


Horizon lance l'algorithme open source Sparse4D, faisant un pas de plus vers la conduite autonome de bout en bout
Le 22 janvier, Horizon ouvrira la série Sparse4D d'algorithmes de conduite autonome purement visuels pour encourager davantage de développeurs du secteur à participer à l'exploration de directions technologiques de pointe telles que la conduite autonome de bout en bout et la perception clairsemée. Actuellement, l'algorithme Sparse4D a été lancé sur la plateforme GitHub. Les développeurs peuvent suivre le compte officiel Horizon GitHub « Horizon Robotics » pour obtenir le code source.
Sparse4D est une série d'algorithmes destinés à la détection de cibles 3D clairsemées à long terme, qui appartient à la catégorie des technologies de détection de fusion multi-vues temporelles. Face à la tendance de développement de l'industrie de la perception clairsemée, Sparse4D a construit un cadre de perception par fusion pure et clairsemée pour rendre l'algorithme de perception plus efficace et précis, et pour simplifier le système de perception. Par rapport à l'algorithme dense BEV, Sparse4D réduit la complexité de calcul, brise la limitation de la puissance de calcul sur la plage de perception et surpasse l'algorithme dense BEV en termes d'effet de perception et de vitesse de raisonnement. Dans les listes de détection 3D visuelle pure et de suivi 3D de nuScenes, Sparse4D s'est classé premier, devenant SOTA, devant les dernières méthodes, notamment SOLOFusion, BEVFormer v2 et StreamPETR.
Architecture de l'algorithme Sparse4D
Après trois versions d'itération, l'équipe Horizon Sparse4D a réussi à surmonter des problèmes techniques tels que l'amélioration des performances de l'algorithme clairsemé, la réduction de la complexité du calcul de fusion temporelle et la réalisation de bout en bout. mettre fin au suivi de la cible. Récemment, ils ont publié un article intitulé « Sparse4D v3 : Advancing End-to-End 3D Detection and Tracking », détaillant les résultats de leurs recherches. En utilisant les données commerciales Horizon pour la vérification des performances, l'équipe Sparse4D a réussi son déploiement sur la solution informatique Horizon Journey 5. À l’avenir, selon les plans, la technologie Sparse4D sera utilisée dans les produits de nouvelle génération d’Horizon. L’atteinte de ce résultat favorisera davantage le développement d’Horizon.
Dr. Yu Yinan, vice-président d'Horizon et président de la gamme de produits de plate-forme logicielle, a souligné que l'industrie actuelle est entrée dans l'ère de la détection de bout en bout et qu'un seul réseau peut réaliser l'ensemble de la détection. tâche. Il estime que la série d'algorithmes Sparse4D a amélioré les performances des algorithmes clairsemés à un nouveau niveau et a réussi à réaliser un suivi multicible de bout en bout. Ceci est d'une grande importance à la fois pour la perception clairsemée et la conduite autonome de bout en bout, et peut être considéré comme une avancée majeure. Horizon a choisi d'ouvrir Sparse4D à l'ensemble du secteur, dans l'espoir de progresser en collaboration avec des développeurs exceptionnels du secteur.
Comparaison entre le système de perception traditionnel et le système de perception de bout en bout
Un autre exemple de la participation active d'Horizon à la construction d'un écosystème logiciel open source de conduite intelligente est la série d'algorithmes open source Sparse4D. . Cet algorithme présente un énorme potentiel d’application dans la mise en œuvre d’une conduite autonome purement visuelle de bout en bout. En outre, Horizon dispose également de technologies de pointe open source telles que l'algorithme VAD et l'algorithme MapTR, qui favoriseront davantage le développement de l'industrie. On s’attend à ce que l’algorithme Sparse4D reçoive une large attention et soit largement utilisé par les développeurs de l’industrie. Les efforts continus d'Horizon accéléreront le processus de développement de l'industrie.
Horizon adhère au concept de transformation de technologies innovantes indépendantes, de produits et de solutions révolutionnaires en valeur commerciale de partenaires écologiques de l'industrie automobile intelligente, injectant ainsi de la vitalité dans le développement de l'industrie. Grâce à une collaboration étroite, une intégration ouverte et une innovation coopérative avec toutes les parties de l'industrie, Horizon s'engage à devenir la source d'eau vive de l'écosystème de l'industrie automobile intelligente et à lui donner une dynamique de développement durable. Horizon comprend parfaitement que la production de masse de véhicules autonomes constitue une avancée importante. Nous continuerons donc à adopter l'open source et à accélérer la mise en œuvre et la production de masse de technologies de pointe. Nous croyons fermement que l'avenir de la coopération gagnant-gagnant avec l'industrie sera plus large et Horizon continuera à travailler dur pour contribuer à la prospérité de l'industrie automobile intelligente.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Écrit ci-dessus et compréhension personnelle de l'auteur Le Gaussiansplatting tridimensionnel (3DGS) est une technologie transformatrice qui a émergé dans les domaines des champs de rayonnement explicites et de l'infographie ces dernières années. Cette méthode innovante se caractérise par l’utilisation de millions de gaussiennes 3D, ce qui est très différent de la méthode du champ de rayonnement neuronal (NeRF), qui utilise principalement un modèle implicite basé sur les coordonnées pour mapper les coordonnées spatiales aux valeurs des pixels. Avec sa représentation explicite de scènes et ses algorithmes de rendu différenciables, 3DGS garantit non seulement des capacités de rendu en temps réel, mais introduit également un niveau de contrôle et d'édition de scène sans précédent. Cela positionne 3DGS comme un révolutionnaire potentiel pour la reconstruction et la représentation 3D de nouvelle génération. À cette fin, nous fournissons pour la première fois un aperçu systématique des derniers développements et préoccupations dans le domaine du 3DGS.

