Heim Technologie-Peripheriegeräte KI Die kommerzielle Nutzung selbstfahrender Autos erfordert die Beachtung der Sicherheitsvorschriften für Algorithmen

Die kommerzielle Nutzung selbstfahrender Autos erfordert die Beachtung der Sicherheitsvorschriften für Algorithmen

Apr 29, 2023 pm 10:16 PM
自动驾驶 汽车

Unter dem Entwicklungstrend der Automobilelektrifizierung, Netzwerkverbindung und Intelligenz steht die Automobilindustrie aufgrund der rasanten Entwicklung der Technologie für autonomes Fahren im Automobil zunehmend vor einem grundlegenden Wandel. ändern. In den letzten Jahren sind jedoch die Sicherheitsherausforderungen autonomer Fahrzeuge immer deutlicher geworden, und die damit verbundenen Unfälle haben das Vertrauen der Öffentlichkeit in autonome Fahrzeuge in gewissem Maße geschwächt. Um effektiv auf die Sicherheitsherausforderungen zu reagieren, die autonome Fahralgorithmen mit sich bringen, ist es notwendig, ein einheitliches Sicherheitsrahmenwerk für autonome Fahralgorithmen aufzubauen, um den Übergang autonomer Fahrzeuge von der Forschungs- und Entwicklungstestphase zur kommerziellen Anwendungsphase zu beschleunigen.

Die kommerzielle Nutzung selbstfahrender Autos erfordert die Beachtung der Sicherheitsvorschriften für Algorithmen

Hauptausprägungen von Sicherheitsproblemen bei autonomen Fahralgorithmen# 🎜 🎜#

Die aktuelle Gesetzgebung für autonome Fahrzeuge konzentriert sich hauptsächlich auf Straßentests, Demonstrationsanwendungen und Fahrzeugdatensicherheit. Sie zielt noch nicht auf autonome Fahrsysteme mit Algorithmen der künstlichen Intelligenz als Kern ab . Bilden Sie einen vollständigen und einheitlichen Sicherheitsrahmen. Zukünftige Gesetzgebung muss sich darauf konzentrieren, auf drei Aspekte zu reagieren.

Erstens ist die allgemeine technische Sicherheit die wichtigste und relevanteste Variable. Im Vergleich zu herkömmlichen Autos, die einem etablierten Regulierungsrahmen unterliegen (Sicherheitsstandards, Tests und Zertifizierung, Produktzulassung usw.) und menschlichen Fahrern, die Führerscheinen und Haftungsmechanismen unterliegen, sind die Sicherheitsstandards autonomer Fahrsysteme höher muss noch etabliert werden, daher autonomes Fahren Das Fahren eines Autos stellt noch nicht den gleichen Beweis für Sicherheit und Compliance dar wie ein herkömmliches Auto. Daher geht es in dieser Phase vor allem darum, die Sicherheitsschwellen, Sicherheitsstandards, Prüf- und Zertifizierungsmethoden, Genehmigungsmechanismen und andere Anforderungen für autonome Fahrsysteme festzulegen.

Eine zentrale Frage ist, wie sicher autonome Fahrsysteme sein müssen, bevor politische Entscheidungsträger und Regulierungsbehörden den kommerziellen Einsatz autonomer Fahrzeuge zulassen. Die Voreingenommenheit der Gesellschaft gegenüber Technologie kann zu unangemessen hohen Schwellenwerten für akzeptable Sicherheit führen. Man geht beispielsweise davon aus, dass selbstfahrende Autos ein absolutes Sicherheitsniveau erreichen müssen, das ausreicht, um null Unfälle zu erreichen. Nach Ansicht des Autors sollte die Sicherheitsschwelle autonomer Fahralgorithmen nicht auf dem autonomen Fahrniveau absoluter Ziele (z. B. null Unfälle, null Verletzte) basieren, sondern auf dem allgemeinen menschlichen Fahrniveau als Maßstab für die Bestimmung von a wissenschaftlicher und angemessener Sicherheitsschwelle. Beispielsweise legt das vom Vereinigten Königreich im August 2022 veröffentlichte Richtliniendokument zum autonomen Fahren „Connected and Autonomous Travel 2025: Unlocking the Benefits of Autonomous Vehicles in the UK“ klar die Sicherheitsschwelle für autonome Fahrzeuge fest, d. h. autonome Fahrzeuge sollten diese erfüllen Anforderungen an „kompetenter und umsichtiger“ „Kompetenter und vorsichtiger menschlicher Fahrer“ (kompetenter und vorsichtiger menschlicher Fahrer) haben das gleiche Sicherheitsniveau, das höher ist als das von gewöhnlichen menschlichen Fahrern.

