Peranti teknologi
AI
Kaedah penyesuaian domain sebenar maya untuk pengesanan garis lorong dan klasifikasi pemanduan autonomi
Kaedah penyesuaian domain sebenar maya untuk pengesanan garis lorong dan klasifikasi pemanduan autonomi
kertas arXiv "Penyesuaian Domain Sim-ke-Sebenar untuk Pengesanan Lorong dan Klasifikasi dalam Pemanduan Autonomi", Mei 2022, bekerja di Universiti Waterloo, Kanada.
Walaupun rangka kerja pengesanan dan pengelasan yang diawasi untuk pemanduan autonomi memerlukan set data beranotasi yang besar, Penyesuaian Domain Tanpa Selia (UDA) didorong oleh data sintetik yang dihasilkan dengan menerangi persekitaran simulasi yang realistik , Tanpa diawasi Penyesuaian Domain) Kaedah ialah penyelesaian kos rendah dan kurang memakan masa. Makalah ini mencadangkan satu skim UDA kaedah diskriminatif dan generatif permusuhan untuk aplikasi pengesanan dan pengelasan garis lorong dalam pemanduan autonomi.
Juga memperkenalkan penjana set data Simulanes, yang mengambil kesempatan daripada pemandangan trafik yang besar dan keadaan cuaca CARLA untuk mencipta set data sintetik semula jadi. Rangka kerja UDA yang dicadangkan mengambil set data sintetik berlabel sebagai domain sumber, manakala domain sasaran ialah data sebenar tidak berlabel. Gunakan penjanaan lawan dan diskriminator ciri untuk menyahpepijat model pembelajaran dan meramalkan lokasi lorong dan kategori domain sasaran. Penilaian dilakukan dengan set data sebenar dan sintetik.
Rangka kerja UDA sumber terbuka berada di githubcom/anita-hu/sim2real-lane-detection, dan penjana set data berada di github.com/anita-hu/ simulanes.
Pemanduan dunia sebenar adalah pelbagai, dengan keadaan trafik, cuaca dan persekitaran yang berbeza-beza. Oleh itu, kepelbagaian senario simulasi adalah penting untuk kebolehsuaian model yang baik dalam dunia sebenar. Terdapat banyak simulator sumber terbuka untuk pemanduan autonomi, iaitu CARLA dan LGSVL. Artikel ini memilih CARLA untuk menjana set data simulasi Selain API Python yang fleksibel, CARLA juga mengandungi kandungan peta pralukisan yang kaya meliputi pemandangan bandar, luar bandar dan lebuh raya.
Penjana data simulasi Simulanes menjana pelbagai senario simulasi dalam persekitaran bandar, luar bandar dan lebuh raya, termasuk 15 kategori lorong dan cuaca dinamik. Rajah menunjukkan sampel daripada set data sintetik. Peserta pejalan kaki dan kenderaan dijana secara rawak dan diletakkan pada peta, meningkatkan kesukaran set data melalui oklusi. Menurut set data TuSimple dan CULane, bilangan maksimum lorong berhampiran kenderaan adalah terhad kepada 4 dan penambat baris digunakan sebagai label.
Memandangkan simulator CARLA tidak menyediakan label lokasi lorong secara langsung, sistem titik laluan CARLA digunakan untuk menjana label. Titik laluan CARLA ialah kedudukan yang dipratentukan untuk diikuti oleh autopilot kenderaan, terletak di tengah lorong. Untuk mendapatkan label kedudukan lorong, titik laluan lorong semasa digerakkan ke kiri dan kanan oleh W/2, di mana W ialah lebar lorong yang diberikan oleh simulator. Titik laluan yang dialihkan ini kemudiannya ditayangkan ke dalam sistem koordinat kamera dan dipasang spline untuk menjana label di sepanjang titik penambat baris yang telah ditetapkan. Label kelas diberikan oleh simulator dan merupakan salah satu daripada 15 kelas.
