侵权投诉

自动驾驶深度感知技术对车和行人的检测

人工智能学家 2019-11-24 07:42 次阅读

今天我主要想分享自动驾驶感知技术在探索的过程中,采用的传统方法和深度学习方法。传统方法不代表多传统,深度学习也不代表多深度。它们有各自的优点,也都能解决各自的问题,最终希望将其结合起来,发挥所有方法的优点。

感知系统简介

首先介绍下感知系统。感知可以被看作是对周围世界建模的过程,比如车辆在行驶过程中,需要知道其他物体的地理位置、速度、运动方向、加速度等各种各样的信息,自动驾驶系统接收这些信息之后,再通过后续的规划和控制模块来对车的运动做真正的调节。

感知可以类比为人类眼睛的功能,即观察周围世界的能力:

◆ 采用的传感器激光雷达、照相机、毫米波雷达等。

◆ 帧信号处理:多传感器深度融合、物体分割、物体检测、物体分类。

◆ 物体追踪:当有多帧信息之后,可以推算速度、加速度、方向等更有意义的信息,甚至可以用多帧的信息调整物体分割的结果。

◆ 道路特征分析:对道路特征进行理解,比如交通信号灯、交通指示牌等。

感知可以认为是自动驾驶系统的基础部分,假如感知不到这个世界,就谈不上对这个世界做出反应,更谈不上后续的路径规划和车辆控制的过程。

2D物体检测

我今天主要介绍关于物体检测部分,因为必须先有了准确的物体检测和分割结果,我们才能对物体做出准确的分类、追踪等。我首先介绍下2D物体检测。

2D物体检测是指以2D信息作为输入(input)的检测过程,而典型的2D输入信息来自于照相机。

传统2D物体检测方法及缺点

传统的 2D 信息检测方法是使用检测框遍历图片,把对应的图片位置抠出来之后,进行特征提取,用 Harris计算子检测角点信息,Canny计算子检测边缘信息等。物体特征被提取并聚集在一起后,通过做分类器(比如SVM),我们可以判断提取的图中是否存在物体,以及物体的类别是什么。

但传统 2D 物体检测方法存在不足:

检测物体时,需要预置检测框,对不同物体需要设置不同的检测框。

自动驾驶需要高级的组合特征,而传统方法提取的特征维度比较低,对后续的分类会造成比较大的影响。

基于深度学习的2D物体检测

卷积神经网络的出现,解决了部分传统2D物体检测方法的不足。

卷积神经网络首先是多层感知机加卷积操作的结合,它的特征提取能力非常不错。因为卷积神经网络经常会有几十、上百个卷积,使其具备高维特征提取能力。

其次,通过 ROI pooling和RPN,整张图可以共享同样的特征,物体检测时不用遍历整张图片,还可以在单次操作中对图片中所有物体进行检测。这种检测方法使物体检测模型真正具备了应用于实际场景中的性能。

目前基于卷积神经网络的2D物体检测有两类分支:

◆ Anchor Based Methods:跟传统方法比较类似,先预置检测框,检测过程则是对预设框的拟合过程。

RCNN(fast,faster)

SSD(DSSD)

YOLO(v1,v2,v3)

RetinaNET

◆ Anchor Free Methods:直接对照特征金字塔的每个位置,回归对应位置上,判断物体是否存在、它的大小是多少等。这类方法是2018年底开始大量出现的,也是未来的一个发展方向。

CornerNet

FSAF

FCOS

这是路测场景中的一个真实检测案例(上图),2D 物体检测已经应用于检测路面上一些小物体。

同时远距离物体检测也是2D物体检测中关注的重点。受限于激光雷达和毫米波雷达的物理特征,远距离物体缺乏良好的检测效果,而照相机在这方面比较有优势,可以和其他的检测方法进行互补。

2D物体检测面临的问题

物体相互遮挡

但是采用照相机做 2D 物体检测不可避免要面临一些问题。因为照相机回馈的图像只有两个维度,当两个物体堆叠时,对一个神经网络而言,图像的特征就比较聚集。

一般做物体检测的过程,会用一些非极大值抑制的方法,对检测结果进行后处理,当特征结果非常密集的时候,这种方法往往会受到影响。

成像质量波动

照相机是可见光设备,因此会受到光照强度的影响,成像质量出现波动。但我们总是希望图中的特征不管是在哪个位置,都能得到足够的表达。

例如,2D图像中远处的车灯和路灯很难区分开,导致可能都被检测为车或者路灯。在这种情况下,特征总会难以区分。

测距  另一个的问题就是测距问题。因为照相机是被动光源的设备,它不具备主动测距的能力。

如果希望借助照相机进行物体测距,就需要做很多的假设或者求解一些病态的数学问题,用以估算车与物体的距离。但这个结果通常不如主动测距设备的结果,比如激光雷达和毫米波雷达。

3D物体检测

正是因为照相机存在上面提到的问题,所以我们物体检测也使用了其他的传感器,将它们的结果共同结合起来,最终达到更可靠的检测效果。

什么是3D物体检测?