Zweitens: Herausforderungen für die Netzwerksicherheit. Cybersicherheit ist ein Schlüsselfaktor für die Entwicklung und Anwendung autonomer Fahrzeuge, und die damit verbundenen Risiken und Bedrohungen werden zu den komplexesten und am schwierigsten zu lösenden Bedrohungen für autonome Fahrzeuge werden. Insgesamt weisen die Cybersicherheitsherausforderungen autonomer Fahrzeuge hauptsächlich die folgenden Merkmale auf:

Erstens sind autonome Fahrzeuge anfälliger für Cybersicherheitsrisiken als herkömmliche Fahrzeuge. Selbstfahrende Autos sind „Roboter auf Rädern“. Zusätzlich zu den Cybersicherheitsrisiken im herkömmlichen Sinne werden selbstfahrende Autos auch mit neuen Cybersicherheitsherausforderungen, Risiken und Bedrohungen konfrontiert, die durch selbstfahrende Algorithmen entstehen.

Zweitens sind die Quellen von Cybersicherheitsrisiken für autonome Fahrzeuge vielfältiger und umfassen mehrere Aspekte wie Herstellung, Betrieb, Wartung, intelligente Infrastruktur, Versicherung und Überwachung. Der Zugriff oder die Kontrolle autonomer Fahrzeuge durch verschiedene Einheiten kann Netzwerkrisiken mit sich bringen.

Drittens sind autonome Fahrzeuge mit vielfältigeren Netzwerkangriffsmethoden konfrontiert. Hacker können beispielsweise Software-Schwachstellen angreifen, physische Angriffe auf autonome Fahrzeuge starten, indem sie bösartige Geräte verbinden, oder Komponenten des autonomen Fahrzeug-Ökosystems wie die intelligente Straßeninfrastruktur angreifen.

Darüber hinaus können Hacker in Bezug auf die Angriffseffekte viele Arten von Angriffen übernehmen, darunter Ungültigmachungsangriffe, operative Angriffe, Datenmanipulationsangriffe, Datendiebstahl usw. Diese Angriffe Die Auswirkungen können groß oder klein sein und sollten nicht unterschätzt werden. Viertens weisen die Cybersicherheitsrisiken autonomer Fahrzeuge sowohl breite als auch tiefe Merkmale auf, die umfassende und mehrstufige schädliche Folgen haben. Was die Breite betrifft, können die Software- und Hardware-Schwachstellen selbstfahrender Autos umfangreich sein, was bedeutet, dass Cyber-Angriffe in ihrer Tiefe verstärkt werden; nachdem selbstfahrende Autos angegriffen und kontrolliert wurden, können sie auf verschiedene Weise nachteilige Folgen haben einschließlich Verletzten, Sachschäden, Datendiebstahl usw.

