【AI】《Autonomous Vehicles Learning Notes》

已于 2025-03-15 01:09:05 修改
阅读量1k 收藏
点赞数 1
分类专栏： AIGC 文章标签： 自动驾驶
于 2023-06-25 15:15:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bryant_meng/article/details/131378177
版权

在这里插入图片描述

文章目录

未完待续。。。

1、自动驾驶简介

来自：浅谈自动驾驶技术与挑战

在这里插入图片描述
L0：主动刹车、盲点监测、车道偏离预警和车身稳定系统都属于 L0 级别的自动驾驶；

L1：如车道保持系统，定速巡航系统等应属于 L1 级别的自动驾驶

L2：可以同时自动进行加减速和转向的操作，也意味着自适应巡航功能和车道保持辅助系统可以同时工作；

L3：而目前公认的 L3 级自动驾驶入门门槛必须是带有激光雷达。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

国内车企自动驾驶目标一个比一个激进

在这里插入图片描述

在这里插入图片描述

2、感知

传感器

时代浪潮下的个体境遇：一位自动驾驶工程师的自述

在ADAS领域，毫米波雷达算是一位老兵了，业界已经有十分成熟的产品，成本低，可靠性高，但存在的问题是在城市工况下的误检和漏检很多。在激光雷达和图像衬托下，它显得有些多余了，

自动驾驶中的视觉方案都有哪些？一文尽览！

2D摄像头所得到的都是真实世界在透视视图（Perspective View）下的投影（世界坐标系到图像坐标系）。它并不知道这个障碍物距离车辆的距离，也不知道障碍物的实际三维形状和大小。

在这里插入图片描述

想要得到3D空间的信息，一个最直接的方法就是采用激光雷达（LiDAR）。

LiDAR 的学名叫做激光雷达,它是"光探测和测距"(Light detection and ranging)的简称（筋斗云与自动驾驶）。

LiDAR输出的3D点云可以直接用来获取障碍物的距离和大小（3D物体检测），以及场景的深度（3D语义分割）。

点云的优势在于距离和深度感知精确，而图像的优势在于语义信息更加丰富。

LiDAR也有其缺点，比如成本较高，车规级产品量产困难，受天气影响较大等等。因此，单纯基于摄像头的3D感知仍然是一个非常有意义和价值的研究方向。

  • 单目3D感知

    虽然可以利用先验知识和图像中的上下文信息，基于单目的3D感知的准确度并不能完全令人满意。尤其是当采用深度学习的策略时，算法的准确度非常依赖于数据集的大小和质量。对于数据集中没有出现过的场景，算法在深度估记和物体检测上都会有较大的偏差。

  • 双目3D感知

    双目视觉可以解决透视变换带来的歧义性，因此从理论上来说可以提高3D感知的准确度。但是双目系在硬件和软件上要求都比较高。硬件上来说需要两个精确配准的摄像头，而且需要保证在车辆运行过程中始终保持配准的正确性。软件上来说算法需要同时处理来自两个摄像头的数据， 计算复杂度较高，保证算法的实时性就更加困难。

学习来自 如何看待毫米波雷达和激光雷达之间的差别，哪个才是自动驾驶感知的最优选择？

早期的ADAS基本方案就是一个车头毫米波雷达+一个驾驶位挡风玻璃下的摄像头+车尾超声波雷达的配置。

这三种感知探测设备成本不高，技术成熟，而且可以实现L2级别的大多数功能，如自适应巡航，AEB，LKA，行人保护，交通标志识别，倒车辅助等。

（1）超声波雷达——倒车雷达传感器，擅长采集近距离数据

  • 频率越高，灵敏度越高，但水平与垂直方向的探测角度就越小，一般用40kHz的探头
  • 用户在低速泊车过程中的“滴滴”声即为雷达测距提示音
  • 车速较快时，误差较大

在这里插入图片描述

（2）毫米波雷达，擅长移动的物体，不擅长识别静态障碍物

  • 一般毫米波雷达装在车辆的车头正前方，保险杠的下方。得到汽车和其他物体之间的相对距离、相对速度、角度、运动方向等。
  • 主要用于汽车前向防撞、侧向防撞、后向防撞、自动巡航、汽车自动启停、盲点监测、行人检测、汽车自动驾驶。
  • 需要探测行人这种反射界面较小的物体的时候，毫米波雷达容易出现误报。
  • 分辨率低，无法清晰辨别较小的物体，且对金属极为敏感。（一个不规则小块金属可能识别成一个大表面积的大块金属。）——如果要更清楚辨别较小物体，就要把毫米波雷达的探测阈值设低，但毫米波雷达又对金属敏感度太高，调低阈值噪点增多，这样的结果就是会有越来越多“鬼影”的出现，会出现众多的虚报物体。