Hier, lors de l'entretien, on m'a demandé si j'avais posé des questions à longue traîne, j'ai donc pensé faire un bref résumé. Le problème à longue traîne de la conduite autonome fait référence aux cas extrêmes dans les véhicules autonomes, c'est-à-dire à des scénarios possibles avec une faible probabilité d'occurrence. Le problème perçu de la longue traîne est l’une des principales raisons limitant actuellement le domaine de conception opérationnelle des véhicules autonomes intelligents à véhicule unique. L'architecture sous-jacente et la plupart des problèmes techniques de la conduite autonome ont été résolus, et les 5 % restants des problèmes à longue traîne sont progressivement devenus la clé pour restreindre le développement de la conduite autonome. Ces problèmes incluent une variété de scénarios fragmentés, de situations extrêmes et de comportements humains imprévisibles. La « longue traîne » des scénarios limites dans la conduite autonome fait référence aux cas limites dans les véhicules autonomes (VA). Les cas limites sont des scénarios possibles avec une faible probabilité d'occurrence. ces événements rares

0. Écrit à l'avant&& Compréhension personnelle que les systèmes de conduite autonome s'appuient sur des technologies avancées de perception, de prise de décision et de contrôle, en utilisant divers capteurs (tels que caméras, lidar, radar, etc.) pour percevoir l'environnement et en utilisant des algorithmes et des modèles pour une analyse et une prise de décision en temps réel. Cela permet aux véhicules de reconnaître les panneaux de signalisation, de détecter et de suivre d'autres véhicules, de prédire le comportement des piétons, etc., permettant ainsi de fonctionner en toute sécurité et de s'adapter à des environnements de circulation complexes. Cette technologie attire actuellement une grande attention et est considérée comme un domaine de développement important pour l'avenir des transports. . un. Mais ce qui rend la conduite autonome difficile, c'est de trouver comment faire comprendre à la voiture ce qui se passe autour d'elle. Cela nécessite que l'algorithme de détection d'objets tridimensionnels du système de conduite autonome puisse percevoir et décrire avec précision les objets dans l'environnement, y compris leur emplacement,