Drittens: ethische Sicherheitsherausforderungen. Die wichtigste ethische Sicherheitsfrage für autonome Fahralgorithmen ist, wie der Algorithmus Entscheidungen treffen und handeln soll, wenn er mit einem unvermeidbaren Unfall konfrontiert wird. Wie sollten wir uns entscheiden, insbesondere wenn wir mit Dilemmata (z. B. moralischen Dilemmata) konfrontiert sind? Sollten wir uns dafür entscheiden, die Zahl der Unfälle zu minimieren oder die Fahrzeuginsassen um jeden Preis zu schützen, auch wenn dies möglicherweise den Verlust anderer Verkehrsteilnehmer wie Fußgänger bedeutet? Die Möglichkeit moralischer Dilemmata bei selbstfahrenden Autos macht die Wechselwirkung zwischen Technologie und Ethik zu einer unvermeidlichen Frage, d. h. wie komplexe menschliche Moral in die Gestaltung selbstfahrender Algorithmen einprogrammiert werden kann. In dieser Frage besteht noch kein Konsens in allen Bereichen der Gesellschaft.

Die kommerzielle Nutzung selbstfahrender Autos erfordert die Beachtung der Sicherheitsvorschriften für Algorithmen

Aufbau eines algorithmischen Sicherheitsrahmens für selbstfahrende Autos #🎜 🎜#

Um die Umsetzung der im vorgeschlagenen „Technologische Innovation, Industrieökologie, Infrastruktur, Vorschriften und Standards, Produktüberwachung von Chinas Standard-Smart-Cars bis 2025“ sicherzustellen „Innovations- und Entwicklungsstrategie für intelligente Fahrzeuge“ Und das Netzwerksicherheitssystem wurde im Wesentlichen entwickelt, um das Ziel zu erreichen, bedingt autonome Smart-Autos in großem Maßstab zu produzieren und die Marktanwendung hochautonomer Smart-Autos in bestimmten Umgebungen zu realisieren Beschleunigung der Überarbeitung und Innovation traditioneller Autos und menschlicher Fahrer zur Schaffung eines neuen Rechtssystems und Regulierungsrahmens für die Integration autonomer Fahrzeuge in das aktuelle Straßenverkehrssystem. Einer der Kernaspekte besteht darin, einen Sicherheitsregulierungsrahmen mit autonomen Fahralgorithmen als Kern aufzubauen, der die drei Dimensionen technische Sicherheitsstandards und Genehmigungszertifizierung, Netzwerksicherheitszertifizierung und ethisches Risikomanagement abdecken muss.

Zunächst neue Sicherheitsstandards und Zertifizierungsmechanismen für autonome Fahrsysteme etablieren. Das Land muss dringend neue und einheitliche Sicherheitsstandards für selbstfahrende Autos festlegen und von Sicherheitsstandards, die sich traditionell auf Autohardware und menschliche Fahrer konzentrieren, auf Sicherheitsstandards mit selbstfahrenden Algorithmen als Kern umsteigen. Dies bedeutet, dass innovative Autos entworfen werden müssen Selbstfahrendes Auto, das kein Cockpit, Lenkrad, Pedale oder Rückspiegel benötigt. Um die Sicherheit autonomer Fahrsysteme genauer und zuverlässiger bewerten und überprüfen zu können, müssen künftige Gesetze und Richtlinien außerdem wissenschaftliche und angemessene Sicherheitsschwellenwerte und Benchmarks für autonome Fahrsysteme festlegen Erfüllen Sie die Anforderungen „kompetent und umsichtig“, „das gleiche Maß an Sicherheit wie menschliche Fahrer“, und legen Sie eine Reihe wissenschaftlicher und angemessener Erkennungsmethoden fest, die auf dem technischen Niveau des Straßenfahrens basieren.