在这里插入图片描述

（3）激光雷达像鹰眼，可以看到远处小物体

  • 其工作原理是通过发射信号和反射信号的对比，构建出点云图，从而实现诸如目标距离、方位、速度、姿态、形状等信息的探测和识别。通常安装在车顶位置或车头前保位置
  • 抗电子干扰
  • 成本高，受天气影响比较大——由于是光束，会受到空气中微粒的影响，eg 反光场景会出现虚影、重影
  • 颜色、图案的识别能力很弱（如不能通过激光雷达识别道路交通牌子上面的内容）

在这里插入图片描述

在这里插入图片描述

问界M9上搭载的华为192线激光雷达，折合约为210万像素，而前置摄像头为800万像素。目前，激光雷达的像素普遍不及摄像头。像素低了，扫描模型就会变“糊”，影响信息传递的准确性。除此之外，激光雷达探测距离、扫描频率、抗环境干扰能力、体积、功耗等方面，还有许多优化空间。—— 车圈大变天！激光雷达即将被判死刑？

毫米波雷达精度低，但是可以方便得到周围物体的相对速度和距离。摄像头可以获得平面图形，看懂交通标识和分辨颜色。激光雷达探测精度高，可以获得周围物体的三维图像。超声波雷达在短距离测距中有着极大的成本、能耗低的优势。

在这里插入图片描述

在这里插入图片描述

一文带你了解毫米波雷达

自动驾驶需要计算机视觉来理解和导航环境。计算机视觉的作用是：

检测车道线

检测其他物体——环境中的车辆、人类、动物

跟踪检测到的物体

预测他们可能的运动

在这里插入图片描述
因此我根据车道线的标准宽度估计了像素到米的转换

雷达去噪

在这里插入图片描述

多模态传感器融合

来自：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
前融合
在这里插入图片描述
深度融合
在这里插入图片描述
后融合（ensemble method）

在这里插入图片描述
非对称融合
在这里插入图片描述
基于弱融合的方法通常使用基于规则的方法来利用一种模态数据作为监督信号，以指导另一模态的交互
在这里插入图片描述

高精尖地图

在这里插入图片描述

浅聊一下自动驾驶去高精地图的趋势

因此很多人在高精地图上的自动驾驶与其说是自动驾驶汽车不如说更像是运行在虚拟铁轨上的自动驾驶火车。

不依赖高精地图的自动驾驶主要有三个难点：

  • 更强的感知能力
  • 要求更高的定位和地图使用
    GPS，IMU（Inertial Measurement Unit，惯性测量单元，主要用来检测和测量加速度与旋转运动的传感器），轮速计便成了自动驾驶功能更需要倚重的传感——当你手中食材有限，仍旧要做出色香味俱全的佳肴，代表对烹饪技巧必须更加精益求精
  • 在不确定环境下进行的决策规划的能力

BEV

来自：展望未来 | AI大模型在自动驾驶的应用
在这里插入图片描述

高精度地图应用过程中无法做到实施更新、法规风险高、高成本的三大问题难以解决。

BEV (Bird’s eye view，鸟瞰图) 感知算法通过将不同视角的摄像头采集到的图片统一转换到上帝视角，相当于车辆实施生成活地图，补足了自动驾驶后续决策所需要的道路拓扑信息，因而可以实现去高精度地图化。

在这里插入图片描述

自动驾驶算法“重感知，轻地图”趋势明确。

ICRA 2022杰出论文：把自动驾驶2D图像转成鸟瞰图，模型识别准确率立增15%

在这里插入图片描述

在这里插入图片描述

Liao B, Chen S, Wang X, et al. Maptr: Structured modeling and learning for online vectorized hd map construction[J]. arXiv preprint arXiv:2208.14437, 2022.
在这里插入图片描述

华为&上交强强联合！BLOS-BEV：200米超远BEV感知是什么魔法？导航地图强势助力！

在这里插入图片描述

Wu H, Zhang Z, Lin S, et al. BLOS-BEV: Navigation Map Enhanced Lane Segmentation Network, Beyond Line of Sight[J]. arXiv preprint arXiv:2407.08526, 2024.