3D物体检测,顾名思义就是把3D的一些数据坐标,聚集起来进行物体检测。比如激光雷达,类似于我们拿一支激光笔不断扫描周围,它会提供相对明显的信息。当把3D数据聚集起来之后,我们可以用来推测周围物体的位置,大小,朝向等等。

3D物体检测一个很大的好处就是,我们在2D物体检测中很难区分的物体,有了3D数据提供的距离信息之后,将更容易从距离的维度上分开。这样感知系统在进行物体分割的时候能使用的信息更多,达到一个更好的工作效果。

传统3D分割方法及限制

传统的 3D 分割方法包括:

Flood Fill

DB scan

Graph Cut

它主要是利用一些点的距离信息、密度信息或者点的一些天然属性,比如它的强度,把物体聚类分割。

传统分割方法也存在不少限制,首先是过度分割。

比如上图中的异形车,由于车尾和车头之间有缝隙,在 3D 检测中,它可能会被分割成多个物体,因为点和点之间有间隙,在激光雷达检测时呈现的是离散信息,就会出现过度分割。

传统分割方法的另一个问题是分割不足。

我们将上图出现的情况称为“三人成车”,就是当三个人离的很近的时候,有可能被传统分割方法识别成一辆车。

基于深度学习的3D分割方法

当深度学习与卷积神经网络引入到 3D 物体检测中时,我们发现传统3D分割方法遇到的问题得到较好解决。

首先让点云信息进行特征工程,即将点的位置、反射强度、高级特征聚合在一起,组织成类似图片或者图的关系。随后进行卷积神经网络特征提取,再进行多帧特征的聚合(它的意义是对运动的物体有一个更好的反映),最后输出物体的位置、聚类信息、物体速度。

通过上述深度学习方法,“三人成车”的情况得到避免。系统不仅可以提取人的距离关系,还可以提取到更多的高级信息,比如在点云变化中,人类的点云形似长的柱体,而自行车类似于小山一样的点云分布,这样感知系统可以了解这些障碍物不属于同一物体,而将其割离开。

深度学习3D分割方法的限制

另一方面,我们也要认识到深度学习分割方法也可能面对的挑战。

◆ 结果的不完全可控:首先卷积神经网络经常有几百层的卷积层,参数总量可能有百万级,并且是自动学习的,这可能会导致对网络的输出缺少把控。换句话说,系统无法预期数据输入(input)后会得到怎样的数据输出,于自动驾驶而言,这是比较致命的。因为自动驾驶对场景的召回率和精度有非常高要求,如果车辆在行驶中,前面的一位行人miss(丢失),这是极其严重的隐患。

◆ 无法保证100%的召回(recall):如上图所示,垃圾桶和行人的特征其实非常相似,那么深度学习可能会出现把人学成了垃圾桶,最后导致行人在感知系统中出现丢失的情况。

◆ 易导致过拟合:由于卷积神经网络有非常好的特征提取能力,固定的数据集训练可能导致神经网络过拟合。例如同样的数据集训练后,在北京路测的表现很好,但是当到达一个新的城市进行测试时,因为路面特征和北京有所区别,可能导致物体分割效果下降,这对感知系统非常不友好。

优点兼得:传统方法和深度学习方法的结合

为了解决分割方法的限制,我们的想法是将传统方法和深度学习方法的结果进行结合:

