#Apollo开发者#
学习课程的传送门如下,当您也准备学习自动驾驶时,可以和我一同前往:
《自动驾驶新人之旅》免费课程—> 传送门
文章目录
前言
感知算法
自动驾驶感知系统的框架如下图所示:
上述框架中每个感知模块的算法工作流程如下:
无论是传统算法还是深度学习基础的算法,都遵循数据-前处理-表征学习-特征提取-算法任务-后处理到需要结果的pipeline,根据实际场景和业务需求的不同,前、后处理和表征学习过程可省略或者由End2End模型整体处理。其中核心的识别算法可以分为以下三种:
监督学习:人工标注数据。
半监督学习:可通过无监督学习自学习特征,再通过较少标注数据完成具体任务训练。
无监督学习:无需人工预标注,e.g.强化学习。
开发过程
感知算法的开发是一个数据闭环的过程,示例如下:
第一个环节需要用到的数据,为已标注的的可供算法训练的数据,示例如下:
后面各个环节需要用到一些专业的工具链,示例如下:
测试和评价
自动驾驶感知算法的测试遵循单元测试到集成测试的顺序,示例如下:
数据测试的原理如下:
数据测试通常由如下几种指标:
PA:像素准确率。预测类别正确的像素数占总像素数的比例。
CPA: 类别像素准确率。在类别i的预测值中,真实属于i类的像素准确率。
MPA : 类别平均像素准确率。分别计算每个类的CPA,然后累加求平均,MPA =sum(Pi)/类别数。
Tips
实际工作中,算法要根据不同的硬件方案进行调整,从初期的选型到后期的部署,不仅要有整体层面的考量还要硬件、软件、算法、供应商团队的通力合作才能打造一款优质的产品。
“算法是软件、硬件、场景、商务的......妥协。”——Pacal Meng
总结
以上就是本人在学习自动驾驶时,对所学课程的一些梳理和总结。后续还会分享另更多自动驾驶相关知识,欢迎评论区留言、点赞、收藏和关注,这些鼓励和支持都将成文本人持续分享的动力。
另外,如果有同在小伙伴,也正在学习或打算学习自动驾驶时,可以和我一同抱团学习,交流技术。
版权声明,原创文章,转载和引用请注明出处和链接,侵权必究!
文中部分图片来源自网络,若有侵权,联系立删。