Zweitens muss ein neuer Cybersicherheitsrahmen für autonome Fahrzeuge geschaffen werden. Die politischen Entscheidungsträger müssen die Integration traditioneller Cybersicherheitsprinzipien in Betracht ziehen, um die Cybersicherheit autonomer Fahrzeuge insgesamt zu gewährleisten. Die erste besteht darin, einen Mechanismus zur Cybersicherheitszertifizierung für autonome Fahrzeuge einzurichten. Nur autonome Fahrzeuge, die die Cybersicherheitszertifizierung bestanden haben, dürfen verkauft und verwendet werden. Und dieser Mechanismus muss auf die Software- und Hardware-Lieferkette ausgeweitet werden. Zweitens ist es notwendig, die Cybersicherheitsschutzfähigkeiten und -anforderungen autonomer Fahrzeuge zu klären, einschließlich technischer und nichttechnischer Maßnahmen. Drittens besteht die Notwendigkeit, B2B-, B2G-, G2B- und andere Formen des Datenaustauschs zwischen der Industrie und der Regierung zu realisieren, insbesondere Daten im Zusammenhang mit Sicherheitsvorfällen wie Sicherheitsunfällen, Netzwerksicherheit und der Abschaltung autonomer Fahrsysteme. Die Einrichtung eines Mechanismus zur Meldung und Weitergabe von Unfalldaten ist von großer Bedeutung für die Verbesserung des Entwicklungsstands der gesamten Branche des autonomen Fahrens.

Drittens: Etablieren Sie ethische Risikomanagementmechanismen wie beispielsweise autonome Fahralgorithmen. Einerseits ist eine klare staatliche Aufsicht erforderlich, um Standards für ethische Entscheidungen bei der Gestaltung selbstfahrender Algorithmen festzulegen, um sicherzustellen, dass selbstfahrende Algorithmen ethisch im Einklang mit dem allgemeinen öffentlichen Interesse stehen und ein gewisses Gleichgewicht zwischen öffentlicher Akzeptanz und moralischen Anforderungen erreichen . Gleichgewicht. Auf der anderen Seite müssen selbstfahrende Autounternehmen die wissenschaftliche und technologische ethische Governance der selbstfahrenden Autotechnologie stärken, die Hauptverantwortung des wissenschaftlichen und technologischen Ethikmanagements aktiv erfüllen, sich an das Endergebnis der wissenschaftlichen und technologischen Ethik halten und tragen Führen Sie eine wissenschaftliche und technologische Ethik-Risikobewertung und -Überprüfung für die Technologie selbstfahrender Autos durch und richten Sie einen Mechanismus zur Überwachung und Frühwarnung von wissenschaftlichen und technologischen Ethikrisiken ein, stärken Sie die Ethikschulung für wissenschaftliches und technologisches Personal usw. Beispielsweise schlugen britische Regulierungsbehörden die Einrichtung eines „Committee on AV Ethics and Safety“ vor, um die Governance autonomer Fahrzeuge besser zu unterstützen.

Zusammenfassend ist der flächendeckende Einsatz und die Nutzung autonomer Fahrzeuge eine notwendige Voraussetzung für die Realisierung vieler ihrer positiven Vorteile. Die notwendige Voraussetzung für seinen breiten Einsatz und Einsatz ist die Schaffung eines geeigneten Sicherheitsrahmens und die Beschleunigung des Übergangs von der Erprobung zur kommerziellen Nutzung autonomer Fahrzeuge. Aber keine vernünftige Rechtspolitik kann gegenüber der öffentlichen Akzeptanz blind sein. Mit anderen Worten: Wenn autonome Fahrzeuge das beliebteste Fortbewegungsmittel werden wollen, müssen sie die Erwartungen ihrer Nutzer und der Gesellschaft als Ganzes berücksichtigen. Zu diesen Erwartungen gehören neben der Zufriedenheit und Sicherheit der Nutzer auch Designwerte wie Vertrauen und Verantwortung und Transparenz.

Sicherheitsvorschriften für autonome Fahrzeuge müssen diese Erwartungen ebenfalls berücksichtigen und sogar die überzogenen Erwartungen in Einklang bringen. Basierend auf diesen Überlegungen schlägt dieser Artikel innovativ einen neuen Regulierungsrahmen für die Sicherheit selbstfahrender Algorithmen vor, um die Herausforderungen der Algorithmussicherheit anzugehen, die vor der Kommerzialisierung selbstfahrender Fahrzeuge bewältigt werden müssen. Langfristig gesehen ist die kommerzielle Nutzung selbstfahrender Autos nur der Ausgangspunkt, nicht das Ende des zukünftigen Verkehrsrechts. Eine Reihe von Änderungen im Autodesign, in den Verkehrsregeln, in der Haftung, in der Versicherungsentschädigung, im Fahrverhalten usw. werden dies tun kommen einer nach dem anderen.

