模型实践 | 高精地图构建模型HDMapNet助力更精准的自动驾驶

VIP文章 已于 2022-10-27 09:23:33 修改
阅读量1.8k 收藏 13
点赞数 2
分类专栏： 幻方AI模型实践 文章标签： 自动驾驶 人工智能 机器学习
于 2022-07-11 14:27:29 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/weixin_66945478/article/details/125720656
版权

实验 | Freja   算力支持 | 幻方AIHPC

高精地图是自动驾驶系统的关键模块，可以有效提升自动驾驶汽车的行驶安全度，强化自动驾驶系统的整体感知能力和决策能力。然而传统的高精地图构建流程复杂，需要消耗大量的资源和人力，导致其扩展性和实时性无法满足自动驾驶的使用需求。

CVPR 2021 Workshop 最佳论文提名的一篇文章 HDMapNet，来自清华大学交叉信息院 MARS Lab，提出了一个使用深度神经网络实时构建局部高精地图的思路，该方法是从传统的高精地图构建流程转向端到端方法的关键工作。

幻方AI最近对这项工作进行了整理和优化，在幻方萤火二号上复现了实验。通过幻方自研的 3FS、hfreduce、算子，对模型训练进行提速，整合代码、简化接口，融入hfai数据仓库和模型仓库中࿰

