未来の自動運転技術を探る:4Dミリ波レーダー
現在の自動運転車の認知の実現には、車両に搭載されたライダー、車載カメラ、ミリ波レーダーなどのセンシング機器が不可欠であり、車両周囲の交通環境のデータを収集することで、自動運転を実現します。車は人間の目を超え、周囲の世界を認識し、意思決定および計画モジュールにより正確で豊富な環境情報を提供できるため、自動運転車は安全に走行できます。
センサー ハードウェアを積み重ねることにより、自動運転車は路上でより安全に走行できるようになりますが、その一方で、単一のハードウェア デバイスでは必要なデータをすべて取得することはできません。また、濃霧や大雨などの異常気象では、ライダーの計測データに大きな誤差が生じたり、ミリ波レーダーでは高度を計測する機能がなかったり、過酷な環境下ではハードウェア機器にも問題が発生することがあります。物体が地上にあるのか、空中にあるのか、車載カメラでは2次元の平面画像しか撮影できず、ディープラーニングを活用したとしても、物体間の距離を正確に測定することはできません。したがって、自動運転車は異なるハードウェア機器を必要とし、同時に動作することで、いかなる状況下でも人間と同等の認識精度と能力を達成できます。 4Dミリ波レーダーの登場は自動運転に革命的な変化をもたらします。
4D ミリ波レーダーとは
自動運転の認識において、ミリ波レーダーは自動運転における最も重要なセンサーの 1 つとして非常に重要です。 。ただし、高さを計測する機能がないため、マンホールの蓋、段差、高架、交通標識など、前方の静止物体が地上にあるのか空中にあるのかを判断することが困難です。 、等、物体の高さデータを正確に測定することはできません。この問題を補うのが4Dミリ波レーダーの登場であり、4Dミリ波レーダーはイメージングレーダーとも呼ばれ、元の距離、速度、方位データを基に、目標の高度な解析を加えたものです。寸法は従来のミリ波レーダーに統合されており、環境をよりよく理解してマッピングできるため、測定された交通データがより正確になります。
テスラは 2020 年の初めに、テスラ車に 4D センサー技術を追加すると発表しました。4D センサー技術により、既存の作業範囲が 3 倍になり、より多くの交通情報が得られます。 4Dミリ波レーダーは、測定対象の輪郭、挙動、カテゴリを効果的に分析でき、より複雑な道路に適応し、より多くの小さな物体、障害物、静止物体や水平物体の監視を識別できるため、車両のニーズを正確に理解できます。 3Dミリ波レーダーは方位角、仰角、速度の3つのデータしか計測できないのに比べ、4Dミリ波レーダーはより多くのデータを取得できるため、意思決定や計画立案のためにより信頼性の高い情報が得られます。 。
4D ミリ波レーダーのソリューション
4D ミリ波レーダーは、2019 年にイスラエルの企業によって初めて提案されました。2020 年初頭に、Waymo は第 5 世代の自動運転を発表しました。 4Dミリ波レーダーが知覚スイートで起動されます。同年、コンチネンタルは初の4Dミリ波レーダー量産ソリューションを発表し、BMWがそれを導入する最初の自動車会社になると述べた。 2021CESでは4Dミリ波レーダーも盛り上がりを見せており、多くのメーカーが製品を発表しており、テキサス・インスツルメンツやモービルアイなどが相次いで4Dミリ波レーダー・ソリューションを発表またはアップデートしている。
昨年、Aptiv は次世代 L1 ~ L3 自動運転プラットフォームを発表し、そのセンサースイートには 4D ミリ波レーダーが含まれていると主張し、ZF は SAIC から 4D ミリ波レーダーの製造注文を獲得したと発表したグループ、2022 年に正式供給予定; ボッシュは第 5 世代レーダー エクストリーム バージョン、つまり 4D ミリ波レーダーを中国市場で初めて発売します。
4D ミリ波レーダーは、従来のレーダーと同様に、極端な気象条件下で動作しても大きな偏差が発生せず、仰角を増加させた後でも点群画像を形成できるため、4D ミリ波レーダーはレーダー物体の距離、相対速度、方位角を検出できるだけでなく、前方の物体の垂直高さだけでなく、前方の静止物体や横方向に移動する物体も検出できるため、静的探知における従来のレーダーの欠点を補うことができます。ターゲット。現在、4D ミリ波レーダーには 2 つの主な技術ソリューションがあります:
- 1つは、4Dミリ波レーダー企業が、マルチチャネルアレイ無線周波数チップセット、レーダープロセッサチップ、および人工知能に基づく後処理ソフトウェアアルゴリズムを独自に開発することです。
- もう 1 つは、従来のレーダー チップ サプライヤーに基づくソリューションで、マルチチップのエクストリーム コネクションまたはソフトウェア アルゴリズムを使用して、高密度の点群の出力と認識を実現します。
4D ミリ波レーダーの主な特徴は、角度分解能が非常に高いことです。前方 4D ミリ波レーダーの角度分解能は、方位角 1 度、角度分解能 1 度に達します。高度2度、4Dミリ波レーダーを搭載した自動運転車が道路情報を検知すると、車両周囲の物体の輪郭を直接検出できます。例えば、歩行者と車両が混在するような道路情報が比較的豊富な場合、4Dミリ波レーダーは歩行者や車両を直接識別し、該当する物体の動き(移動しているかどうか、移動方向)を判断することができます。 )。
4D ミリ波レーダーは、トンネル シーンでトンネルの長さや幅などの幾何学的形状も検出できます。 4Dミリ波レーダーの登場により、従来のミリ波レーダーの性能欠点を的を絞った形で補い、3Dの次元を高めるだけでなく、検出精度、感度、解像度、性能が総合的に向上し、自動運転のさらなる可能性 ミリ波レーダーは、高い安全性から自動運転システムの中核センサーの一つとなることが期待されています。
4Dミリ波レーダーの今後の開発動向
業界関係者の分析によると、4Dミリ波レーダーの大規模導入が間もなく行われます。市場化の観点から見ると、現在のテクノロジーは成熟しており、多くの革新的なアルゴリズムが製品化の過程にあります。すでに多くの自動車メーカーが新車への搭載要件を定めており、その中でも自動駐車やL3以上の自動運転には4Dイメージングが必要であり、実際に昨年から多くの4Dミリ波レーダー製品が路上試験用に車両に搭載されています。量産の準備をします。
たとえば、NXP は、業界初の専用 16nm ミリ波レーダー プロセッサ S32R45 が、今年上半期から初めて顧客の量産に使用されると発表しました。 。 Intelの子会社Mobileyeも4Dミリ波レーダーの開発・応用を積極的に推進している。モービルアイのアムノン・シャシュア最高経営責任者(CEO)は、今年のCESの講演で自動車における4Dイメージングミリ波レーダーの応用シナリオを強調した。
彼は、「2025 年までに、車の前部を除いて、ライダーではなくミリ波レーダーだけが欲しい。」モービルアイの計画では、ミリ波レーダーベースのレーダーが 2025 年までに発売される予定です / LiDAR の消費者向け自動運転車ソリューション。車にはレーダー LiDAR サブシステムが装備されており、自動運転タスクを実現するには、前向きの LIDAR と 360 度完全にカバーされるミリ波レーダーを車両に装備するだけで済みます。 。
自動運転技術は、単一のセンサーに依存して世界を支配し、業界のコンセンサスになることはできません。自動運転に関する現在の市場の理解によると、市場には多くのセグメントとさまざまなレベルの自動運転があるため、万能のセンサーは存在しません。最終的には、カメラとレーダーが共存する可能性が非常に高いです。それらの長所と短所は非常に補完的です。特別なのは LIDAR であり、筆者は 4D ミリ波レーダー ソリューションによって LIDAR の使用を削減または代替できる可能性が大きいと考えています。 4Dミリ波レーダーはまだ開発の初期段階にあるが、将来的にはその性能が大幅に向上し、理想的な状況下では最終的にはライダーに取って代わることができると筆者は考えている。 「
以上が未来の自動運転技術を探る:4Dミリ波レーダーの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