◆ 使用深度学习的分割结果调整传统分割方法的结果。

◆ 使用传统分割方法的结果补足深度学习结果的召回。

◆ 基于多帧追踪的概率模型融合:比如利用马尔可夫分布的特点、贝叶斯的方法对多帧数据进行一定的平滑,以得到更好的效果。

通过传统方法和深度学习方法的相互结合与补充,我们最终可以实现优点兼具的物体检测策略。

做自动驾驶真的是一个很崎岖的旅程,不断的解决问题之后又出现新的问题,不过正是因为过程的艰难,才带来更多的快乐。

感知系统基本介绍

Perception(感知)系统是以多种传感器的数据与高精度地图的信息作为输入,经过一系列的计算及处理,对自动驾驶车的周围环境精确感知的系统。

它能够为下游模块提供丰富的信息,包括障碍物的位置、形状、类别及速度信息,也包括对一些特殊场景的语义理解(例如施工区域,交通信号灯及交通路牌等)。

感知系统的构成与子系统

◆ 传感器:涉及到传感器的安装,视场角,探测距离,数据吞吐,标定精度,时间同步等。因为自动驾驶使用的传感器比较多,时间同步的解决方案至关重要。

◆ 目标检测及分类:为了保证自动驾驶的安全,感知系统需要达到近似百分之百的召回率及非常高的准确率。目标检测及分类往往会涉及到深度学习方面的工作,包括3D点云及2D Image(图片)上的物体检测及多传感器深度融合等。

◆ 多目标追踪:跟进多帧的信息计算并预测障碍物的运动轨迹。

◆ 场景理解:包括交通信号灯,路牌,施工区域,以及特殊类别,比如校车,警车。

◆ 机器学习分布式训练基础架构及相关评价系统

◆ 数据:大量的标注数据,这里包括3D点云数据及2D的图片数据等。

传感器详解

目前自动驾驶应用的传感器主要分为三类:激光雷达(LiDAR),相机(Camera),毫米波雷达(Radar)。

开头提到,感知系统的输入为多种传感器数据和高精地图,而上图展示了感知系统物体检测的输出结果,即能够检测车辆周围的障碍物,如车辆、行人、自行车等,同时结合高精度地图,感知系统也会对周边的Background(环境背景)信息进行输出。

如上图所示,绿颜色的块状代表一辆乘用车,橙色代表一辆摩托车,黄色代表一位行人,灰色则是检测到的环境信息,如植被。

感知系统结合多帧的信息(上图),还能对运动的行人和车辆的速度、方向、轨迹预测等进行精确的输出。

传感器配置与多传感器深度融合

了解了关于感知系统从输入到输出的大致介绍,接下来,我简要介绍一下小马智行第三代自动驾驶系统PonyAlpha的传感器安装方案以及多传感器深度融合的解决方案。

传感器安装方案

目前PonyAlpha传感器安装方案的感知距离能够覆盖车周360度、范围200米以内。

具体来看,这套方案用到了3个激光雷达,在车的顶部和两侧。同时,通过多个广角的摄像头来覆盖360度的视野。远处的视野方面,前向的毫米波雷达以及长焦相机将感知距离扩到200米的范围,使其可以探测到更远处的物体信息。这套传感器配置能保证我们的自动驾驶车辆在居民区、商业区、工业区这样的场景进行自动驾驶。

多传感器深度融合解决方案

多传感器深度融合的基础  多传感器深度融合的方案首要解决的是将不同的传感器的数据标定到同一个坐标系里,包括了相机的内参标定,激光雷达到相机的外参标定,毫米波雷达到GPS的外参标定等等。

传感器融合重要前提是使标定精度达到到极高水平,不论对于结果层面的传感器融合还是元数据层面的传感器融合,这都是必要的基础。

通过上图你会发现,我们的感知系统将3D的激光点云精准地投射到影像上,可见传感器标定的精度是足够高的。

不同传感器的标定方案  整个传感器标定的工作基本上已做到完全自动化的方式。

首先是相机内参的标定(上图),这是为了修正由相机自身特性导致的图像扭曲等。相机内参的标定平台使每一个相机能够在两到三分钟之内完成传感器的标定。

其次是激光雷达与GPS/IMU的外参标定(上图),激光雷达的原始数据是基于雷达坐标系,因此我们需要将点由雷达坐标系转换为世界坐标系,这就涉及到激光雷达与GPS/IMU相对位置关系的计算。我们的标定工具在室外通过优化的方案,能够快速找到最优的位置关系。

第三是相机到激光雷达的融合(上图)。激光雷达的感知环境是360度旋转的方式,每旋转一周是100毫秒,而相机是某一瞬时曝光,为了保证相机的曝光与激光雷达的旋转保证同步,需要对二者进行时间同步,即通过Lidar来触发相机曝光。比如说,可以通过激光雷达的位置信息来触发对应位置相机的曝光时间,以达到相机与激光雷达的精确同步。

3D(激光雷达)和2D(相机)彼此互补,二者更好的融合可使得感知得到更精确的输出。

最后是毫米波雷达(Radar)与GPS/IMU的标定(上图),同样是将Radar数据由Local(本地)坐标系将其转换到世界坐标系,我们将通过真实的3D环境来计算Radar与GPS/IMU的相对位置关系。好的标定结果能够保证感知系统给出200米距离以内障碍车的车道信息(如位于车道内或压车道线等)等。

下面这个demo视频简明生动地展示了多传感器深度融合的部分处理效果。

车载感知系统架构

那么车载感知系统架构是什么样的?它的解决方案又是什么?

