新しい BEV LV Fusion ソリューション: BEVFusion を超えた Lift-Attend-Splat
論文: Transformer テクノロジーを使用した鳥瞰図カメラと LIDAR の融合のための Lift-Attend-Splat メソッド
リンクをクリックしてファイルを表示してください: https://arxiv.org/pdf/2312.14919 .pdf
自動運転などの安全性が重要なアプリケーションでは、補完的なセンサー モダリティを組み合わせることが重要です。最近の自動運転カメラとライダーの融合手法では、単眼の奥行き推定を利用して知覚を改善していますが、これはライダーからの奥行き情報を直接利用する場合に比べて困難な作業です。私たちの調査では、このアプローチでは深度情報が十分に活用されていないことがわかり、単純に深度推定を改善しても物体検出パフォーマンスは向上しないことが実証されています。驚くべきことに、深度推定を完全に削除しても物体検出パフォーマンスは低下せず、単眼の深度への依存がカメラとライダーの融合中に不必要なアーキテクチャ上のボトルネックになる可能性があることを示唆しています。この研究では、単眼の深度推定を完全にバイパスし、代わりに単純なアテンション メカニズムを利用して、BEV グリッド内のカメラと LIDAR の特徴を選択して融合する新しい融合方法を提案します。結果は、提案されたモデルが LIDAR 機能の利用可能性に基づいてカメラ機能の使用を調整でき、nuScenes データセット上で単眼深度推定に基づくベースライン モデルよりも優れた 3D 検出パフォーマンスを備えていることを示しています
この研究では、 「Lift Attented Splat」と呼ばれる新しいカメラとライダーの融合手法。この方法では、単眼による深度推定を回避し、代わりに単純な変換器を利用して、BEV のカメラと LIDAR の機能を選択して融合します。実験により、単眼奥行き推定に基づく方法と比較して、この研究方法はカメラをより有効に活用し、物体検出性能を向上できることが証明されています。この研究の貢献は次のとおりです。
Lift Splat パラダイムに基づくカメラとライダーの融合手法は、期待どおりに深度を利用しません。特に、単眼の深度予測が完全に削除された場合、それらは同等かそれ以上のパフォーマンスを発揮することを示します。- このペーパーでは、シンプルなアテンション メカニズムを使用して純粋な BEV のカメラとライダーの機能を融合する、新しいカメラとライダーの融合方法を紹介します。この論文は、Lift Splat パラダイムに基づくモデルと比較して、カメラをより有効に活用し、3D 検出パフォーマンスを向上させることができることを実証しています。
深度予測の精度は通常低いです。絶対相対誤差 (Abs.Rel.) と二乗平均平方根誤差 (RMSE) を使用して、BEVFusion によって予測された深度の品質を LIDAR 深度マップと比較することで、定性的および定量的な分析を実行できます。図 1 に示すように、深度予測はシーンの構造を正確に反映しておらず、LIDAR 深度マップとは大きく異なります。これは、単眼の深度が期待どおりに十分に活用されていないことを示しています。この研究では、深度予測を改善しても物体検出パフォーマンスは向上しないことも判明しました。深さ予測を完全にキャンセルしても、物体検出のパフォーマンスには影響しません
我々は、カメラとライダーを融合するために単純なトランスを使用しながら、単眼の深さ推定を完全にバイパスするカメラとライダーの融合方法を提案します。 LIDAR 機能を鳥瞰図で表示します。ただし、多数のカメラと LIDAR の機能と注意の二次的な性質により、トランスフォーマー アーキテクチャをカメラと LIDAR の融合問題に単純に適用することは困難です。 BEV でカメラ フィーチャを投影する場合、カメラ フィーチャは対応する光線に沿った位置にのみ寄与する必要があるため、問題のジオメトリを使用して注目範囲を大幅に制限できます。このアイデアをカメラとライダーの融合の場合に適用し、カメラ平面の列と LIDAR BEV グリッドの極光線の間の相互注意を使用する簡単な融合方法を紹介します。単眼の深度を予測する代わりに、クロスアテンションは、光線に沿った LIDAR 特徴によって提供されるコンテキスト内でどのカメラ特徴が最も顕著かを学習します。
私たちのモデルは、Lift Splat パラダイムに基づく手法と類似点があります。全体的なアーキテクチャは、次の点を除きます。 BEV のカメラ機能を投影します。下図に示すように、カメラとライダーのバックボーン、各モーダル特徴を独立して生成するモジュール、カメラの特徴を BEV に埋め込んでライダーと融合する投影および融合モジュール、および検出ヘッドで構成されます。ターゲット検出を考慮する場合、モデルの最終出力は、位置、寸法、方向、速度、分類情報を含むシーン内のターゲットの属性であり、3D 境界ボックスの形式で表されます。 Splat Camera Lidar Fusion アーキテクチャは次のとおりです。 (左) 全体的なアーキテクチャ: カメラと LIDAR バックボーンからの機能は、検出ヘッドに渡される前に融合されます。 (挿入図) 3D 投影のジオメトリ: 「リフト」ステップでは、双線形サンプリングを使用して LIDAR フィーチャを Z 方向に沿ってリフトすることにより、LIDAR BEV フィーチャを投影された地平線に埋め込みます。 「スプラット」ステップは、双線形サンプリングを使用して、投影された地平線から再び Z 方向に沿ってフィーチャを BEV グリッドに投影するため、逆変換に対応します。右側にはプロジェクト モジュールの詳細が表示されます。
######実験結果######################################### # ##元のリンク: https://mp.weixin.qq.com/s/D7xgvrp8633S2SeUfCRFXQ
以上が新しい BEV LV Fusion ソリューション: BEVFusion を超えた Lift-Attend-Splat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