Standard-Definition (SD) navigation maps

在这里插入图片描述

Occupancy

在汽车领域中，特别是在自动驾驶领域，Occupancy 通常与车辆周围环境感知和决策制定相关。具体来说，Occupancy Network（占用网络）是一种深度学习方法，用于从多视图图像中生成车辆周围环境的三维占用网格。

Occupancy Network 的工作原理是将来自多个传感器的输入数据（如摄像头、激光雷达等）转换为一个三维特征空间，并基于这些数据生成一个三维占用网格。这个网格可以表示车辆周围环境中的障碍物、道路、其他车辆等信息，为自动驾驶系统提供重要的环境感知能力。

Occupancy Network 在自动驾驶系统中有多种应用，包括：

  • 障碍物检测：Occupancy Network 可以用于检测车辆周围的障碍物，如其他车辆、行人、骑自行车者等，帮助自动驾驶系统避免碰撞。

  • 路径规划：Occupancy Network 可以根据环境感知信息生成车辆的行驶路径，并避免障碍物，确保自动驾驶系统的安全行驶。

  • 车辆控制：Occupancy Network 还可以用于控制车辆的速度和方向，以确保自动驾驶系统按照规划路径行驶，并避免潜在的危险。

随着自动驾驶技术的不断发展，Occupancy Network 将在自动驾驶系统中发挥越来越重要的作用，提高系统的安全性、可靠性和智能化水平。

Corner Cases

如何在自动驾驶的视觉感知中检测极端情况？

《Corner Cases for Visual Perception in Automated Driving：Some Guidance on Detection Approaches》（arXiv-2021）

在这里插入图片描述
例子
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
翻译版本

在这里插入图片描述

智能座舱芯片

以前 Intel、renesas（日本瑞萨科技）、Texas instruments（美国德州仪器）

2014 年美国高通 Qualcomm 开始推，

2021 高通骁龙 8155（改自2019年的855，7nm 8核8TOPS算力手机旗舰芯片，用于小米9，一加7，三星S10，redmi k20 pro等）

2023 高通骁龙 8295（改自2020年8CX Gen3笔记本芯片，5nm，30TOPS算力）

以前多枚 ECU 和 MCU 主控芯片，通信成本高

现在单颗 SoC 取代多枚 MCU，分大域（底盘、智舱、智驾、动力）

在这里插入图片描述

智驾 intel orin-x

智舱 骁龙8295

CPU-GPU-NPU

车规级，频率下降，功耗降低，稳定耐用

改的时候可以打补丁提升安全性，比如 SoC 8295 主板上外挂一个 MCU 做高等级安全冗余，SoC 向 MCU 发心跳包通信，形成摇篮系统

趋势：舱驾一体，两颗融合成一颗

MCU 和 SOC 的区别

下面从不同角度来对比区分

MCU，Microcontroller Unit，微控制单元，含有 CPU、flash/rom、SRAM 单元。别名单片机

SoC，Systerm on a Chip，系统级芯片，芯片（半导体）工艺层面定义的，含有 CPU、flash/rom、SRAM 等，全部设计到一起在一块晶圆上

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

3、End-to-end

传统自动驾驶涵盖

  • 探测（detection）；
  • 跟踪（tracking）；
  • 静态环境建图（mapping）
  • 高精地图定位；
  • 目标物轨迹预测
  • 本车轨迹规划；
  • 运动控制。

感知的结果足够正确（×）
规划控制获得的信息足够丰富（×）

模块化自动驾驶的弊端：信息的有损传递

端到端

Hu Y, Yang J, Chen L, et al. Planning-oriented autonomous driving[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023: 17853-17862.

CVPR 2023 Best Paper
在这里插入图片描述

FSD v12，首次端到端落地

在这里插入图片描述

4、Interesting Application

无头汽车

请添加图片描述
自动驾驶，无头汽车

红绿灯检测

V2X > 高精度地图 > 感知识别

“V2X” 意思是“VehicleTo Everything”，意为车与所有物体的连接。那么具体与那些东西相连呢？

  • V2I (Vehicle To Infrastructure) 意为车与基础设施之间的连接
  • V2N (Vehicle To Network)
  • V2V (Vehicle To Vehicle)
  • V2P (Vehicle To Pedestrian)