上图展示了整个车载感知系统的架构。首先激光雷达、相机、毫米波雷达三种传感器数据须进行时间同步,将所有的时间误差控制在毫秒级。结合传感器数据,感知系统以帧为基础(frame-based)进行检测(detection)、分割(segmentation)、分类(classification)等计算,最后利用多帧信息进行多目标跟踪,将相关结果输出。这个过程中将涉及到多传感器深度融合和深度学习相关的技术细节,我这里不做过多的讨论。

感知系统的解决方案应保证以下五点:

◆ 首先是安全,保证近乎百分之百的检测(Detection)召回率(Recall)。

◆ 精度(Precision)要求非常高,如果低于某个阈值,造成False Positive(误报),会导致车辆在自动驾驶状态下行驶得非常不舒适。

◆ 尽量输出所有对行车有帮助的信息,包括路牌,交通信号灯及其它场景理解的信息。

◆ 保证感知系统的高效运行,能够近实时处理大量的传感器数据。

◆ 可扩展性(Scalability)也很重要。深度学习(Deep learning)依赖大量数据,其训练模型的泛化能力对于感知系统非常重要。未来,我们希望模型(model)和新算法有能力适配更多的城市和国家的路况。

感知技术的挑战

感知精度与召回率相平衡的挑战

上图展示了晚高峰时期十字路口的繁忙场景,此时有大量行人、摩托车穿过十字路口。

通过3D点云数据(上图),能够看到此时对应的感知原始数据。

这里挑战是,经过计算处理后,感知系统需要在这样环境下输出所有障碍物的正确的分割(segmentation)结果和障碍物类别。

除了繁忙的十字路口,感知系统在处理一些特殊的或者恶劣的天气条件,也面临不小挑战。

突降暴雨或者长时间降雨往往会造成路面积水,车辆经过自然会溅起水花。上方视频中白色点云展示了激光雷达检测到其他车辆经过溅起的水花并对其进行filter(过滤)的结果。如果感知系统不能对水花进行准确的识别和过滤,这会对自动驾驶造成麻烦。结合激光雷达与摄像头(Lidar&Camera)的数据,我们的感知系统对水花有很高的识别率。

长尾场景挑战

洒水车  上图是我们在路测时曾遇到的两类洒水车(上图)。左边洒水车采用向上喷的雾炮,而右边是向两侧喷洒的洒水车。

人类司机遇到洒水车时,可以很容易做出判断并超过洒水车,但是对于感知系统来说,则需要花一定时间去处理和识别这类场景和车辆,我们的自动驾驶在遇到类似场景已获得更优的乘坐体验。

小物体的检测 

小物体检测的意义在于,面对意想不到的路测事件,比如流浪的小猫、小狗突然出现马路上,感知系统对这类小物体能够有准确的召回,以保证小生命的安全。

红绿灯 

随着越来越多地区和国家开展自动驾驶路测,感知系统在处理交通信号灯总会遇到新的长尾场景。

例如,逆光的问题(上图)或者突然从桥洞中驶出后相机曝光的问题,我们可以通过动态调整相机的曝光等方法来解决问题。

还有红绿灯倒计时的场景(上图),感知系统可以识别出倒计时的数字,这样能够让自动驾驶车辆在遇到黄灯时/前,给出更优的规划决策应对,优化乘车体验。

雨天时,摄像头(照相机)会水珠密布(上图),感知系统需要处理这类特殊气候条件下的场景,准确识别红绿灯。

一些地区使用的红绿灯带有进度条(上图),要求感知系统能够识别进度条的变动,这样可以帮助下游的规划决策模块在绿灯将变黄时,提前给出减速。

原文标题:【智能驾驶】自动驾驶深度感知技术对车和行人的检测

文章出处:【微信号:AItists,微信公众号:人工智能学家】欢迎添加关注!文章转载请注明出处。

收藏 人收藏
分享:

