Technologie-Peripheriegeräte
KI
Wie können Online-Kartierung und Flugbahnvorhersage eng integriert werden?
Wie können Online-Kartierung und Flugbahnvorhersage eng integriert werden?
Originaltitel: Producing and Leveraging Online Map Uncertainty in Trajectory Prediction
Papierlink: https://arxiv.org/pdf/2403.16439.pdf
Codelink: https://github.com/alfredgu001324/MapUncertaintyPrediction
Autorenzugehörigkeit: Vector Institute NVIDIA Research, University of Toronto
Thesisidee:
Hochpräzise (HD) Karten spielen eine unverzichtbare Rolle bei der Entwicklung moderner autonomer Fahrzeugtechnologie-Stacks (AV), obwohl die Kennzeichnung und die damit verbundenen Wartungskosten sind hoch. Daher schlagen viele neuere Arbeiten Methoden zur Online-Schätzung von HD-Karten aus Sensordaten vor, was die Integration in Technologie-Stacks für autonomes Fahren erschwert. Insbesondere erzeugen sie keine Unsicherheits- oder Konfidenzschätzungen. Dieses Papier erweitert mehrere hochmoderne Online-Kartenschätzungsmethoden, um zusätzliche Schätzungen der Unsicherheit zu ermöglichen und die Vorhersagekraft des realen nuScenes-Fahrdatensatzes um bis zu 15 % zu verbessern. Dabei stellen wir fest, dass die Einbeziehung der Unsicherheit die Trainingskonvergenz um bis zu 50 % und die Vorhersagekraft des realen nuScenes-Fahrdatensatzes um bis zu 15 % verbessert.
Hauptbeiträge:
Dieses Papier stellt eine allgemeine Beschreibung der Unsicherheit von vektorisierten Karten vor und erweitert viele hochmoderne Online-Kartenschätzungsmethoden, um zusätzlich Unsicherheitsschätzungen auszugeben, ohne die Leistung des reinen Konstruktionsdiagramms zu beeinträchtigen.
Dieser Artikel analysiert empirisch die potenziellen Ursachen der Kartenunsicherheit, bestätigt das mangelnde Vertrauen in aktuelle Kartenschätzmethoden und liefert Informationen für zukünftige Forschungsrichtungen.
In diesem Artikel werden aktuelle Online-Kartenschätzungsmodelle in Kombination mit mehreren hochmodernen Trajektorienvorhersagemethoden erörtert und gezeigt, wie die Leistung und Trainingseigenschaften nachgelagerter Vorhersagemodelle erheblich verbessert und die Trainingskonvergenz beschleunigt werden können, indem die Online-Kartenunsicherheit einbezogen wird auf 50 % und verbessert die Online-Vorhersagegenauigkeit um 15 %.
Netzwerkdesign:
Eine Schlüsselkomponente des autonomen Fahrens ist das Verständnis der statischen Umgebung, zum Beispiel der Straßenführung und des Verkehrs um autonome Fahrzeuge (AVs). Daher wurden hochpräzise (HD) Karten entwickelt, um solche Informationen zu erfassen und bereitzustellen, die semantische Informationen wie Straßengrenzen, Fahrspurtrenner und zentimetergenaue Straßenmarkierungen enthalten. HD-Karten haben sich in den letzten Jahren als unverzichtbar für die Entwicklung und den Einsatz autonomer Fahrzeuge erwiesen und sind heute weit verbreitet [35]. Allerdings ist die Kommentierung und Pflege von HD-Karten im Laufe der Zeit teuer und sie können nur in geofenced Gebieten verwendet werden, was die Skalierbarkeit autonomer Fahrzeuge einschränkt.
Um diese Probleme anzugehen, greifen viele neuere Studien auf die Online-Schätzung hochpräziser (HD-)Karten aus Sensordaten zurück. Im Großen und Ganzen zielen sie darauf ab, die Standorte und Kategorien von Kartenelementen vorherzusagen, normalerweise in Form von Polygonen oder Polylinien, alle Aktuelle Online-Kartenschätzungsmethoden erzeugen jedoch keine relevanten Unsicherheits- oder Konfidenzinformationen aus Kamerabildern und LiDAR-Scans, was problematisch ist, da es zu versteckten Informationen für nachgeschaltete Verbraucher führt. Es wird implizit davon ausgegangen, dass die abgeleiteten Kartenkomponenten deterministisch sind. und etwaige Kartierungsfehler (z. B. falsche Bewegung oder Platzierung von Kartenelementen) können zu fehlerhaftem Downstream-Verhalten führen. Zu diesem Zweck wird in diesem Artikel vorgeschlagen, Kartenunsicherheiten in Online-Kartenschätzmethoden aufzudecken und diese insbesondere in Downstream-Module zu integrieren In der Arbeit wird die Kartenunsicherheit in die Flugbahnvorhersage einbezogen und festgestellt, dass Mapper-Prädiktorsysteme, die die Kartenunsicherheit berücksichtigen (Abbildung 1), deutlich besser sind als solche, die dies nicht tun. Die Leistung ist im Vergleich zum System erheblich verbessert Die Unsicherheit der hochpräzisen Online-Kartenschätzung (HD) und deren Einbindung in die Downstream-Module bringt mehrere Vorteile. Linke Abbildung: Echte HD-Karte und Agentenstandorte. Rechts: Karte mit MapTR-Ausgabe [22] mit zusätzlicher Punktunsicherheit (aufgrund der Vorhersage der linken Straße, bei der die Grenze durch geparkte Fahrzeuge verdeckt ist und die Unsicherheit groß ist)
Abbildung 2. Viele Online-High Hochpräzise Vektorkartenschätzungsmethoden kodieren Bilder mit mehreren Kameras und transformieren sie in einen gemeinsamen Merkmalsraum aus der Vogelperspektive (BEV). Diese Arbeit verbessert diese gemeinsame Ausgabestruktur durch Hinzufügen einer Wahrscheinlichkeit Regressionskopf, der jeden Kartenscheitelpunkt zur Auswertung als Laplace-Verteilung modelliert. In diesem Artikel wird das Downstream-Vorhersagemodell weiter erweitert, um die Kartenunsicherheit zu kodieren und den auf dem Graph Neural Network (GNN) basierenden und Transformer-basierten Kartenencoder zu verbessern.