最低0.47元/天 解锁文章
幻方AI小编
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
自动驾驶之高精地图.pdf
04-19
自动驾驶之高精地图的作用
局部语义地图构建——HDMapNet
steven_ysh的博客
05-22 6152
HDMapNet 是清华大学 MARS Lab 提出的一个构建局部语义地图的方法，该方法为减轻标注、维护高精度地图的资源消耗。 本文先简要阐述高精度地图的部分概念，接着简单阐述了 HDMapNet 的主要框架，文末附有 HDMapNet 项目地址
车道图新方案！LaneGAP：基于路径的在线车道图构建（华科&地平线）
CV_Autobot的博客
04-19 1030
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【3D目标检测】技术交流群后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！摘要 在线车道图构建是自动驾驶中一项很有前途但很有挑战性的任务。以前的方法通常在像素或分段级别对车道图进行建模，并通过逐像素或分段连接来恢复车道图，这会破坏车道的连续性。Hu-man驾驶员专注于沿着连续完整的道路行驶...
HDMapNet翻译
weixin_43889128的博客
12-24 2463
摘要 从感官输入中估计局部语义是自动驾驶中高清地图构建的核心组成部分。然而，传统的管道需要大量的人力和资源来注释和维护地图中的语义，这限制了其可扩展性。在本文中，我们介绍了局部语义地图学习的问题，该问题基于车载传感器观察动态构建矢量化语义。 同时，我们介绍了一种局部语义地图学习方法，称为 HDMapNet。从激光雷达周围的摄像机和/或点云HDMapNet编码图像的特征，并预测在鸟矢量地图元素“ S-眼图。我们在 nuScenes 数据集上对 HDMapNet 进行了基准测试，并表明在所有设置中，它的性能都优
HD地图生成大盘点 | 深度解析特斯拉、地平线、百度等方案~
CV_Autobot的博客
01-13 244
作者| bearbee 编辑| 汽车人原文链接：https://zhuanlan.zhihu.com/p/600087910点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【高精地图】技术交流群本文只做学术分享，如有侵权，联系删文背景目前学术界和工业界（尤其自动驾驶公司）均开始研究HD地图生成，也有一些公开的学术数据集以及非常多的学术工作，此外各家自动...
《HDMapNet：An Online HD Map Construction and Evaluation Framework》论文笔记
m_buddy的博客
11-07 897
介绍：在这篇文章中提出一种生成向量化高精地图（verctorized HD map）的方案，通过如IMU、GPS、Lidar等传感器数据融合可以生成全局的高精度定位信息，对于局部的信息是通过相机和Lidar实现的，其中最为关键便是行车过程中的车道信息。对于局部信息的获取方法是这篇文章的重点，其通过编码器处理环视图像和Lidar数据，之后将其映射到bev空间并引入时序得到融合信息表达，之后用于预测车道实例。
BEV在线实时局部地图构建的三个经典方案对比和思考(HDMapNet,VectorMapNet,MapTR)
苹果姐计算机视觉原创知识分享
06-19 1294
众所周知,由于离线高精地图High-Definition Map(HDMap)制作成本高昂,且难以实时更新,基于自车实时感知生成的在线局部地图已经逐渐成为替代解决方案或是冗余方案,因为离线地图精度较高且具备全局信息,在线地图虽然不具备全局信息但具有实时性,二者可以互为补充. 博主在这个领域做了简要的调研,总结比较经典的方案主要有三个:清华赵行MARS Lab(和这个组杠上了)的HDMapNet, VectorMap,和华中科技大学与地平线合作的MapTR,觉得三个模型在框架和思路上也有内在联系和演进的过程
计算机视觉算法——基于深度学习的高精地图算法（HDMapNet / VectorMapNet / MapTR / VectorNet）
weixin_44580210的博客
01-19 3411
高精地图广泛应用于自动驾驶领域，传统的高精地图构建和使用算法通常是基于SLAM实现的，但是最近两年出现了很多基于深度学习的方法，例如HDMapNet、VectorMapNet和MapTR就介绍了如何通过NN直接利用感知信息构建矢量化的高精地图，而VectorNet介绍了如何使用NN直接对矢量化的高精地图信息进行编码，从而能高效地作为一路输入被系统所利用。下面HDMapNet为2021年发表的文章，原论文名为《HDMapNet: An Online HD Map Construction and Evalua
HDMapNet：高精度语义地图的动态构建
3D视觉工坊
10-29 1160
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达编辑丨算法邦今天和大家分享工作的是自动驾驶中高精度语义地图的动态构建。内容主要是解读我们组最新的论文HDMapNet: A Local Semantic Map Learning and Evaluation Framework。01什么是高精地图？高精地图提供了精准的、综合的道路几何与语义信息，是其他自动驾驶模块（如定位、感知、预测和规划）不...
HDMapNet: An Online HD Map Construction and Evaluation Framework
kebijuelun的博客
05-21 888