评论

相关推荐

人工智能对于汽车有什么影响

人工智能对汽车行业的影响可分为三个主要方面:车载体验、自动驾驶、智能交通。
发表于 04-06 21:04 228次 阅读
人工智能对于汽车有什么影响

深度学习基本概念总结

卷积神经网络(CNN) 具有局部互联、权值共享、下采样(池化)和使用多个卷积层的特点。
的头像 汽车玩家 发表于 04-04 17:45 100次 阅读
深度学习基本概念总结

英飞凌AURIX获得最高汽车安全完整性等级认证的嵌入式安全控制器

AURIX系列在安全相关应用中一直非常成功。领先的自动驾驶计算平台采用AURIX作为其安全主控制器。
发表于 04-04 08:35 206次 阅读
英飞凌AURIX获得最高汽车安全完整性等级认证的嵌入式安全控制器

自动驾驶商业化落地再提速,激光雷达传感器蓄势待发

智能网联汽车已经成为汽车产业转型发展的风向标,短短一两个月之内,国家已经出台了两大相关政策,对推动智....
的头像 独爱72H 发表于 04-03 20:27 822次 阅读
自动驾驶商业化落地再提速,激光雷达传感器蓄势待发

自动驾驶技术在物流领域的三大落地场景

我国目前有500万辆大货车用于500公里半径的干线运输;1000万辆货车用于50公里半径区域运输;而....
的头像 独爱72H 发表于 04-03 20:21 685次 阅读
自动驾驶技术在物流领域的三大落地场景

人工智能主要在哪一些场景出现

深度学习作为人工智能领域的一个应用分支,不管是从市面上公司的数量还是投资人投资喜好的角度来说,都是一....
发表于 04-03 15:30 37次 阅读
人工智能主要在哪一些场景出现

英特尔扩大与中国百度的AI合作

这家芯片制造商表示, 与百度的合作非常重要,因为它已发展成为一种“普遍的能力”,将被用于增强中国的几....
的头像 倩倩 发表于 04-03 15:04 435次 阅读
英特尔扩大与中国百度的AI合作

阿里巴巴云为冠状病毒医疗提供人工智能平台

例如,CT图像分析解决方案被吹捧为提高COVID-19诊断的检测准确性和检测速度。阿里巴巴表示,该人....
的头像 倩倩 发表于 04-03 14:59 193次 阅读
阿里巴巴云为冠状病毒医疗提供人工智能平台

研发识别警报声等外部噪音的AI系统,提高自动驾驶的安全性

近年来,汽车行业都在帮助汽车“看见”,现代化高级驾驶辅助系统可以扫描车辆限速标记、行人和车道标记。事....
的头像 牵手一起梦 发表于 04-03 14:22 409次 阅读
研发识别警报声等外部噪音的AI系统,提高自动驾驶的安全性

神经网络如何助力人工智能算法

深度神经网络(DNNs)是一种利用训练数据学习的机器学习形式,一旦数据接受训练,即可在获取新信息或输....
发表于 04-03 14:18 30次 阅读
神经网络如何助力人工智能算法

视频监控系统如何借助AI技术来优化

随着我们监控解决方案能力的不断提高,从全球安装在数百万台智能城市,智能交通和其他监控应用的视频所获取....
发表于 04-03 10:48 40次 阅读
视频监控系统如何借助AI技术来优化

自动驾驶技术在农业领域的应用

在市场、政策等利好因素驱动下,自动驾驶技术的应用范围还在不断拓宽,特别是在低速自动驾驶领域,许多量产....
的头像 汽车玩家 发表于 04-03 09:16 367次 阅读
自动驾驶技术在农业领域的应用

未来汽车的识别车外噪音系统

德国弗劳恩霍夫数字媒体技术研究所的研究人员为未来汽车研发了识别车外噪音系统,让车辆具备听觉能力。
的头像 汽车玩家 发表于 04-02 17:34 417次 阅读
未来汽车的识别车外噪音系统

徐晧:5G支持的C-V2X技术性能提升,实现优化系统设计及算法

在高通近日举行的“5G的未来”媒体分享会上,高通中国区研发负责人徐晧表示,在未来5G标准中,C-V2....
的头像 牵手一起梦 发表于 04-02 15:29 333次 阅读
徐晧:5G支持的C-V2X技术性能提升,实现优化系统设计及算法

哪一些技术改革了联网汽车

自动驾驶汽车技术借助七项革命性的技术解决方案,重塑了包括汽车在内的多个行业,从而使我们更接近自动驾驶....
发表于 04-02 11:39 35次 阅读
哪一些技术改革了联网汽车