Experimentelle Ergebnisse:
Abbildung 3. Die in diesem Dokument vorgeschlagene Unsicherheitsdarstellung ist in der Lage, die Unsicherheit zu erfassen, die durch Verdeckungen zwischen der Kamera eines autonomen Fahrzeugs (AV) und umgebenden Kartenelementen verursacht wird. Links: Bilder der vorderen und vorderen rechten Kamera. Rechts: HD-Karte, erstellt mit dem in diesem Artikel erweiterten hochpräzisen Online-Kartenmodell. Die Ellipse stellt die Standardabweichung der Verteilung dar. Farben repräsentieren Straßengrenzen, Fahrspurtrenner, Zebrastreifen und Fahrspurmittellinien.
Abbildung 4. Auf einem dichten Parkplatz können viele Modelle keine genauen Karten erstellen. Links: Bilder der hinteren und hinteren linken Kamera. Rechts: HD-Karte, erstellt mit dem in diesem Artikel erweiterten hochpräzisen Online-Kartenmodell. Die Ellipse zeigt die Standardabweichung der Verteilung. Farben repräsentieren Straßengrenzen, Fahrspurtrenner, Zebrastreifen und Fahrspurmittellinien.
Zusammenfassung:
Dieses Papier schlägt eine allgemeine vektorisierte Kartenunsicherheitsformel vor und erweitert eine Vielzahl aktueller Online-Kartenschätzungsmethoden, einschließlich MapTR [22] und MapTRv 2 [23] und StreamMapNet [38], wodurch sie zusätzlich Unsicherheit ausgeben können. Wir analysieren systematisch die resultierende Unsicherheit und stellen fest, dass unser Ansatz viele Unsicherheitsquellen erfasst (Verdeckungen, Entfernung von der Kamera, Tageszeit und Wetter). Schließlich kombiniert dieser Artikel diese Online-Kartenschätzungsmodelle mit modernsten Trajektorienvorhersagemethoden (DenseTNT [13] und HiVT [41]) und zeigt, dass die Einbeziehung der Online-Kartenunsicherheit die Leistung und Trainingseigenschaften der Vorhersagemodelle erheblich verbessert Bis zu 15 % bzw. 50 %. Eine spannende zukünftige Forschungsrichtung besteht darin, diese Unsicherheitsergebnisse zur Messung der Kalibrierung von Kartenmodellen zu verwenden (ähnlich wie [16]). Diese Aufgabe wird jedoch durch die Notwendigkeit einer Fuzzy-Punktmengenübereinstimmung erschwert, was an sich schon ein herausforderndes Problem darstellt.
Zitat:
Gu X, Song G, Gilitschenski I, et al. Erstellen und Nutzen von Online-Kartenunsicherheit bei der Flugbahnvorhersage[J].
Das obige ist der detaillierte Inhalt vonWie können Online-Kartierung und Flugbahnvorhersage eng integriert werden?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
Heiße KI -Werkzeuge
Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos
AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.
Undress AI Tool
Ausziehbilder kostenlos
Clothoff.io
KI-Kleiderentferner
AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.
Heißer Artikel
Heiße Werkzeuge
Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor
SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen
Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung
Dreamweaver CS6
Visuelle Webentwicklungstools
SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)
Heiße Themen
1375
52
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?
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
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.
Beherrschen Sie die Koordinatensystemkonvertierung wirklich? Multisensorik-Themen, die für das autonome Fahren unverzichtbar sind
Oct 12, 2023 am 11:21 AM
Der erste Pilot- und Schlüsselartikel stellt hauptsächlich mehrere häufig verwendete Koordinatensysteme in der autonomen Fahrtechnologie vor und erläutert, wie die Korrelation und Konvertierung zwischen ihnen abgeschlossen und schließlich ein einheitliches Umgebungsmodell erstellt werden kann. Der Schwerpunkt liegt hier auf dem Verständnis der Umrechnung vom Fahrzeug in den starren Kamerakörper (externe Parameter), der Kamera-in-Bild-Konvertierung (interne Parameter) und der Bild-in-Pixel-Einheitenkonvertierung. Die Konvertierung von 3D in 2D führt zu entsprechenden Verzerrungen, Verschiebungen usw. Wichtige Punkte: Das Fahrzeugkoordinatensystem und das Kamerakörperkoordinatensystem müssen neu geschrieben werden: Das Ebenenkoordinatensystem und das Pixelkoordinatensystem. Schwierigkeit: Sowohl die Entzerrung als auch die Verzerrungsaddition müssen auf der Bildebene kompensiert werden. 2. Einführung Insgesamt gibt es vier visuelle Systeme Koordinatensystem: Pixelebenenkoordinatensystem (u, v), Bildkoordinatensystem (x, y), Kamerakoordinatensystem () und Weltkoordinatensystem (). Es gibt eine Beziehung zwischen jedem Koordinatensystem,
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
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!
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?
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