従来のコンピューティングを超える能力を備えているだけでなく、より低コストでより効率的なパフォーマンスを実現する人工知能モデルを想像してみてください。これは SF ではありません。世界で最も強力なオープンソース MoE モデルである DeepSeek-V2[1] が登場しました。 DeepSeek-V2 は、経済的なトレーニングと効率的な推論の特徴を備えた強力な専門家混合 (MoE) 言語モデルです。これは 236B のパラメータで構成されており、そのうち 21B は各マーカーをアクティブにするために使用されます。 DeepSeek67B と比較して、DeepSeek-V2 はパフォーマンスが優れていると同時に、トレーニング コストを 42.5% 節約し、KV キャッシュを 93.3% 削減し、最大生成スループットを 5.76 倍に高めます。 DeepSeek は一般的な人工知能を研究する会社です

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

今月初め、MIT やその他の機関の研究者らは、MLP に代わる非常に有望な代替案である KAN を提案しました。 KAN は、精度と解釈可能性の点で MLP よりも優れています。また、非常に少数のパラメーターを使用して、多数のパラメーターを使用して実行する MLP よりも優れたパフォーマンスを発揮できます。たとえば、著者らは、KAN を使用して、より小規模なネットワークと高度な自動化で DeepMind の結果を再現したと述べています。具体的には、DeepMind の MLP には約 300,000 個のパラメーターがありますが、KAN には約 200 個のパラメーターしかありません。 KAN は、MLP が普遍近似定理に基づいているのに対し、KAN はコルモゴロフ-アーノルド表現定理に基づいているのと同様に、強力な数学的基礎を持っています。以下の図に示すように、KAN は

Boston Dynamics Atlas は正式に電動ロボットの時代に突入します!昨日、油圧式アトラスが歴史の舞台から「涙ながらに」撤退したばかりですが、今日、ボストン・ダイナミクスは電動式アトラスが稼働することを発表しました。ボストン・ダイナミクス社は商用人型ロボットの分野でテスラ社と競争する決意を持っているようだ。新しいビデオが公開されてから、わずか 10 時間ですでに 100 万人以上が視聴しました。古い人が去り、新しい役割が現れるのは歴史的な必然です。今年が人型ロボットの爆発的な年であることは間違いありません。ネットユーザーは「ロボットの進歩により、今年の開会式は人間のように見え、人間よりもはるかに自由度が高い。しかし、これは本当にホラー映画ではないのか?」とコメントした。ビデオの冒頭では、アトラスは仰向けに見えるように地面に静かに横たわっています。次に続くのは驚くべきことです

Google が推進する JAX のパフォーマンスは、最近のベンチマーク テストで Pytorch や TensorFlow のパフォーマンスを上回り、7 つの指標で 1 位にランクされました。また、テストは最高の JAX パフォーマンスを備えた TPU では行われませんでした。ただし、開発者の間では、依然として Tensorflow よりも Pytorch の方が人気があります。しかし、将来的には、おそらくより大規模なモデルが JAX プラットフォームに基づいてトレーニングされ、実行されるようになるでしょう。モデル 最近、Keras チームは、ネイティブ PyTorch 実装を使用して 3 つのバックエンド (TensorFlow、JAX、PyTorch) をベンチマークし、TensorFlow を使用して Keras2 をベンチマークしました。まず、主流のセットを選択します

AI は確かに数学を変えつつあります。最近、この問題に細心の注意を払っている陶哲軒氏が『米国数学協会会報』(米国数学協会会報)の最新号を送ってくれた。 「機械は数学を変えるのか?」というテーマを中心に、多くの数学者が意見を述べ、そのプロセス全体は火花に満ち、ハードコアで刺激的でした。著者には、フィールズ賞受賞者のアクシャイ・ベンカテシュ氏、中国の数学者鄭楽軍氏、ニューヨーク大学のコンピューター科学者アーネスト・デイビス氏、その他業界で著名な学者を含む強力な顔ぶれが揃っている。 AI の世界は劇的に変化しています。これらの記事の多くは 1 年前に投稿されたものです。

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

テスラのロボット「オプティマス」の最新映像が公開され、すでに工場内で稼働可能となっている。通常の速度では、バッテリー(テスラの4680バッテリー)を次のように分類します:公式は、20倍の速度でどのように見えるかも公開しました - 小さな「ワークステーション」上で、ピッキング、ピッキング、ピッキング:今回は、それがリリースされたハイライトの1つビデオの内容は、オプティマスが工場内でこの作業を完全に自律的に行い、プロセス全体を通じて人間の介入なしに完了するというものです。そして、オプティマスの観点から見ると、自動エラー修正に重点を置いて、曲がったバッテリーを拾い上げたり配置したりすることもできます。オプティマスのハンドについては、NVIDIA の科学者ジム ファン氏が高く評価しました。オプティマスのハンドは、世界の 5 本指ロボットの 1 つです。最も器用。その手は触覚だけではありません