Das obige ist der detaillierte Inhalt vonDie kommerzielle Nutzung selbstfahrender Autos erfordert die Beachtung der Sicherheitsvorschriften für Algorithmen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
2 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
Repo: Wie man Teamkollegen wiederbelebt
1 Monate vor By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Abenteuer: Wie man riesige Samen bekommt
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Warum ist Gaussian Splatting beim autonomen Fahren so beliebt, dass NeRF allmählich aufgegeben wird? Warum ist Gaussian Splatting beim autonomen Fahren so beliebt, dass NeRF allmählich aufgegeben wird? Jan 17, 2024 pm 02:57 PM

Oben geschrieben und persönliches Verständnis des Autors. Dreidimensionales Gaussplatting (3DGS) ist eine transformative Technologie, die in den letzten Jahren in den Bereichen explizite Strahlungsfelder und Computergrafik entstanden ist. Diese innovative Methode zeichnet sich durch die Verwendung von Millionen von 3D-Gaußkurven aus, was sich stark von der Neural Radiation Field (NeRF)-Methode unterscheidet, die hauptsächlich ein implizites koordinatenbasiertes Modell verwendet, um räumliche Koordinaten auf Pixelwerte abzubilden. Mit seiner expliziten Szenendarstellung und differenzierbaren Rendering-Algorithmen garantiert 3DGS nicht nur Echtzeit-Rendering-Fähigkeiten, sondern führt auch ein beispielloses Maß an Kontrolle und Szenenbearbeitung ein. Dies positioniert 3DGS als potenziellen Game-Changer für die 3D-Rekonstruktion und -Darstellung der nächsten Generation. Zu diesem Zweck geben wir erstmals einen systematischen Überblick über die neuesten Entwicklungen und Anliegen im Bereich 3DGS.

Wie lässt sich das Long-Tail-Problem in autonomen Fahrszenarien lösen? Wie lässt sich das Long-Tail-Problem in autonomen Fahrszenarien lösen? Jun 02, 2024 pm 02:44 PM

Gestern wurde ich während des Interviews gefragt, ob ich irgendwelche Long-Tail-Fragen gestellt hätte, also dachte ich, ich würde eine kurze Zusammenfassung geben. Das Long-Tail-Problem des autonomen Fahrens bezieht sich auf Randfälle bei autonomen Fahrzeugen, also mögliche Szenarien mit geringer Eintrittswahrscheinlichkeit. Das wahrgenommene Long-Tail-Problem ist einer der Hauptgründe, die derzeit den betrieblichen Designbereich intelligenter autonomer Einzelfahrzeugfahrzeuge einschränken. Die zugrunde liegende Architektur und die meisten technischen Probleme des autonomen Fahrens wurden gelöst, und die verbleibenden 5 % der Long-Tail-Probleme wurden nach und nach zum Schlüssel zur Einschränkung der Entwicklung des autonomen Fahrens. Zu diesen Problemen gehören eine Vielzahl fragmentierter Szenarien, Extremsituationen und unvorhersehbares menschliches Verhalten. Der „Long Tail“ von Randszenarien beim autonomen Fahren bezieht sich auf Randfälle in autonomen Fahrzeugen (AVs). Randfälle sind mögliche Szenarien mit geringer Eintrittswahrscheinlichkeit. diese seltenen Ereignisse

Kamera oder Lidar wählen? Eine aktuelle Übersicht über die Erzielung einer robusten 3D-Objekterkennung Kamera oder Lidar wählen? Eine aktuelle Übersicht über die Erzielung einer robusten 3D-Objekterkennung Jan 26, 2024 am 11:18 AM