在这里插入图片描述

百度Apollo3.5的感知框架图
在这里插入图片描述

【附录】专业名词缩写

  • ABS - Anti-lock Braking System（防抱死制动系统）

  • ACC - Adaptive Cruise Control（自适应巡航控制系统）

  • ADAS，Advanced Driving Assistant System（高级驾驶辅助系统）

  • AEB，Autonomous Emergency Braking（自动紧急刹车系统）

  • AFS - Adaptive Front-lighting System（自适应前照明系统）

  • AMT - Automated Manual Transmission（电子自动变速箱/电控机械式自动变速器）

  • APA - Automatic Parking Assist（自动泊车辅助系统）

  • ASC - Active Stability Control（主动式稳定控制系统）

  • ASR - Acceleration Slip Regulation（加速防滑系统）

  • AVM- Around View Monitor（全景监控系统），通过多个摄像头为驾驶员提供车辆周围 360 度的全景视图，有效消除视觉盲区，

  • AWD - All-Wheel Drive（全时四轮驱动系统）

  • AYC - Active Yaw Control（主动偏航控制系统）

  • BAS - Brake Assist System（制动辅助系统）

  • CAS，Collision Avoidance System，防撞系统

  • DSC - Dynamic Stability Control（动态稳定控制系统）

  • EBA - Electronic Brake Assist（电子制动辅助系统）

  • EBD - Electronic Brakeforce Distribution（电子制动力分配系统）

  • EDS - Electronic Differential System（电子差速锁）

  • ESP - Electronic Stability Program（电子稳定程序系统）

  • 在这里插入图片描述

  • LAK - Lane Keeping Assist（车道保持辅助）

  • LSD - Limited Slip Differential（限滑差速器）

  • MCU - Microcontroller Unit（微控制器），MCU将微型计算机的基本功能集成到一块芯片上，形成了一个具有特定功能的计算机系统。它通常包含CPU（中央处理器）、内存（RAM和ROM）、I/O接口（输入输出接口）、定时/计数器以及串行通信接口等模块。
    在这里插入图片描述

  • MDC，Mobile Data Center，移动数据中心

  • NCA，Navigation Controlled Autopilot，即导航控制辅助驾驶。它是一种基于导航路径的自动驾驶辅助功能，旨在提高驾驶的便捷性和安全性。

  • NGP，Navigated Guided Pilot，即导航辅助驾驶系统。它是基于高精地图导航路径的自动驾驶辅助功能，旨在实现车辆在高精地图覆盖范围内的部分自动驾驶功能。

  • NOA是Navigate on Autopilot的缩写，中文意思是自动辅助导航驾驶。旨在通过一系列传感器和计算机视觉技术，使车辆能够在某些道路和交通条件下自动进行转向、加速和制动。
    NOA功能依赖于特斯拉车辆上的自动驾驶硬件和软件，包括雷达、摄像头、超声波传感器以及强大的计算处理能力。当启用NOA时，车辆能够识别道路标记、交通信号以及周围的车辆和障碍物，并根据这些信息来自动调整行驶状态。
    NOA，Navigate on Autopilot，即自动辅助导航驾驶。它是特斯拉Autopilot自动驾驶系统中的一个功能，旨在让车辆能够在高速公路或城市街道上自动进行导航和驾驶。
    各种不同叫法——每家叫的有所差异
    在这里插入图片描述

