自动驾驶系统通过数据标注做出常识性推理

最新推荐文章于 2023-10-19 13:03:05 发布

冰山数据

最新推荐文章于 2023-10-19 13:03:05 发布

阅读量188

点赞数

原文链接：https://markhk.cn/self-driving-systems-make-common-sense-reasoning-through-data-annotation/

版权

在人类驾驶员开车的时候，一般可以准确预测其他来往车辆的路线，从而提前进行减速让行以避免车祸的发生。然而，这种推理能力是自动驾驶系统不具备的。目前，有研究人员将推理与机器学习进行结合，从而推动自动驾驶技术落地。下文中为您阐述这种技术方案。

视觉感知

下图中，我们看到一辆黑色汽车c正在试图右转，但它的前方还有一辆自行车正在行驶。现在当黑色车c右转的时候，它会暂时遮挡住自行车，后面的白色车辆就会难以做出正确的预测。

自动驾驶系统对对向车辆的行车轨迹进行预测

研究人员解决这个问题的方法是使用激光雷达、毫米波雷达和摄像头等传感器进行物体和车道检测以及语义分割来跟踪每个物体的运动轨迹并为每个场景计算正确的决策。

激光雷达、毫米波雷达和摄像头如何促进自动驾驶？

LiDAR 技术对自动驾驶汽车的安全性至关重要，例如 Waymo、现代、起亚等头部自动驾驶公司都在采用LiDAR传感器，LiDAR 是一种声纳，是以发射激光束探测目标的位置、速度等特征量的雷达系统。大量自动驾驶汽车使用它来实时侦测环境，通过使用激光雷达，汽车可以精准感知到与其他车辆的距离。

摄像头同样对自动驾驶很重要，尤其对于采用了纯视觉方案的特斯拉。自动驾驶汽车依靠汽车四周的摄像头，并将所有返回的图像进行360度拼接。有的广角摄像头视野高达120度，其他的摄像头则专注于更窄的视角以提供远程视觉效果。还有一些汽车甚至采用鱼眼摄像头，鱼眼摄像头可以提供全景的超广角镜头，以全面了解车辆后方的情况，以便提高安全性。

鱼眼摄像头和其语义分割视图

毫米波雷达也用于自动驾驶汽车，但它有一个最明显的弊端，当无线电波发射并从物体反弹时，只有一小部分信号会被反射回传感器，因此，被反射的物体显示为一组很稀疏的点。还有噪声问题，在雷达图像中经常看到不属于任何物体的噪音点。传感器还会接收到所谓的回波，这些回波是无线电波的反射，并非直接来自被检测物体。

激光雷达、毫米波雷达和图像的数据标注

通过使用激光雷达可以将现实环境映射成一个3D点云环境，它是自动驾驶系统看到真实世界的样子。但是您需要用3D包围框，3D点云分割等数据标注方法来标注3D点云数据，只有这样自动驾驶系统才能真正理解这个3D点云世界。对于摄像头返回的图像数据，需要使用2D包围框、车道线、语义分割、立体框等方式对其进行标注。

推荐阅读《自动驾驶领域中的数据标注》

无论是点云还是图像数据，如果是连续帧的情况下，数据标注会变成一项相当耗时的工作，您可以想象一下如果连续帧是30fps甚至60fps的时候，数据标注将是一项巨大的工程。