上記と著者の個人的な理解 3 次元ガウシアンプラッティング (3DGS) は、近年、明示的な放射線フィールドとコンピューター グラフィックスの分野で出現した革新的なテクノロジーです。この革新的な方法は、数百万の 3D ガウスを使用することを特徴とし、主に暗黙的な座標ベースのモデルを使用して空間座標をピクセル値にマッピングする神経放射線場 (NeRF) 方法とは大きく異なります。明示的なシーン表現と微分可能なレンダリング アルゴリズムにより、3DGS はリアルタイム レンダリング機能を保証するだけでなく、前例のないレベルの制御とシーン編集も導入します。これにより、3DGS は、次世代の 3D 再構築と表現にとって大きな変革をもたらす可能性のあるものとして位置付けられます。この目的を達成するために、私たちは 3DGS 分野における最新の開発と懸念について初めて体系的な概要を提供します。

昨日の面接で、ロングテール関連の質問をしたかと聞かれたので、簡単にまとめてみようと思いました。自動運転のロングテール問題とは、自動運転車におけるエッジケース、つまり発生確率が低い考えられるシナリオを指します。認識されているロングテール問題は、現在、単一車両のインテリジェント自動運転車の運用設計領域を制限している主な理由の 1 つです。自動運転の基礎となるアーキテクチャとほとんどの技術的問題は解決されており、残りの 5% のロングテール問題が徐々に自動運転の開発を制限する鍵となってきています。これらの問題には、さまざまな断片的なシナリオ、極端な状況、予測不可能な人間の行動が含まれます。自動運転におけるエッジ シナリオの「ロング テール」とは、自動運転車 (AV) におけるエッジ ケースを指します。エッジ ケースは、発生確率が低い可能性のあるシナリオです。これらの珍しい出来事