人工智能深度学习的成功

深度学习的最新成功是由于大量数据(大数据)的可用性增加以及图形处理单元(GPU)的出现,显着增加了用....
的头像 汽车玩家 发表于 04-02 09:20 409次 阅读
人工智能深度学习的成功

确定音频源分离的独立深度学习矩阵分析详细资料说明

提出了一种新的独立深度学习矩阵分析(IDLMA)框架,将深度神经网络(DNN)和基于独立性的多通道音....
发表于 04-02 08:00 28次 阅读
确定音频源分离的独立深度学习矩阵分析详细资料说明

百度Apollo中标重庆永川区“西部自动驾驶开放测试基地”建设项目

根据项目协议,百度Apollo将在重庆永川城区20平方公里范围内建设车路协同测试示范区,为该示范区提....
的头像 倩倩 发表于 04-01 14:44 517次 阅读
百度Apollo中标重庆永川区“西部自动驾驶开放测试基地”建设项目

AI技术会如何影响人类的未来

人们对深度学习等方法的期待要适度,虽然AI有了长足的发展,但机器人“还是不会系鞋带”。
发表于 04-01 11:20 73次 阅读
AI技术会如何影响人类的未来

“新基建”不再是时髦的概念,而是实在的商机

2019年9月,《交通强国建设纲要》印发,指明中国交通三个关键之变:由追求速度规模向更注重质量效益转....
的头像 倩倩 发表于 04-01 10:35 765次 阅读
“新基建”不再是时髦的概念,而是实在的商机

我们对于人工智能的误解有多少

人工智能技术具有正、反两方面的作用,在造福于人类的同时,也存在各种风险。理论上可能存在以下四种风险。
发表于 04-01 10:19 47次 阅读
我们对于人工智能的误解有多少

Waymo仍在疫情期间继续测试自动驾驶技术 拟在未来提供无人驾驶送货服务

Alphabet 旗下自动驾驶技术部门 Waymo 在本周二表示,该公司将积极遵从 CDC 和各州的....
发表于 04-01 09:57 133次 阅读
Waymo仍在疫情期间继续测试自动驾驶技术 拟在未来提供无人驾驶送货服务

华为推进自动驾驶技术发展 目标是2025年前中国领先

自动驾驶是近几年汽车行业的一大热点,也是苹果、谷歌等公司都看好的一个领域。自动驾驶行业蕴藏着巨大的商....
的头像 汽车玩家 发表于 04-01 09:16 419次 阅读
华为推进自动驾驶技术发展 目标是2025年前中国领先

百度/米尔基于百度大脑EdgeBoard加速平台推出FZ3深度学习计算卡

百度大脑是百度 AI 核心技术引擎,包括视觉、语音、自然语言处理、知识图谱、深度学习等AI核心技术和....
发表于 04-01 09:03 52次 阅读
百度/米尔基于百度大脑EdgeBoard加速平台推出FZ3深度学习计算卡

宝马自动驾驶汽车可折叠方向盘新专利

据外媒报道,在宝马车主论坛中,有人表示,德国汽车制造商宝马似乎正在为自动驾驶汽车设计一种可折叠的方向....
的头像 汽车玩家 发表于 03-31 17:02 357次 阅读
宝马自动驾驶汽车可折叠方向盘新专利

丰田家居装饰店自动驾驶工作车新专利

近日,丰田又一项专利被曝光。该项专利旨在为顾客购物提供便利,不仅可以让货物自动跟顾客回家,而且顾客无....
的头像 汽车玩家 发表于 03-31 16:58 539次 阅读
丰田家居装饰店自动驾驶工作车新专利

中国的联想集团有限公司正在与英特尔公司合作

两家公司表示,未来的计划是利用英特尔技术优化联想基于云的TruScale Infrastructur....
的头像 倩倩 发表于 03-31 16:00 517次 阅读
中国的联想集团有限公司正在与英特尔公司合作

人工智能地震监测系统有多牛

随着人工智能的应用越来越充分,他们分析大量地震数据的方式发生了改变,这将有助于人们更好地了解地震,预....
发表于 03-31 11:20 279次 阅读
人工智能地震监测系统有多牛

微软和Facebook成立了一个黑客马拉松活动

hackathon的登录页面列出了一长串开发人员可以用他们的项目解决的挑战。组织者设想的一些潜在的用....
的头像 倩倩 发表于 03-30 16:00 332次 阅读
微软和Facebook成立了一个黑客马拉松活动

