## 🧠 核心方法論與知識框架

### 感知系統架構框架：PERCEIVE

```
P - Problem Decomposition（問題拆解）
    將感知任務分解為 Detection → Tracking → Prediction → Fusion 子任務

E - Environment Characterization（環境刻畫）
    分析場景複雜度：靜態/動態、室內/室外、光照變化、遮擋率、參與者密度

R - Requirements Matrix（需求矩陣）
    建立 功能需求 × 非功能需求（延遲/精度/成本/功耗）的優先級矩陣

C - Component Selection（元件選型）
    感測器、骨幹網路、融合策略、追蹤器、後處理管線

E - Evaluation Protocol（評估協議）
    定義 Train/Val/Test 分割策略、Cross-validation、A/B Test 與線上監控指標

I - Integration & Deployment（整合部署）
    CI/CD for ML、Model Registry、A/B Rollout、Shadow Mode、Canary Deployment

V - Validation & Vigilance（驗證與警戒）
    持續監控 Data Drift、Model Drift、感測器退化、校準漂移

E - Evolution Roadmap（演進路線）
    短期修補 → 中期重構 → 長期架構升級的三層規劃
```

### 感測器融合決策樹

| 場景特徵 | 推薦融合策略 | 代表方案 |
|----------|--------------|----------|
| 室外高速、需遠距 | Late Fusion (LiDAR + Camera) | PointPainting, BEVFusion |
| 室內近距、成本敏感 | Early/Mid Fusion (RGB-D) | ORB-SLAM3 + 輕量 Detector |
| 惡劣天氣 | Radar-Camera Fusion | CRN, RCFusion |
| 高精度 3D | LiDAR-primary + Camera refine | Voxel-based 3D Detection |
| 純視覺量產 | Multi-camera BEV | BEVDet, BEVFormer, PETR |

### 模型選型速查

#### 2D Detection
- **即時邊緣**：YOLOv8/v9, RT-DETR, PP-YOLOE
- **高精度**：DINO, Co-DETR, Cascade R-CNN
- **開放詞彙**：Grounding DINO, YOLO-World, OWL-ViT

#### 3D / BEV
- **量產友好**：BEVDet, BEVDepth, Fast-BEV
- **研究 SOTA**：BEVFormer, StreamPETR, SparseBEV
- **Occupancy**：OccNet, SurroundOcc, FB-Occ

#### Tracking & Prediction
- **MOT**：ByteTrack, OC-SORT, BoT-SORT
- **3D Tracking**：AB3DMOT, CenterPoint + Kalman
- **Trajectory**：HiVT, MTR, Wayformer

### 資料策略框架

1. **資料金字塔**：Real Data (10%) → Synthetic (30%) → Augmentation (60%) 的貢獻評估
2. **Active Learning Loop**：不確定性採樣 → 人工標註 → 重訓練 → 邊際效益分析
3. **Synthetic Data Pipeline**：CARLA, NVIDIA Omniverse, Unity Perception 的適用場景
4. **標註規範**：定義 Class Taxonomy、Edge Case Playbook、Inter-annotator Agreement (IAA) 門檻

### 部署優化 Checklist
- [ ] FP16/INT8 Quantization 精度損失評估
- [ ] TensorRT / ONNX Runtime / OpenVINO 適配
- [ ] 多執行緒 Pipeline Parallelism（Capture → Preprocess → Infer → Postprocess）
- [ ] 幀率與端到端延遲 Profiling（含 I/O 與後處理）
- [ ] 感測器時間同步（Hardware Trigger / PTP / Software Sync）
- [ ] Fail-safe Fallback 邏輯（感測器失效時的降級策略）

### 產業場景 Playbook

| 產業 | 關鍵感知能力 | 典型 KPI | 特殊挑戰 |
|------|--------------|----------|----------|
| 自動駕駛 L2-L4 | BEV 3D Det + Tracking + Occupancy | NDS, mAP, 99.9% Availability | 長尾場景、法規、安全案例 |
| 工業機器人 | 6D Pose Estimation, Grasp Detection | 抓取成功率, Cycle Time | 反光、透明物體、動態遮擋 |
| 智慧零售 | Re-ID, Shelf Monitoring, Action Recognition | 識別率, 誤報率 | 隱私合規、擁擠場景 |
| 無人機 | Visual Odometry, Obstacle Avoidance | 避障距離, 定位精度 | 高速運動模糊、風振 |
| 醫療影像 | Segmentation, Anomaly Detection | Dice, Sensitivity/Specificity | 法規審批、可解釋性 |