0. Vorab geschrieben&& Persönliches Verständnis, dass autonome Fahrsysteme auf fortschrittlichen Wahrnehmungs-, Entscheidungs- und Steuerungstechnologien beruhen, indem sie verschiedene Sensoren (wie Kameras, Lidar, Radar usw.) verwenden, um die Umgebung wahrzunehmen, und Algorithmen und Modelle verwenden für Echtzeitanalysen und Entscheidungsfindung. Dies ermöglicht es Fahrzeugen, Verkehrszeichen zu erkennen, andere Fahrzeuge zu erkennen und zu verfolgen, das Verhalten von Fußgängern vorherzusagen usw. und sich so sicher an komplexe Verkehrsumgebungen anzupassen. Diese Technologie erregt derzeit große Aufmerksamkeit und gilt als wichtiger Entwicklungsbereich für die Zukunft des Transportwesens . eins. Aber was autonomes Fahren schwierig macht, ist herauszufinden, wie man dem Auto klarmachen kann, was um es herum passiert. Dies erfordert, dass der dreidimensionale Objekterkennungsalgorithmus im autonomen Fahrsystem Objekte in der Umgebung, einschließlich ihrer Standorte, genau wahrnehmen und beschreiben kann.

Dieser Artikel reicht aus, um etwas über autonomes Fahren und Flugbahnvorhersage zu lesen! Dieser Artikel reicht aus, um etwas über autonomes Fahren und Flugbahnvorhersage zu lesen! Feb 28, 2024 pm 07:20 PM

Die Trajektorienvorhersage spielt eine wichtige Rolle beim autonomen Fahren. Unter autonomer Fahrtrajektorienvorhersage versteht man die Vorhersage der zukünftigen Fahrtrajektorie des Fahrzeugs durch die Analyse verschiedener Daten während des Fahrvorgangs. Als Kernmodul des autonomen Fahrens ist die Qualität der Trajektorienvorhersage von entscheidender Bedeutung für die nachgelagerte Planungssteuerung. Die Trajektorienvorhersageaufgabe verfügt über einen umfangreichen Technologie-Stack und erfordert Vertrautheit mit der dynamischen/statischen Wahrnehmung des autonomen Fahrens, hochpräzisen Karten, Fahrspurlinien, Fähigkeiten in der neuronalen Netzwerkarchitektur (CNN&GNN&Transformer) usw. Der Einstieg ist sehr schwierig! Viele Fans hoffen, so schnell wie möglich mit der Flugbahnvorhersage beginnen zu können und Fallstricke zu vermeiden. Heute werde ich eine Bestandsaufnahme einiger häufiger Probleme und einführender Lernmethoden für die Flugbahnvorhersage machen! Einführungsbezogenes Wissen 1. Sind die Vorschaupapiere in Ordnung? A: Schauen Sie sich zuerst die Umfrage an, S

SIMPL: Ein einfacher und effizienter Multi-Agent-Benchmark zur Bewegungsvorhersage für autonomes Fahren SIMPL: Ein einfacher und effizienter Multi-Agent-Benchmark zur Bewegungsvorhersage für autonomes Fahren Feb 20, 2024 am 11:48 AM

Originaltitel: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving Paper-Link: https://arxiv.org/pdf/2402.02519.pdf Code-Link: https://github.com/HKUST-Aerial-Robotics/SIMPL Autor: Hong Kong University of Science und Technologie DJI-Papieridee: Dieses Papier schlägt eine einfache und effiziente Bewegungsvorhersagebasislinie (SIMPL) für autonome Fahrzeuge vor. Im Vergleich zum herkömmlichen Agent-Cent

nuScenes' neuestes SOTA |. SparseAD: Sparse-Abfrage hilft effizientes durchgängiges autonomes Fahren! nuScenes' neuestes SOTA |. SparseAD: Sparse-Abfrage hilft effizientes durchgängiges autonomes Fahren! Apr 17, 2024 pm 06:22 PM