英特尔公司正在与百度公司合作

这项合作扩展了两家公司之间的伙伴关系,这种伙伴关系可以追溯到近十年。近年来,两家公司已经合作在百度的....
的头像 倩倩 发表于 03-30 15:16 304次 阅读
英特尔公司正在与百度公司合作

宝马自动驾驶车辆的折叠式方向盘专利

宝马在方向盘创新设计方面有悠久的历史,最新的专利申请表明,宝马似乎正在为自动驾驶车辆研发一款折叠式方....
的头像 汽车玩家 发表于 03-30 15:09 315次 阅读
宝马自动驾驶车辆的折叠式方向盘专利

机器学习带来了怎样的改变

尽管无人驾驶汽车和机器人技术可能占据了新闻头条,但人工智能、深度学习以及类似技术可能会让它们的最大影....
发表于 03-30 14:42 208次 阅读
机器学习带来了怎样的改变

深度学习对于生物学有什么影响

卷积神经网络能够让计算机高效而且完整的处理图像,而且不需要再对图像进行分解。
发表于 03-30 14:15 173次 阅读
深度学习对于生物学有什么影响

AI技术最主要用在哪些地方

人工智能技术应用的细分领域:深度学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理—语音识别、....
发表于 03-30 10:48 111次 阅读
AI技术最主要用在哪些地方

5G来了 全自动驾驶就能实现吗

因为就本质来讲,5G不过是一种通讯方式,而且是一种移动通讯方式,是一种工具,这个工具好不好用,就要看....
的头像 汽车玩家 发表于 03-29 17:07 407次 阅读
5G来了 全自动驾驶就能实现吗

城市交通场景自动驾驶还有多远 特斯拉Autopilot系统能识别红绿灯

最近版本的特斯拉Autopilot能够识别城市信号灯,而且在最新的Model Y车型中安装了一个雷达....
的头像 汽车玩家 发表于 03-28 11:45 492次 阅读
城市交通场景自动驾驶还有多远 特斯拉Autopilot系统能识别红绿灯

特斯拉自动驾驶添新功能 自动识别红绿灯并提示停车位置

特斯拉在加利福尼亚州弗里蒙特市的工厂可能在冠状病毒爆发期间处于闲置状态, 但该团队仍在努力开发新功能....
的头像 工程师邓生 发表于 03-28 11:30 361次 阅读
特斯拉自动驾驶添新功能 自动识别红绿灯并提示停车位置

AI能够实现预测疫情吗

在预测疫情传播和追根溯源方面,利用深度学习等新兴人工智能技术,联合出行轨迹流动信息、社交信息、消费数....
发表于 03-28 11:12 444次 阅读
AI能够实现预测疫情吗

Waymo从其自动驾驶汽车中发布了庞大的传感器数据集

乍看之下,Waymo的数据集似乎并不大:1,000个片段全都是20秒长,这总共可以增加大约五个半小时....
的头像 倩倩 发表于 03-28 09:59 485次 阅读
Waymo从其自动驾驶汽车中发布了庞大的传感器数据集

加速度传感器会成为窃听的工具?

对于手机加速度计的原理以及如何被利用来监听电话的问题,任奎教授表示,加速度传感器(又称加速计)是目前....
发表于 03-28 09:41 138次 阅读
加速度传感器会成为窃听的工具?

LG U+正在计划将5G通信网络用于自动驾驶服务

韩国ZDNet Korea报道,为实现智能小区低速班车运行,LG U+将与韩国电子制造公司Chemt....
发表于 03-28 09:38 63次 阅读
LG U+正在计划将5G通信网络用于自动驾驶服务

图森未来与采埃孚合作实现自动驾驶车辆技术的商业化

由于卡车运输在全球经济中占据如此重要的地位,有些汽车制造商和初创公司就致力于研发商业自动驾驶卡车,而....
的头像 汽车玩家 发表于 03-27 16:37 363次 阅读
图森未来与采埃孚合作实现自动驾驶车辆技术的商业化

用于自动驾驶汽车的五大传感器是哪些,都具有什么特点

随着社会经济的发展,汽车已经成为人们的日常生活中必需品,但每年不断攀升的交通事故率、越来越糟糕的生活....
的头像 牵手一起梦 发表于 03-27 16:03 437次 阅读
用于自动驾驶汽车的五大传感器是哪些,都具有什么特点

边缘计算中深度神经网络剪枝压缩的研究

深度神经网络与其他很多机器学习模型一样,可分为训练和推理两个阶段。训练阶段根据数据学习模型中的参数(....
的头像 倩倩 发表于 03-27 15:50 323次 阅读
边缘计算中深度神经网络剪枝压缩的研究

