，卡爾曼濾波器是一個“optimal recursive data processing algorithm（最優化自回歸數據處理算法）”。對于解決很大部分的問題，它是最優，效率最高甚至是最有用的。Kalman濾波在測量方差已知的情況下能夠從一系列存在測量噪聲的數據中，估計動態系統的狀態。由于，它便于計算機編程實現，并能夠對現場采集的數據進行實時的更新和處理， Kalman濾波是目前應用最為廣泛的濾波方法，在通信、導航、制導與控制等多領域得到了較好的應用。

卡爾曼濾波是多源傳感數據融合應用的重要手段之一，為了扼要地介紹卡爾曼濾波的原理，此處形象地用毫米波雷達與視覺感知模塊融合目標位置的過程描述。舉一個簡單的例子，目前高級輔助駕駛系統（Advanced Driver Assistance System，ADAS）上，搭載有毫米波雷達和超聲波雷達模塊，兩者均能對障礙物車輛進行有效的位置估計判別。雷達利用主動傳感原理，發射毫米波，接收障礙物回波，根據波傳播時間計算角度距離。兩者均能識別出車輛位置，那么我們該如何融合信息，如何取舍，計算出具體的車輛位置呢？卡爾曼正是解決這個問題的方法之一。我們獲取的車輛位置在任何時刻都是有噪聲的，卡爾曼濾波利用目標的動態信息，設法去掉噪聲的影響，得到一個關于目標位置的好的估計。這個估計可以是對當前目標位置的估計(濾波)，也可以是對于將來位置的估計(預測)，還可以是對過去位置的估計(插值或平滑)。卡爾曼濾波就是這樣一個根據當前時刻目標的檢測狀態，預測估計目標下一時刻目標檢測狀態的一個動態迭代循環過程。

高級輔助駕駛系統ADAS是目前智能汽車發展的重要方向，其手段是通過多源傳感器信息融合，為用戶打造穩定、舒適、可靠可依賴的輔助駕駛功能，如車道保持系統（Lane Keeping Assist， LKA），前碰預警（Forward Collision Warning， FCW），行人碰撞警告（Pedestrian Collision Warning，PCW），交通標記識別（Traffic Sign Recognition，TSR），車距監測報告（Head Monitoring and Warning，HMW）等。多源信息的融合，目的在于數據信息的冗余為數據信息的可靠分析提供依據，從而提高準確率，降低虛警率和漏檢率，實現輔助駕駛系統的自檢和自學習，最終實現智能駕駛、安全駕駛的最終目標。