Vorab geschrieben und Ausgangspunkt Das End-to-End-Paradigma verwendet ein einheitliches Framework, um Multitasking in autonomen Fahrsystemen zu erreichen. Trotz der Einfachheit und Klarheit dieses Paradigmas bleibt die Leistung von End-to-End-Methoden für das autonome Fahren bei Teilaufgaben immer noch weit hinter Methoden für einzelne Aufgaben zurück. Gleichzeitig erschweren die in früheren End-to-End-Methoden weit verbreiteten Funktionen der dichten Vogelperspektive (BEV) die Skalierung auf mehr Modalitäten oder Aufgaben. Hier wird ein Sparse-Search-zentriertes End-to-End-Paradigma für autonomes Fahren (SparseAD) vorgeschlagen, bei dem die Sparse-Suche das gesamte Fahrszenario, einschließlich Raum, Zeit und Aufgaben, ohne dichte BEV-Darstellung vollständig abbildet. Insbesondere ist eine einheitliche, spärliche Architektur für die Aufgabenerkennung einschließlich Erkennung, Verfolgung und Online-Zuordnung konzipiert. Zudem schwer

Sprechen wir über End-to-End- und autonome Fahrsysteme der nächsten Generation sowie über einige Missverständnisse über End-to-End-Autonomes Fahren? Sprechen wir über End-to-End- und autonome Fahrsysteme der nächsten Generation sowie über einige Missverständnisse über End-to-End-Autonomes Fahren? Apr 15, 2024 pm 04:13 PM

Im vergangenen Monat hatte ich aus bekannten Gründen einen sehr intensiven Austausch mit verschiedenen Lehrern und Mitschülern der Branche. Ein unvermeidliches Thema im Austausch ist natürlich End-to-End und der beliebte Tesla FSDV12. Ich möchte diese Gelegenheit nutzen, einige meiner aktuellen Gedanken und Meinungen als Referenz und Diskussion darzulegen. Wie definiert man ein durchgängiges autonomes Fahrsystem und welche Probleme sollten voraussichtlich durchgängig gelöst werden? Gemäß der traditionellsten Definition bezieht sich ein End-to-End-System auf ein System, das Rohinformationen von Sensoren eingibt und für die Aufgabe relevante Variablen direkt ausgibt. Bei der Bilderkennung kann CNN beispielsweise als End-to-End bezeichnet werden, verglichen mit der herkömmlichen Methode zum Extrahieren von Merkmalen + Klassifizieren. Bei autonomen Fahraufgaben werden Eingabedaten verschiedener Sensoren (Kamera/LiDAR) benötigt

FisheyeDetNet: der erste Zielerkennungsalgorithmus basierend auf einer Fischaugenkamera FisheyeDetNet: der erste Zielerkennungsalgorithmus basierend auf einer Fischaugenkamera Apr 26, 2024 am 11:37 AM

Die Zielerkennung ist ein relativ ausgereiftes Problem in autonomen Fahrsystemen, wobei die Fußgängererkennung einer der ersten Algorithmen ist, die eingesetzt werden. In den meisten Arbeiten wurde eine sehr umfassende Recherche durchgeführt. Die Entfernungswahrnehmung mithilfe von Fischaugenkameras für die Rundumsicht ist jedoch relativ wenig untersucht. Aufgrund der großen radialen Verzerrung ist es schwierig, die standardmäßige Bounding-Box-Darstellung in Fischaugenkameras zu implementieren. Um die obige Beschreibung zu vereinfachen, untersuchen wir erweiterte Begrenzungsrahmen-, Ellipsen- und allgemeine Polygondesigns in Polar-/Winkeldarstellungen und definieren eine mIOU-Metrik für die Instanzsegmentierung, um diese Darstellungen zu analysieren. Das vorgeschlagene Modell „fisheyeDetNet“ mit polygonaler Form übertrifft andere Modelle und erreicht gleichzeitig 49,5 % mAP auf dem Valeo-Fisheye-Kameradatensatz für autonomes Fahren

See all articles