Le premier article pilote et clé présente principalement plusieurs systèmes de coordonnées couramment utilisés dans la technologie de conduite autonome, et comment compléter la corrélation et la conversion entre eux, et enfin construire un modèle d'environnement unifié. L'objectif ici est de comprendre la conversion du véhicule en corps rigide de caméra (paramètres externes), la conversion de caméra en image (paramètres internes) et la conversion d'image en unité de pixel. La conversion de 3D en 2D aura une distorsion, une traduction, etc. Points clés : Le système de coordonnées du véhicule et le système de coordonnées du corps de la caméra doivent être réécrits : le système de coordonnées planes et le système de coordonnées des pixels Difficulté : la distorsion de l'image doit être prise en compte. La dé-distorsion et l'ajout de distorsion sont compensés sur le plan de l'image. 2. Introduction Il existe quatre systèmes de vision au total : système de coordonnées du plan de pixels (u, v), système de coordonnées d'image (x, y), système de coordonnées de caméra () et système de coordonnées mondiales (). Il existe une relation entre chaque système de coordonnées,

La prédiction de trajectoire joue un rôle important dans la conduite autonome. La prédiction de trajectoire de conduite autonome fait référence à la prédiction de la trajectoire de conduite future du véhicule en analysant diverses données pendant le processus de conduite du véhicule. En tant que module central de la conduite autonome, la qualité de la prédiction de trajectoire est cruciale pour le contrôle de la planification en aval. La tâche de prédiction de trajectoire dispose d'une riche pile technologique et nécessite une connaissance de la perception dynamique/statique de la conduite autonome, des cartes de haute précision, des lignes de voie, des compétences en architecture de réseau neuronal (CNN&GNN&Transformer), etc. Il est très difficile de démarrer ! De nombreux fans espèrent se lancer dans la prédiction de trajectoire le plus tôt possible et éviter les pièges. Aujourd'hui, je vais faire le point sur quelques problèmes courants et des méthodes d'apprentissage introductives pour la prédiction de trajectoire ! Connaissances introductives 1. Existe-t-il un ordre d'entrée pour les épreuves de prévisualisation ? R : Regardez d’abord l’enquête, p

Titre original : SIMPL : ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving Lien article : https://arxiv.org/pdf/2402.02519.pdf Lien code : https://github.com/HKUST-Aerial-Robotics/SIMPL Affiliation de l'auteur : Université des sciences de Hong Kong et technologie Idée DJI Paper : cet article propose une base de référence de prédiction de mouvement (SIMPL) simple et efficace pour les véhicules autonomes. Par rapport au cent agent traditionnel

Écrit à l'avant et point de départ Le paradigme de bout en bout utilise un cadre unifié pour réaliser plusieurs tâches dans les systèmes de conduite autonome. Malgré la simplicité et la clarté de ce paradigme, les performances des méthodes de conduite autonome de bout en bout sur les sous-tâches sont encore loin derrière les méthodes à tâche unique. Dans le même temps, les fonctionnalités de vue à vol d'oiseau (BEV) denses, largement utilisées dans les méthodes de bout en bout précédentes, rendent difficile l'adaptation à davantage de modalités ou de tâches. Un paradigme de conduite autonome de bout en bout (SparseAD) centré sur la recherche clairsemée est proposé ici, dans lequel la recherche clairsemée représente entièrement l'ensemble du scénario de conduite, y compris l'espace, le temps et les tâches, sans aucune représentation BEV dense. Plus précisément, une architecture clairsemée unifiée est conçue pour la connaissance des tâches, notamment la détection, le suivi et la cartographie en ligne. De plus, lourd

Au cours du mois dernier, pour des raisons bien connues, j'ai eu des échanges très intensifs avec divers professeurs et camarades de classe du secteur. Un sujet inévitable dans l'échange est naturellement le populaire Tesla FSDV12 de bout en bout. Je voudrais profiter de cette occasion pour trier certaines de mes pensées et opinions en ce moment pour votre référence et votre discussion. Comment définir un système de conduite autonome de bout en bout et quels problèmes devraient être résolus de bout en bout ? Selon la définition la plus traditionnelle, un système de bout en bout fait référence à un système qui saisit les informations brutes des capteurs et génère directement les variables pertinentes pour la tâche. Par exemple, en reconnaissance d'images, CNN peut être appelé de bout en bout par rapport à la méthode traditionnelle d'extraction de caractéristiques + classificateur. Dans les tâches de conduite autonome, saisir les données de divers capteurs (caméra/LiDAR