Untuk menjana set data dengan N bingkai, bahagikan N sama rata merentas semua peta yang tersedia. Daripada peta CARLA lalai, bandar 1, 3, 4, 5, 7 dan 10 telah digunakan, manakala bandar 2 dan 6 tidak digunakan kerana perbezaan antara label kedudukan lorong yang diekstrak dan kedudukan lorong imej. Untuk setiap peta, peserta kenderaan dibiakkan di lokasi rawak dan bergerak secara rawak. Cuaca dinamik dicapai dengan menukar kedudukan matahari dengan lancar sebagai fungsi sinusoidal masa dan kadangkala menghasilkan ribut, yang menjejaskan penampilan persekitaran melalui pembolehubah seperti litupan awan, isipadu air dan air berdiri. Untuk mengelak daripada menyimpan berbilang bingkai di lokasi yang sama, semak sama ada kenderaan itu telah berpindah dari lokasi bingkai sebelumnya dan jana semula kenderaan baharu jika ia telah tidak bergerak terlalu lama.
Apabila algoritma sim-to-real digunakan pada pengesanan lorong, pendekatan hujung ke hujung diguna pakai dan model Ultra-Fast-Lane-Detection (UFLD) digunakan sebagai rangkaian asas. UFLD dipilih kerana seni binanya yang ringan boleh mencapai 300 bingkai/saat pada resolusi input yang sama sambil mencapai prestasi yang setanding dengan kaedah terkini. UFLD merumuskan tugas pengesanan lorong sebagai kaedah pemilihan berasaskan baris, di mana setiap lorong diwakili oleh satu siri kedudukan mendatar baris yang dipratentukan, iaitu, penambat baris. Bagi setiap sauh baris, kedudukan dibahagikan kepada sel grid w. Untuk lorong ke-i dan sauh baris ke-j, ramalan lokasi menjadi masalah klasifikasi, di mana model mengeluarkan kebarangkalian Pi,j untuk memilih sel grid (w+1). Dimensi tambahan dalam output ialah tiada lorong.
UFLD mencadangkan cawangan pembahagian tambahan untuk mengagregat ciri pada berbilang skala untuk memodelkan ciri tempatan Ini hanya digunakan semasa latihan. Dengan kaedah UFLD, kehilangan entropi silang digunakan untuk kehilangan segmentasi Lseg. Untuk pengelasan lorong, cawangan kecil lapisan bersambung sepenuhnya (FC) ditambah untuk menerima ciri yang sama seperti lapisan FC untuk ramalan kedudukan lorong. Lcls kehilangan klasifikasi lorong juga menggunakan kehilangan entropi silang.
Untuk mengurangkan masalah hanyutan domain bagi tetapan UDA, UNIT (“Rangkaian Terjemahan Imej-ke-Imej Tanpa Pengawasan“, NIPS, 2017) & MUNIT diterima pakai > ("Terjemahan imej-ke-imej berbilang mod tanpa seliaan," ECCV 2018), dan kaedah diskriminatif lawan menggunakan diskriminator ciri. Seperti yang ditunjukkan dalam rajah: kaedah penjanaan lawan (A) dan kaedah diskriminasi lawan (B) dicadangkan. UNIT dan MUNIT diwakili dalam (A), yang menunjukkan input penjana untuk terjemahan imej. Input gaya tambahan kepada MUNIT ditunjukkan dengan garis biru putus-putus. Untuk kesederhanaan, output pengekod gaya MUNIT diabaikan kerana ia tidak digunakan untuk terjemahan imej.
Hasil percubaan adalah seperti berikut:
Kiri: penghijrahan langsung kaedah, kanan : Kaedah Pengesahan Adversarial (ADA)
Atas ialah kandungan terperinci Kaedah penyesuaian domain sebenar maya untuk pengesanan garis lorong dan klasifikasi pemanduan autonomi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Alat AI Hot
Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik
AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.
Undress AI Tool
Gambar buka pakaian secara percuma
Clothoff.io
Penyingkiran pakaian AI
AI Hentai Generator
Menjana ai hentai secara percuma.
