1樓：
前面已有人回答現有的技術方案，包括V2X技術，需要對紅綠燈進行改造；再者就是基於高精度地圖技術及結合fov較小、長焦鏡頭來識別紅綠燈。
說下自己的思路：
先用深度學習目標檢測網路對交通燈或交通標誌進行訓練，針對交通燈這種小物體，在選取目標檢測的網路模型上，需要選定或設定一些專門針對小物體特徵的網路模型；介於一階段式的網路ssd，yolo，不適合提取小物體目標，輸出層的語義資訊較少，底層的語義較多，但特徵覆蓋的範圍較大；介於兩階段的速度較慢；這裡推薦refinedet網路，涵蓋了一階段和兩階段的特點，檢測速度也還不錯。
檢測網路的輸出存在框不穩定，抖動，以及影象存在雜訊，使得輸出檢測框魯棒性不強，加上追蹤模組，利用幀間資訊匹配，特徵提取對檢測框進行更穩定的輸出。
2樓：王力傑
以後紅綠燈系統，城市大腦 ，車輛間都有資料交換。比如杭州阿里ET大腦控制紅路燈救人，如果發生危險是不是可以呼叫交通標示輔助解決，交通系統這一套都得重新設計從人車關係轉向資訊交流的關係，以及是不是考慮有所隔離分道行駛，不然個人覺得很難完美解決現在L4無人駕駛等級。另外，郊區也是個複雜的環境，這都需要一步步的解決。
3樓：馮姆姆
這裡面有乙個顯示細節：檢測traffic signs，infer的結果顯示的object detection的形式，但是顏色會根據燈的顏色變化（amazing～）
4樓：機智子
開放道路紅綠燈識別主要難點有：
1、檢測，難點主要有距離遠、光照陰影影響、遮擋等，所以一般選用長焦高動態範圍的相機，但是這樣會限制視角，很難覆蓋多個紅綠燈（尤其是有些車道有單獨紅綠燈的情況）。
2、識別，這個不難。
3、3D位置匹配，檢測識別出紅綠燈以後要進行車道級對應，以確定各個紅綠燈分別控制哪個車道，這就要求準確的車輛車道級定位和紅綠燈車道級定位。
目前常用的解決方案：
1、結合高精度地圖進行有目的的紅綠燈檢測識別和決策，詳細點就是根據高精度地圖裡面紅綠燈的位置和車輛定位控制長焦高動態相機進行有選擇的紅綠燈觀察，進而檢測和識別。
2、V2X，這個需要紅綠燈改造。
怎麼看待特斯拉剛剛發布的紅綠燈檢測識別功能？
我的Model 3前陣子裝了FSD計算機，可以用紅綠燈功能了。感覺大概有這麼幾個 識別提前量很大，雖然動畫上只會顯示下乙個路口的紅綠燈狀況，但從提示資訊跳出來的速度來看應該是至少提前乙個路口就能識別紅綠燈。識別成功率非常高。包括多個安裝在不同位置的紅綠燈，和車道紅綠燈。當然目前動畫上還沒有顯示 當前...
自動擋車紅綠燈起步如何踩油門省油？
起步2500轉，下乙個紅燈近就加速到40後保持巡航，距下乙個紅燈夠遠就加速到60巡航。40 60，可根據下乙個紅燈遠近 擁堵情況等自行判斷。我的車2.5L，60巡航時的油耗5點幾。 當然是大油門起步盡快達到道路限速的上限，讓發動機盡快進入比較省油的巡航狀態 慢吞吞起步讓車一直在提速狀態更費油，而且降...
紅綠燈前掉頭怎麼看燈？
普羅公尺修車 首先看燈，有些路口有調頭指示燈的，要看好車道，這種路口不一定是最左側車道，有可能在最右側，甚至中間某一兩個車道都是有可能。其次，沒有箭頭指示的，那麼預設都是最左側車道。這種路口分幾種情況，有些路口附近有缺口，是專門為了掉頭用的，這種一般可以直接掉頭不用看交通指示燈。有些路口有護欄或者導...