# Percepcja otoczenia pojazdu EN: **Perception for autonomous driving** · id `adperception` · aliases: AV perception, 3D perception, driving perception, percepcja 3D, percepcja w autach autonomicznych Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Autonomiczna jazda](https://aiatlasgraph.com/t/autodriving.md) › Percepcja otoczenia pojazdu ## Description - PL: Wykrywanie, śledzenie i opis obiektów oraz wolnej przestrzeni wokół pojazdu w 3D na podstawie kamer, LiDAR-u i radaru. - EN: Detecting, tracking and describing objects and free space around the vehicle in 3D from cameras, LiDAR and radar. ## In one sentence - PL: Część auta autonomicznego, która z kamer i czujników składa obraz drogi: kto jest wokół, gdzie i jak szybko jedzie. - EN: The part of a self-driving car that builds a picture of the road from cameras and sensors: who is around, where, and how fast. ## Problem it solves - PL: Kamera daje płaski obraz, laser rzadkie punkty, a auto musi dokładnie wiedzieć, gdzie stoi pieszy i dokąd jedzie ciężarówka. - EN: A camera gives a flat image and a laser sparse dots, yet the car must know exactly where a pedestrian stands and a lorry heads. ## What it does - PL: Jak mózg łączący wzrok i słuch w jedno wrażenie: zestawia sygnały z wielu czujników w jedną trójwymiarową scenę. - EN: Like a brain blending sight and hearing into one impression, it combines signals from many sensors into a single 3D scene. ## Everyday example - PL: Auto wykrywa dziecko wychodzące zza zaparkowanej furgonetki i przekazuje tę obserwację do planera. - EN: The car detects a child stepping out from behind a parked van and passes that observation to the planner. ## This concerns you if you… - PL: chcesz zrozumieć, jak auto „widzi” drogę - PL: pracujesz z kamerami lub czujnikami w pojazdach - PL: oceniasz, czy systemy wspierające kierowcę są wiarygodne - EN: want to understand how a car 'sees' the road - EN: work with cameras or sensors in vehicles - EN: judge whether driver-assistance systems can be trusted ## Keywords 3D object detection · multi-object tracking · nuScenes · Waymo Open Dataset · KITTI · CenterPoint · BEVFormer · camera-LiDAR fusion · radar perception · NDS ## How it works - PL: Sieci przetwarzają obrazy z wielu kamer i chmury punktów, a wyniki sprowadza się do wspólnego układu, najczęściej widoku z góry (BEV). Na tej reprezentacji działają głowice detekcji 3D, śledzenia, segmentacji mapy i zajętości, z informacją z poprzednich klatek. - EN: Networks process multi-camera images and point clouds and bring them into a shared frame, usually a bird's-eye view (BEV). Heads for 3D detection, tracking, map segmentation and occupancy run on that representation, using information from previous frames. ## Limits - PL: Deszcz, mgła, noc i zasłonięcia obniżają jakość; rzadkie lub nietypowe obiekty bywają pomijane. Wymaga precyzyjnej kalibracji i synchronizacji czujników oraz drogich etykiet 3D. - EN: Rain, fog, night and occlusion degrade quality; rare or unusual objects get missed. It needs precise sensor calibration and synchronisation plus expensive 3D labels. ## Key terms - PL: **BEV**: Widok sceny z góry, wspólny układ dla wielu czujników. - PL: **detekcja 3D**: Wyznaczanie brył obiektów w przestrzeni wraz z kierunkiem i prędkością. - PL: **śledzenie wielu obiektów**: Łączenie wykryć z kolejnych chwil w tory ruchu. - EN: **BEV**: A top-down view of the scene, a shared frame for many sensors. - EN: **3D detection**: Finding object boxes in space together with heading and speed. - EN: **multi-object tracking**: Linking detections over time into motion tracks. ## Know first - [Detekcja obiektów (Object detection)](https://aiatlasgraph.com/t/objectdetection.md) - [Chmury punktów i dane z LiDAR-u (Point clouds and LiDAR data)](https://aiatlasgraph.com/t/pointclouds.md) ## Subtopics (3 direct, 3 in total) - [Fuzja kamer, LiDAR-u i radaru (Camera–LiDAR–radar sensor fusion)](https://aiatlasgraph.com/t/sensorfusion.md): Combining camera, LiDAR and radar data into one scene representation, often in a shared bird's-eye view (BEV). - [Siatki zajętości 3D wokół pojazdu (3D occupancy prediction)](https://aiatlasgraph.com/t/occupancy.md): Predicting for every voxel around the vehicle whether it is occupied and which semantic class it has, instead of object boxes alone. - [Widok z lotu ptaka z wielu kamer (BEV) (Bird's-eye-view perception from multi-camera images)](https://aiatlasgraph.com/t/bevperception.md): Transforming features from multiple camera images into a shared top-down grid on which detection, segmentation and planning operate. ## Related topics Untyped, symmetric "see also" links. - [Śledzenie obiektów w wideo (Multi-object tracking)](https://aiatlasgraph.com/t/objecttracking.md) ## Sources - [Self-Driving Cars Specialization (University of Toronto, Coursera)]() `coursera-sdc-toronto` · by Steven Waslander, Jonathan Kelly / University of Toronto - [nuScenes: A multimodal dataset for autonomous driving]() `nuscenes-2019` · by Holger Caesar, Varun Bankiti, Alex H. Lang, Sourabh Vora, Venice Erin Liong, Qiang Xu i in. (10 autorów) - [Center-based 3D Object Detection and Tracking (CenterPoint)]() `centerpoint-2020` · by Tianwei Yin, Xingyi Zhou, Philipp Krähenbühl --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/adperception · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30