笔记:深度学习驱动的自动驾驶新主流框架盘点

笔记:深度学习驱动的自动驾驶新主流框架盘点(附3篇论文)提纲Nvidia DRIVE深度学习解决方案Mobileye深度学习方案Comma.ai深度学习方案Nvidia DRIVE深度学习解决方案DGX-1 Training PlatformDriveWorks PX2 传感器同步、标定、数据采集和记录 https://pan.baidu.com/s/1bo4jTvxMobileye深度学习方案

笔记:深度学习驱动的自动驾驶新主流框架盘点(附3篇论文)

提纲

  • Nvidia DRIVE深度学习解决方案
  • Mobileye深度学习方案
  • Comma.ai深度学习方案

Nvidia DRIVE深度学习解决方案

Mobileye深度学习方案 Shashua

Sensing: Environmental Model (360 awareness)

  • 运动和静止的物体、车道线、可行驶区域和交通标志
  • Moving/Stationary Objects:
    • 0 false-pos part of ADAS?
    • Vehicles at any angle
    • General (non-model-based) objects
  • Path Delimiters: free-space, detect “any boundary”, label types of boundaries
  • Drivable Paths
    • Detect lane boundaries of all drivable paths (even when lanes are non-existent)
      • host left/right, left/right mark of next lane left/right
    • Attach semantic meaning to each path (pavement markings and other contextual information)
    • Detect “key points” (merge, split, etc.)
  • End-to-End vs Semantic Abstraction
    • 专家经验,领域知识,人工监督
    • End-to-End 对极端情况(Corner Cases)的应变能力比较差

高精度地图技术(Roadbook, REM,Road Experience Management)

  • 纹理和色彩特征来生成地图
  • 三维上稀疏,地面一维稠密的结构

三维元素

  • 不会包括原始图像数据,而是经过识别后的语义信息
  • Landmarks hierarchy:
    • Traffic signs (including arrows on the road and other marks) (~1000 tags, ~10bits)
    • Directional signs (~10000 tags, ~13bits)
    • General rectangular signs (signature ~50 bytes)
    • Lampposts and reflectors (<100tags)
    • Additional families of landmarks (e.g., dashed lines) will be added if needed

地面一维

  • 道路模型,包括车道线的精确位置、连接关系等
  • Location of lanes
  • Stitch (ego-motion)
    • X(t) = a3 * t^3 + a2 * t^2 + a1 * t^1 + a0
    • Y(t) = b3 * t^3 + b2 * t^2 + b1 * t^1 + b0
    • Z(t) = c3 * t^3 + c2 * t^2 + c1 * t^1 + c0

Crowd Sourced

  • Integration of REM segments (10kb per km)
  • Increase accuracy of landmarks
  • Change detection

Sensing vs Planning

  • DeepMind采用的DQN网络不同,他们还考虑了驾驶过程中的时序性
  • Reinforcement learning
  • arXiv paper by Mobileye

Comma.ai深度学习方案

CNN + RNN

comma.ai 论文下载:https://pan.baidu.com/s/1pLPawVh

参考资料

【智驾深谈】深度学习驱动的自动驾驶新主流框架盘点(附3篇论文)
https://mp.weixin.qq.com/s?src=3&timestamp=1514026808&ver=1&signature=TuAMvlukldb23hcWJPdVOp8P8bAFnBRM-EHMq2o2BzSqNr0tcM7jsewvg-GR1COc9RsX9bZjiil8VNdcuTB8bgOug0ZcvtAyltEaOrE4DpV*GM8uTJ1KvTtiFFgbdW3o3kSEIhcyrBjUGQGXYLurTBTpt*qsJK6hl7xhZvslTjk=


作者:gikod
原文链接:https://blog.csdn.net/gikod/article/details/78882943

  • 发表于 2019-11-07 18:51
  • 阅读 ( 55 )
  • 分类:深度学习

0 条评论

请先 登录 后评论
不写代码的码农
gikod_csdn

0 篇文章

作家榜 »

  1. AI君 10 文章
  2. Tzung-Wen Liau 0 文章
  3. blairan 0 文章
  4. rookie 0 文章
  5. 陈凯 0 文章
  6. huanxue 0 文章
  7. admin 0 文章
  8. Lzs1998_csdn 0 文章