0.前面に書かれています&& 自動運転システムは、さまざまなセンサー (カメラ、ライダー、レーダーなど) を使用して周囲の環境を認識し、アルゴリズムとモデルを使用することにより、高度な知覚、意思決定、および制御テクノロジーに依存しているという個人的な理解リアルタイムの分析と意思決定に。これにより、車両は道路標識の認識、他の車両の検出と追跡、歩行者の行動の予測などを行うことで、安全な運行と複雑な交通環境への適応が可能となり、現在広く注目を集めており、将来の交通分野における重要な開発分野と考えられています。 。 1つ。しかし、自動運転を難しくしているのは、周囲で何が起こっているかを車に理解させる方法を見つけることです。これには、自動運転システムの 3 次元物体検出アルゴリズムが、周囲環境にある物体 (位置を含む) を正確に認識し、記述することができる必要があります。

StableDiffusion3 の論文がついに登場しました!このモデルは2週間前にリリースされ、Soraと同じDiT(DiffusionTransformer)アーキテクチャを採用しており、リリースされると大きな話題を呼びました。前バージョンと比較して、StableDiffusion3で生成される画像の品質が大幅に向上し、マルチテーマプロンプトに対応したほか、テキスト書き込み効果も向上し、文字化けが発生しなくなりました。 StabilityAI は、StableDiffusion3 はパラメータ サイズが 800M から 8B までの一連のモデルであると指摘しました。このパラメーター範囲は、モデルを多くのポータブル デバイス上で直接実行できることを意味し、AI の使用を大幅に削減します。

自動運転では軌道予測が重要な役割を果たしており、自動運転軌道予測とは、車両の走行過程におけるさまざまなデータを分析し、将来の車両の走行軌跡を予測することを指します。自動運転のコアモジュールとして、軌道予測の品質は下流の計画制御にとって非常に重要です。軌道予測タスクには豊富な技術スタックがあり、自動運転の動的/静的知覚、高精度地図、車線境界線、ニューラル ネットワーク アーキテクチャ (CNN&GNN&Transformer) スキルなどに精通している必要があります。始めるのは非常に困難です。多くのファンは、できるだけ早く軌道予測を始めて、落とし穴を避けたいと考えています。今日は、軌道予測に関するよくある問題と入門的な学習方法を取り上げます。関連知識の紹介 1. プレビュー用紙は整っていますか? A: まずアンケートを見てください。

原題: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving 論文リンク: https://arxiv.org/pdf/2402.02519.pdf コードリンク: https://github.com/HKUST-Aerial-Robotics/SIMPL 著者単位: 香港科学大学DJI 論文のアイデア: この論文は、自動運転車向けのシンプルで効率的な動作予測ベースライン (SIMPL) を提案しています。従来のエージェントセントとの比較

この 1 か月間、いくつかのよく知られた理由により、私は業界のさまざまな教師やクラスメートと非常に集中的な交流をしてきました。この交換で避けられない話題は当然、エンドツーエンドと人気の Tesla FSDV12 です。この機会に、現時点での私の考えや意見を整理し、皆様のご参考とご議論に役立てたいと思います。エンドツーエンドの自動運転システムをどのように定義するか、またエンドツーエンドで解決することが期待される問題は何でしょうか?最も伝統的な定義によれば、エンドツーエンド システムとは、センサーから生の情報を入力し、関心のある変数をタスクに直接出力するシステムを指します。たとえば、画像認識では、従来の特徴抽出 + 分類子方式と比較して、CNN はエンドツーエンドと言えます。自動運転タスクでは、各種センサー(カメラ/LiDAR)からのデータを入力

先頭と開始点に書かれている エンドツーエンドのパラダイムでは、統一されたフレームワークを使用して自動運転システムのマルチタスクを実現します。このパラダイムの単純さと明確さにも関わらず、サブタスクにおけるエンドツーエンドの自動運転手法のパフォーマンスは、依然としてシングルタスク手法に比べてはるかに遅れています。同時に、以前のエンドツーエンド手法で広く使用されていた高密度鳥瞰図 (BEV) 機能により、より多くのモダリティやタスクに拡張することが困難になります。ここでは、スパース検索中心のエンドツーエンド自動運転パラダイム (SparseAD) が提案されています。このパラダイムでは、スパース検索は、高密度の BEV 表現を使用せずに、空間、時間、タスクを含む運転シナリオ全体を完全に表します。具体的には、統合されたスパース アーキテクチャが、検出、追跡、オンライン マッピングなどのタスク認識のために設計されています。さらに、重い