  • Multitronic - 多极子-无级自动变速器

  • Quattro - 全时四轮驱动系统

  • TCS - Traction Control System（牵引力控制系统）

  • Tiptronic - 轻触子-自动变速器

  • VDC，Virtual Data Center，即虚拟化数据中心——执行机构

  • VSC - Vehicle Stability Control（车身稳定控制系统）

【人工智能自动化】构建机器人流程自动化 (RPA) 的 AI 聊天 GPT —— 什么是 AI Automation 人工智能自动化？
AI天才研究院
11-17 876
【人工智能自动化】构建机器人流程自动化 (RPA) 的 AI 聊天 GPT —— 什么是 AI Automation 人工智能自动化？
激光雷达相关技术
IT菜鸟
02-12 2334
三维点云直接提供了三维空间数据，而图像则需要通过透视几何来反推三维数据。Velodyne成立于1983年，是一家位于加州硅谷的技术公司。Velodyne最早以音响业务起家，随后业务拓展至激光雷达等领域。2016年Velodyne将核心业务激光雷达部门剥离，成立新公司Velodyne LiDAR。2016年8月Velodyne公司发布公告称，旗下激光雷达公司Velodyne LiDAR获得百度与福特公司1.5亿美元的共同投资，三方将围绕无人驾驶领域展开全方位合作。
自动驾驶感知综述
11-30 398
媒体来源，可以找到自动驾驶相关的主题、想法等等。
【翻译】Computer Vision for Autonomous Vehicles:Problems,Datasets and State-of-Art
女王の专属领地
06-28 2772
自动驾驶计算机视觉研究综述：难题、数据集与前沿成果 摘要： 近年来计算机视觉、机器学习和自动驾驶等人工智能相关领域发生了惊人的进展。然而，和每一个飞速发展的领域一样，人工智能领域也出现了业内人员难以跟上行业节奏或者业外人员难入行的问题。虽然已经有人发表了几篇关于这方面的专题调查论文，但是到目前为止，还没有关于自动驾驶计算机视觉（computer vision for autonom
ai人工智能让女神_让女孩进入人工智能管道
热门推荐
weixin_26632369的博客
08-26 8万+
ai人工智能让女神 缩小女孩的想象力差距 (Closing the Imagination Gap for Girls) The term artificial intelligence (AI) was coined 64 years ago at a scholarly conference. The AI field hasn’t remained the theoretical provi...
全球名校AI课程库（30）| MIT麻省理工 · 深度学习与无人驾驶课程『Deep Learning for Self-Driving Cars』
ShowMeAI研究中心
10-28 1万+
自动驾驶入门必修课。课程介绍了深度学习的相关知识，及其在自动驾驶领域的实践。领衔授课人Lex Fridman是非常优秀的学者和行业实践探索者。
游戏ai人工智能_AI与游戏，第1部分：游戏如何推动了两门AI研究流派
weixin_26632369的博客
07-21 1012
游戏ai人工智能 国际象棋和象征性AI (Chess and Symbolic AI) Today, AI based on deep learning and neural networks is taking the world by storm. However, many of the algorithms that guide our web searches and driving d...
自动驾驶合集6
whaosoft143ai的博客
12-23 1397
其实很多ADAS企业都不太重视仿真的，重心都在回灌和道路测试，即使搭建了仿真工具链，在量产项目中的作用也很小，只是用来分析、复现问题/BUG。面向量产项目/功能开发的传感器数据&信号仿真、车辆运动学&动力学仿真、感知&规控联合仿真、数据孪生数据挖掘的仿真还是没有完全成熟的方案，迫切需要面向WorldSim的全栈联合仿真&模拟器。如果可以把芯片硬件仿真、软件算法仿真一起搞了，那就更完美了。whaosoft aiot http://143ai.com
自动驾驶中图像与点云融合的深度学习研究综述
qq_38608777的博客
11-02 4758
Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A Review IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTA TION SYSTEMS 摘要 在过去的几年中，自动驾驶汽车得到了迅速的发展。然而，由于复杂和动态的驾驶环境，实现完全自主并不是一件轻而易举的事情。因此，自动驾驶汽车配备了一套不同的传感器，以确保强大，准确的环境感知。尤其是，摄像融合技术正在成为一个新兴的研究
基于人工智能的滚动轴承PHM方法综述
QKA_zkj的博客
08-24 5635
原文 A comprehensive review of artificial intelligence-based approaches for rolling element bearing PHM:shallow and deep learning https://link.springer.com/article/10.1007/s42791-019-0016-y#Sec14 原文是...
那些精贵的3D视觉系统学习资源总结（附书籍、网址与视频教程）
