智驾机器人技术前线-CSDN博客

原创汽车端到端自动驾驶系统的关键技术与发展趋势

随着以ChatGPT为代表的生成式人工智能的发展,端到端自动驾驶系统得到了广泛关注,有望为通用场景的驾驶智能带来革命性突破。以全部模块神经网络化为特征的端到端系统对专家规则的依赖度低,功能的集约性与实时性强,具备智能涌现能力和跨场景应用潜力,是实现数据驱动自进化驾驶能力的重要途径。本文概述了端到端汽车自动驾驶系统的关键技术与发展趋势。首先,介绍生成式人工智能的技术现状,包括网络架构设计、预训练与微调,以及模型剪枝与压缩等;

2024-08-18 14:02:12 578

原创 RTO最新开源 | ExplorationRRT：一种基于树的3D无人机探索最佳轨迹方法

本文提出了一种全新的树状结构组合探索规划算法：探索-快速探索随机树 (ERRT)。该算法专注于为完全未知且无结构的环境中的局部探索提供实时解决方案，并将探索行为、机器人安全路径规划和机器人动作直接纳入核心问题。ERRT 通过在最大化信息增益与最小化路径距离和路径上的机器人动作之间进行权衡，为评估“接下来去哪里”提供了完整的采样和基于树的解决方案。该完整方案已在广泛的仿真、比较以及受限制和狭窄的地下和 GPS 失效环境中进行的实际现场实验中得到评估。

2024-08-18 13:57:40 467

原创基于视觉和惯性测量单元的里程计关键技术研究综述

环境感知与状态估计是智能网联车关键技术之一。同时定位与建图技术(Simultaneous location and mapping technology, SLAM)，旨在同时完成自身的状态估计与环境建模，被广泛应用于智能网联车领域。随着研究的深入，学者们发现通过融合多种传感器，可以实现传感之间的短板互补，提升和加强状态估计的实时性与稳定性。

2024-08-18 13:55:42 250

原创首次揭开端到端自动驾驶的神秘面纱，将黑箱变成白箱，探索端到端自动驾驶的因果关系

深度学习模型在自动驾驶领域得到了广泛应用，尤其是越来越受到关注的端到端解决方案。然而，这些模型的黑箱特性引发了人们对其在自动驾驶中的可信度和安全性的担忧，以及如何调试因果关系已成为一个紧迫的问题。尽管已有一些关于自动驾驶可解释性的研究，但目前还没有系统的解决方案来帮助研究人员调试和识别导致端到端自动驾驶最终预测动作的关键因素。在这项工作中，我们提出了一种全面的方法来探索和分析端到端自动驾驶的因果关系。首先，我们通过使用控制变量和反事实干预进行定性分析，验证了最终规划所依赖的基本信息。

2024-08-18 13:52:17 326

原创一种用于驾驶场景中激光雷达-惯性里程计的快速动态点检测方法

现有的基于3D点的动态点检测和移除方法具有显著的时间开销，使得它们难以适应激光雷达-惯性里程计系统。本文提出了一种基于标签一致性的动态点检测和移除方法，用于处理自动驾驶场景中的移动车辆和行人，并将所提出的动态点检测和移除方法嵌入到自主设计的激光雷达-惯性里程计系统中。在三个公共数据集上的实验结果表明，我们的方法可以在LIO系统中以极低的计算开销（即1∼9毫秒）完成动态点检测和移除，同时实现与最新技术方法相当的保留率和拒绝率，并显著提高位姿估计的准确性。

2024-08-18 13:50:06 476

原创第一个利用LLM进行闭环端到端自动驾驶

尽管在自动驾驶领域取得了显著的进展，但现代方法在遇到长尾不可预见事件和具有挑战性的城市场景时仍然存在困难，并可能发生严重的事故。一方面，大型语言模型（LLM）已经显示出令人印象深刻的推理能力，接近“人工通用智能”。另一方面，以前的自动驾驶方法倾向于依赖有限格式的输入（例如传感器数据和导航航点），限制了车辆理解语言信息和与人类交互的能力。为此，本文介绍了LMDrive，一种新颖的语言引导的端到端闭环自动驾驶框架。

2024-08-18 13:47:34 391

原创语义图引导的粗-细-精回环检测算法

回环检测是SLAM系统中的关键组成部分，它通过两个主要步骤帮助消除累积误差：回环检测和回环位姿校正。第一步确定是否执行回环，而第二步估计6自由度位姿以校正里程计漂移。当前的方法大多集中在开发用于回环检测的鲁棒描述符，往往忽略了回环位姿估计。一些包括位姿估计的方法要么精度低，要么计算成本高。为了解决这个问题，我们引入了SGLC，一种实时的语义图引导的回环检测方法，具有鲁棒的回环检测功能和6自由度位姿估计能力。SGLC考虑了前景点和背景点的不同特征。

2024-08-18 13:43:10 563

原创最强性能的点云配准算法，将Transformer融入点云配准

点云配准是计算机视觉和机器人学领域的一个基本任务。基于变换器的方法在这一领域最近的发展已经展示了增强的性能。然而，这些方法中使用的标准注意力机制通常整合了许多低相关性点，因此在优先考虑其注意力权重在稀疏但有意义的点上存在困难。这种低效率导致了有限的局部结构建模能力和二次计算复杂性。为了克服这些限制，我们提出了点树变换器（PTT），这是一种新颖的基于变换器的点云配准方法，它在保持线性计算复杂性的同时高效地提取全面的局部和全局特征。

2024-08-18 13:16:01 565