Paper name HDMapNet: An Online HD Map Construction and Evaluation Framework Paper Reading Note URL: https://arxiv.org/pdf/2107.06307.pdf TL;DR HDMapNet 编码环视相机 and/or 雷达点云，预测 BEV 视角下的向量化地图元素，所提出的方法不是用来替代传统的全局高精地图，而是提供一个预测局部语义地图的简单方案，用于实时的运动预测和规划 Introdu
通用格式HDMap --- 测绘学报50卷--通用化高精地图数据模型
NotANumber123的博客
03-13 459
一篇很好的关于hdmap数据模型的概述文章，在里面可以找到以lanelet、opendrive形式的map数据类型的对比，了解当前hdmap的基本数据类型以及拓扑结构。
5G时代的高精地图助力自动驾驶安全之路.pdf
09-20
5G时代的高精地图助力自动驾驶安全之路.pdf
面向自动驾驶的高精地图生产技术及数据模型标准化探讨.pdf
09-20
面向自动驾驶的高精地图生产技术及数据模型标准化探讨.pdf
ADASAD高精地图与自动驾驶和代码.zip
04-18
高精地图开发和代码，另外还包含了自动驾驶学习资料 涵盖感知，规划和控制，ADAS，传感器；
高精地图与自动驾驶和代码.zip
04-18
自动驾驶高精度地图，另外还包含了自动驾驶学习资料 涵盖感知，规划和控制，ADAS，传感器；
2024年智能车辆与自动驾驶国际会议(ICIVAD2024)
anana_xu的博客
04-29 446
2024年国际智能汽车与自动驾驶大会（ICIVAD2024）在南京隆重举行，聚焦智能汽车和自动驾驶领域的最新技术和发展趋势。会议汇集了国内外知名专家、学者和企业代表，共同探讨自动驾驶技术的创新应用和未来发展。会议期间，与会者将分享研究成果，交流技术经验，并举办一系列主题论坛和展览活动，展示智能汽车和自动驾驶技术的最新成果和前沿应用。评审录用后，文章将以会议论文集的形式出版，最终提交EI Compendex、Scopus和Inspec等数据库检索。
【百度Apollo】探索自动驾驶：Apollo 平台发布新版本 Beta 更灵活的包管理 2.0
最新发布
鸽芷咕的博客
04-29 574
在现代软件工程中，软件包管理是至关重要的环节之一。合理的包管理系统可以极大地提高开发效率、降低开发成本，针对这一问题，我们团队对 Apollo 平台的包管理系统进行了全面升级，推出了全新的包管理 2.0 系统
经典文献阅读之--SurroundOcc(自动驾驶的环视三维占据栅格预测)
weixin_68094467的博客
04-26 469
环视BEV已经是很多场景中需要的功能，也是视觉代替激光雷达的有效解决方案，而《SurroundOcc: Multi-camera 3D Occupancy Prediction for Autonomous Driving》一吻则代表了这个领域的SOTA算法，文中通过多帧点云构建了稠密占据栅格数据集，并设计了基于transformer的2D-3D Unet结构的三维占据栅格网络。许多3D场景重建方法[8, 37]通过将多视角2D特征重新投影到已知姿态的3D体积中，将2D特征整合到3D空间中。
自动驾驶系统中的端到端学习
一点人工一点智能的博客
04-29 176
本文还研究了如何处理场景条件下的驾驶行为，这超出了反应控制的能力。除了端到端结构外，学习方法也发挥着关键作用。端到端学习可以产生合理的驾驶行为，即使在复杂的城市驾驶场景中也是如此。端到端驾驶模型中的表示学习至关重要，语义分割等辅助视觉任务可以帮助形成更具信息性的驾驶表示，尤其是在训练数据有限的情况下。简单的卷积神经网络通常只能进行反应控制，不能在特定场景中进行复杂的推理。然而，即使机器人面临着与传统计算机视觉类似的问题，但这样的成功也还没有像视觉那样彻底改变机器人，即系统的手动Pipeline设计不完善。
slam构建高精地图
09-14
SLAM（Simultaneous Localization and Mapping）是一种同时进行定位和建图的技术。它被广泛应用于机器人、自动驾驶等领域，可以在未知环境中实时定位机器人的位置，并生成高精度的地图。 构建高精地图的SLAM系统通常包含以下主要步骤： 1. 传感器数据采集：使用激光雷达、摄像头等传感器获取环境数据。激光雷达可以提供精确的距离和角度信息，而摄像头可以提供丰富的视觉信息。 2. 特征提取：对采集到的数据进行处理，提取出有用的特征点或特征描述符。常用的特征包括角点、边缘等，可以通过特征提取算法（如Harris角点检测、SIFT、SURF等）来实现。 3. 运动估计：根据采集到的连续数据，通过运动估计算法（如扩展卡尔曼滤波器、非线性优化等）估计机器人在连续帧之间的运动。 4. 建图：将估计得到的机器人运动轨迹与传感器数据进行融合，生成地图。常用的建图算法包括Occupancy Grid、OctoMap等。 5. 闭环检测与优化：通过检测到之前访问过的位置，对地图进行闭环检测，并进行优化，提高地图的一致性和准确性。 6. 地图更新：随着机器人的移动和环境的变化，持续更新地图，保持地图的实时性和准确性。 以上是SLAM构建高精度地图的一般步骤，具体实现会根据不同的SLAM算法和传感器选择有所差异。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

幻方AI小编

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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