Horizon がオープンソースの Sparse4D アルゴリズムをリリースし、エンドツーエンドの自動運転に一歩近づきます
1 月 22 日、Horizon は純粋なビジュアル自動運転アルゴリズムの Sparse4D シリーズをオープンソース化し、業界のより多くの開発者がエンドツーエンドの自動運転などの最先端技術の方向性の探求に参加することを奨励します。そして認識が希薄。 現在、Sparse4D アルゴリズムは GitHub プラットフォーム上で公開されており、開発者は Horizon GitHub 公式アカウント「Horizon Robotics」をフォローしてソースコードを入手できます。
Sparse4D は、長期的なスパース 3D ターゲット検出を目的とした一連のアルゴリズムであり、時間的マルチビュー フュージョン センシング テクノロジーのカテゴリに属します。スパース知覚という業界の発展傾向に直面して、Sparse4D は、知覚アルゴリズムをより効率的かつ正確にし、知覚システムをよりシンプルにするために、純粋なスパースフュージョン知覚フレームワークを構築しました。 デンス BEV アルゴリズムと比較して、Sparse4D は計算の複雑さを軽減し、知覚範囲の計算能力の制限を打ち破り、知覚効果と推論速度の点でデンス BEV アルゴリズムを上回ります。 nuScenes の純粋なビジュアル 3D 検出リストと 3D 追跡リストの両方で、Sparse4D が SOLOFusion、BEVFormer v2、StreamPETR などの最新の手法を抑えて SOTA となり、1 位にランクされました。
#Sparse4D アルゴリズム アーキテクチャ
##3 つのバージョンの反復の後、Horizon Sparse4Dチームは、スパース アルゴリズムのパフォーマンスの向上、タイミング フュージョンの計算の複雑さの軽減、エンドツーエンドのターゲット追跡の達成などの技術的問題の克服に成功しました。最近、彼らは「Sparse4D v3: Advancing End-to-End 3D Detection and Tracking」というタイトルの論文を発表し、研究結果を詳述しました。 Horizon ビジネス データをパフォーマンス検証に使用することで、Sparse4D チームは Horizon Journey 5 コンピューティング ソリューションへのデプロイに成功しました。将来的には、Sparse4D テクノロジーが Horizon の次世代製品に使用される予定です。この成果の達成により、Horizonの開発はさらに促進されます。Horizon 副社長兼ソフトウェア プラットフォーム製品ライン担当プレジデントである Yu Yinan 博士は、現在の業界はエンドツーの時代に入っていると指摘しました。 - エンドセンシング。これは、認識タスク全体を 1 つのネットワークだけで完了できます。彼は、Sparse4D シリーズのアルゴリズムがスパース アルゴリズムのパフォーマンスを新しいレベルに向上させ、エンドツーエンドのマルチターゲット追跡を成功裏に達成したと信じています。これは、スパース知覚とエンドツーエンドの自動運転の両方にとって非常に重要であり、マイルストーンとなるブレークスルーであると言えます。 Horizon は、業界の優れた開発者と協力して進歩したいと考え、Sparse4D を業界全体にオープンソース化することを選択しました。
#従来の認識システムとエンドツーエンドの認識システムの比較
Horizon がインテリジェント運転のためのオープンソース ソフトウェアのエコロジー構築に積極的に参加しているもう 1 つの例は、オープンソースの Sparse4D シリーズ アルゴリズムです。このアルゴリズムは、純粋な視覚的なエンドツーエンドの自動運転の実装において、大きな応用可能性を秘めています。さらに、Horizon は VAD アルゴリズムや MapTR アルゴリズムなどの主要なテクノロジーもオープンソース化しており、これにより業界の発展がさらに促進されます。 Sparse4D アルゴリズムは広く注目され、業界の開発者によって使用されることが期待されています。 Horizon の継続的な取り組みにより、業界の発展プロセスが加速します。
Horizon は、独自の革新的な技術、画期的な製品、ソリューションをスマート カー業界の環境に優しいパートナーの商業価値に変えるというコンセプトを堅持し、産業の発展、活性化。 Horizon は、業界のすべての関係者との緊密なコラボレーション、オープンな統合、協力的なイノベーションを通じて、スマート自動車産業の生態系の生き水の源となり、持続可能な発展の推進力を提供することに取り組んでいます。 Horizon は、自動運転の量産化が重要なブレークスルーであることを十分に理解しているため、引き続きオープンソースを採用し、最先端技術の実装と量産化を加速していきます。私たちは、業界とのWin-Winの協力の将来がより広範になると確信しており、ホライズンはスマートカー業界の繁栄に貢献するために引き続き努力していきます。
以上がHorizon がオープンソースの Sparse4D アルゴリズムをリリースし、エンドツーエンドの自動運転に一歩近づきますの詳細内容です。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

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。

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。

最初のパイロットおよび重要な記事では、主に自動運転技術で一般的に使用されるいくつかの座標系と、それらの間の相関と変換を完了し、最終的に統合環境モデルを構築する方法を紹介します。ここでの焦点は、車両からカメラの剛体への変換 (外部パラメータ)、カメラから画像への変換 (内部パラメータ)、および画像からピクセル単位への変換を理解することです。 3D から 2D への変換には、対応する歪み、変換などが発生します。要点:車両座標系とカメラ本体座標系を平面座標系とピクセル座標系に書き換える必要がある 難易度:画像の歪みを考慮する必要がある 歪み補正と歪み付加の両方を画面上で補正する2. はじめに ビジョンシステムには、ピクセル平面座標系 (u, v)、画像座標系 (x, y)、カメラ座標系 ()、世界座標系 () の合計 4 つの座標系があります。それぞれの座標系には関係性があり、

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

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

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