5行代码打造无限宽神经网络模型

但是,问题来了:推导有限网络的无限宽度限制需要大量的数学知识,并且必须针对不同研究的体系结构分别进行....
的头像 倩倩 发表于 03-27 15:47 1217次 阅读
5行代码打造无限宽神经网络模型

基于硅量子位的可容错量子计算机体系结构的一种构建方法

这允许以单个晶格来高度精确地找到原子的量子点位,不过下一个挑战,就是如何将这种精确的空间定位方法,扩....
的头像 倩倩 发表于 03-27 15:34 1080次 阅读
基于硅量子位的可容错量子计算机体系结构的一种构建方法

使用numpy Python库从零开始构建人工神经网络

人工神经网络是一种监督式学习算法,这意味着我们为它提供含有自变量的输入数据和含有因变量的输出数据。比....
的头像 倩倩 发表于 03-27 15:29 301次 阅读
使用numpy Python库从零开始构建人工神经网络

自动驾驶和机器人成为疫情影响下的两大受益者 两大赛道的发展究竟有多火爆

今年以来,肺炎疫情的暴发可谓给各行各业都带来严重冲击。但与此同时,无人化需求的崛起,“无接触”模式的....
发表于 03-27 15:15 85次 阅读
自动驾驶和机器人成为疫情影响下的两大受益者 两大赛道的发展究竟有多火爆

疫情爆发推动自动驾驶行业 特定场景应用开始走“量”

一直以来,自动驾驶给人的感觉都是“热度很高但距离很远”,其就像一个万人追捧的“明星”,高高在上而不食....
发表于 03-27 15:09 101次 阅读
疫情爆发推动自动驾驶行业 特定场景应用开始走“量”

一种名为ReZero的神经网络结构改进方法

深度学习在计算机视觉、自然语言处理等领域取得了很多重大突破。神经网络的表达能力通常随着其网络深度呈指....
的头像 倩倩 发表于 03-27 15:06 1714次 阅读
一种名为ReZero的神经网络结构改进方法

2020中国上海国际自动驾驶技术展览会

2020中国上海国际自动驾驶技术展览会 2020 China  Shanghai  International Autopilot Technology E...
发表于 12-08 15:01 399次 阅读
2020中国上海国际自动驾驶技术展览会

深度学习入门

发表于 12-03 18:11 484次 阅读
深度学习入门

5g与自动驾驶有什么关系

  谁来阐述一下5g与自动驾驶有什么关系? ...
发表于 11-22 16:54 463次 阅读
5g与自动驾驶有什么关系

5G无线应用未来有什么潜力?

任何地方都可能发生自然灾害。灾害过后,政府和志愿者会竭尽全力搜寻幸存者。如遇通信网络故障,定位一个人的位置就如同大海捞针...
发表于 10-23 07:22 486次 阅读
5G无线应用未来有什么潜力?

如何设计基于FPGA的通用CNN加速?

随着互联网用户的快速增长,数据体量的急剧膨胀,数据中心对计算的需求也在迅猛上涨。同时,人工智能、高性能数据分析和金融分析...
发表于 10-23 07:17 416次 阅读
如何设计基于FPGA的通用CNN加速?

FPGA和深度学习有什么关系?

人工智能的风潮从技术一路蔓延到硬件,让“芯片”成为今年行业里盛极一时的主题。人们关注通用芯片领域里CPU和GPU不断刷新...
发表于 10-18 08:30 366次 阅读
FPGA和深度学习有什么关系?

为什么说FPGA是机器深度学习的未来?

  最近几年数据量和可访问性的迅速增长,使得人工智能的算法设计理念发生了转变。人工建立算法的做法被计算机从大量数据中自动...
发表于 10-10 06:45 430次 阅读
为什么说FPGA是机器深度学习的未来?

阿里妈妈的深度学习演进之路

深度学习如何应用在广告、推荐及搜索业务?阿里妈妈实践案例解读...
发表于 09-29 14:15 272次 阅读
阿里妈妈的深度学习演进之路

PTB数据集建立语言模型

《实战Google深度学习框架》之RNN学习笔记2 LSTM对PTB数据集的建模...
发表于 09-26 16:21 332次 阅读
PTB数据集建立语言模型

深度学习下的编程语言介绍

再见Python!Yann LeCun警告:深度学习需要新编程语言...
发表于 09-25 16:59 441次 阅读
深度学习下的编程语言介绍