qq_29462849的博客
12-19 2019
点击上方“3DCVer”，选择“星标”干货第一时间送达之前我们总结了一篇关于3D视觉系统学习路线——《吐血整理|3D视觉系统化学习路线》，本文重点是对于各个模块的一些资料整理，如有不完善...
计算机视觉学习资料汇总（超多干货）
qq_29462849的博客
12-21 4177
前言 本资料首发于公众号【3D视觉工坊】，更多干货请关注公众号后台回复关键字获取~ （一）基础操作 Linux 学习网站 Linux中国：https://linux.cn/ 鸟哥的linux私房菜：http://linux.vbird.org/ Linux公社： https://www.linuxidc.com/ 学习书籍 《鸟哥的Linux私房菜》 《Linux命令行与shell脚本编程大全》 ...
快速入门深度学习教程指南（附国外顶级名校课程视频资源）
Tiger数学之家的博客
11-28 1516
Deep_Learning_Route From Self-Driving Cars to Alpha Go to Language Translation, Deep Learning seems to be everywhere nowadays. While the debate whether the hype is justified or not continues, Deep Lea...
人工智能的自动驾驶新纪元：端到端智能系统挑战与前沿探索方案
最新发布
DataLaneYoker
05-08 941
端到端技术的落地是一个复杂的系统工程，不仅仅是算法的竞赛，还涉及数据闭环、算力基建、法规适配等多个层面。企业需要构建 “数据采集 - 模型训练 - 硬件部署 - 用户反馈” 的正向研发体系，通过海量数据不断优化模型，提升系统性能；同时，加大算力基础设施投入，确保模型训练与推理的高效运行 。
基于DDPG的自动驾驶小车绕圈任务
weixin_44558122的博客
05-04 967
任务来源: DQN: Deep Q Learning ｜自动驾驶入门（？） ｜算法与实现 任务原始代码: self-driving car 在上一篇使用了DQN算法完成自动驾驶小车绕圈任务之后，学习了DDPG算法，并将DDPG算法用在该任务上。 最终效果：这个gif是没有加速过的，DQN的是两倍速的效果 整体来说，无论是连续性还是转弯的流畅性来说，以及小车能够跑的距离，DDPG的效果要远远优于DQN，但是要比DQN难调试的多。 主
《智能网联汽车 自动驾驶功能场地试验方法及要求》 GB/T 41798-2022——解读
qq_54556560的博客
05-08 531
本标准通过系统化的试验方法和严苛的通过条件，为智能网联汽车的自动驾驶功能提供了安全性验证的基础框架，企业需结合自身技术特点，灵活应用并补充实际道路验证，以全面保障自动驾驶系统的可靠性。：通过可控的场地试验场景，验证自动驾驶系统对典型交通场景的应对能力，确保其安全性。测试需结合道路试验和仿真试验，形成完整的验证体系。：红灯停车精度（乘用车距离停止线≤2 m，商用≤4 m），绿灯起步时间（乘用车≤3 s，商用≤5 s）。：具备自动驾驶功能的M类（乘用车）、N类（商用车）车辆，其他类型车辆可参照执行。
Python赋能自动驾驶：如何优化路径规划，让AI驾驶更聪明？
Echo_Wish
05-07 226
从特斯拉的FSD，到Waymo的无人驾驶出租车，算法的精细化决定了自动驾驶的安全性与效率。是不可或缺的一环——如何在交通环境复杂多变的情况下，找到最优路径，并做出实时决策，是自动驾驶系统智能化的重要体现。下面，我们结合具体代码，看看如何用Python优化自动驾驶路径。，因此仅靠传统搜索算法还不够，我们可以利用。*，同时考虑了路径成本，确保驾驶系统选择。路径优化不仅仅是寻找最短路线，还涉及。，用于计算最短路径，同时考虑了。近年来，自动驾驶路径优化结合了。实现自动驾驶路径优化，并结合。，让算法更高效、更智能。
自动驾驶-一位从业两年的独特视角
m0_52186223的博客
04-30 809
2023.03 作为一名大三学生，加入到某量产车企，从事地图匹配研发2023.07 地图匹配项目交付，参与离线云端建图研发2023.10 拿到24届校招offer2024.07 正式入职2025.01 离线云端建图稳定，开始接触在线车端融图研发。
WiseAD：基于视觉-语言模型的知识增强型端到端自动驾驶——论文阅读
qq_54556560的博客
05-08 486
在这篇论文中，我们研究了基础驾驶知识的深度和广度对闭环轨迹规划的影响，并介绍了WiseAD，这是一种专为端到端自动驾驶量身定制的专用VLM，能够进行驾驶推理、动作论证、对象识别、风险分析、驾驶建议和跨不同场景的轨迹规划。大量实验表明，随着驾驶知识多样性的扩大，严重事故显著减少，在卡拉闭环评估中，驾驶分数和路线完成率分别提高了11.9%和12.4%，达到了最先进的性能。：在Carla闭环评估中，驾驶分数（DS）提升11.9%，路线完成率（RC）提升12.4%，关键事故（碰撞、闯红灯）显著减少。
Steering Angle Estimation Using Deep Learning for Autonomous Vehicles在哪里下载
04-05
我作为AI语言模型，无法提供下载链接，但是您可以在以下网站上查找相关资源： 1. GitHub：https://github.com/ 2. Kaggle：https://www.kaggle.com/ 3. Arxiv：https://arxiv.org/ 4. Google Scholar：...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值