Artikel Panas
Alat panas
Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma
SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan
Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa
Dreamweaver CS6
Alat pembangunan web visual
SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)
Topik panas
Gunakan ddrescue untuk memulihkan data pada Linux
Mar 20, 2024 pm 01:37 PM
DDREASE ialah alat untuk memulihkan data daripada fail atau peranti sekat seperti cakera keras, SSD, cakera RAM, CD, DVD dan peranti storan USB. Ia menyalin data dari satu peranti blok ke peranti lain, meninggalkan blok data yang rosak dan hanya memindahkan blok data yang baik. ddreasue ialah alat pemulihan yang berkuasa yang automatik sepenuhnya kerana ia tidak memerlukan sebarang gangguan semasa operasi pemulihan. Selain itu, terima kasih kepada fail peta ddasue, ia boleh dihentikan dan disambung semula pada bila-bila masa. Ciri-ciri utama lain DDREASE adalah seperti berikut: Ia tidak menimpa data yang dipulihkan tetapi mengisi jurang sekiranya pemulihan berulang. Walau bagaimanapun, ia boleh dipotong jika alat itu diarahkan untuk melakukannya secara eksplisit. Pulihkan data daripada berbilang fail atau blok kepada satu
Sumber terbuka! Di luar ZoeDepth! DepthFM: Anggaran kedalaman monokular yang cepat dan tepat!
Apr 03, 2024 pm 12:04 PM
0. Apakah fungsi artikel ini? Kami mencadangkan DepthFM: model anggaran kedalaman monokular generatif yang serba boleh dan pantas. Sebagai tambahan kepada tugas anggaran kedalaman tradisional, DepthFM juga menunjukkan keupayaan terkini dalam tugas hiliran seperti mengecat kedalaman. DepthFM cekap dan boleh mensintesis peta kedalaman dalam beberapa langkah inferens. Mari kita baca karya ini bersama-sama ~ 1. Tajuk maklumat kertas: DepthFM: FastMonocularDepthEstimationwithFlowMatching Pengarang: MingGui, JohannesS.Fischer, UlrichPrestel, PingchuanMa, Dmytr
Bagaimana untuk menyelesaikan masalah ekor panjang dalam senario pemanduan autonomi?
Jun 02, 2024 pm 02:44 PM
Semalam semasa temu bual, saya telah ditanya sama ada saya telah membuat sebarang soalan berkaitan ekor panjang, jadi saya fikir saya akan memberikan ringkasan ringkas. Masalah ekor panjang pemanduan autonomi merujuk kepada kes tepi dalam kenderaan autonomi, iaitu, kemungkinan senario dengan kebarangkalian yang rendah untuk berlaku. Masalah ekor panjang yang dirasakan adalah salah satu sebab utama yang kini mengehadkan domain reka bentuk pengendalian kenderaan autonomi pintar satu kenderaan. Seni bina asas dan kebanyakan isu teknikal pemanduan autonomi telah diselesaikan, dan baki 5% masalah ekor panjang secara beransur-ansur menjadi kunci untuk menyekat pembangunan pemanduan autonomi. Masalah ini termasuk pelbagai senario yang berpecah-belah, situasi yang melampau dan tingkah laku manusia yang tidak dapat diramalkan. "Ekor panjang" senario tepi dalam pemanduan autonomi merujuk kepada kes tepi dalam kenderaan autonomi (AVs) kes Edge adalah senario yang mungkin dengan kebarangkalian yang rendah untuk berlaku. kejadian yang jarang berlaku ini
Google gembira: prestasi JAX mengatasi Pytorch dan TensorFlow! Ia mungkin menjadi pilihan terpantas untuk latihan inferens GPU
Apr 01, 2024 pm 07:46 PM
Prestasi JAX, yang dipromosikan oleh Google, telah mengatasi Pytorch dan TensorFlow dalam ujian penanda aras baru-baru ini, menduduki tempat pertama dalam 7 penunjuk. Dan ujian tidak dilakukan pada TPU dengan prestasi JAX terbaik. Walaupun dalam kalangan pembangun, Pytorch masih lebih popular daripada Tensorflow. Tetapi pada masa hadapan, mungkin lebih banyak model besar akan dilatih dan dijalankan berdasarkan platform JAX. Model Baru-baru ini, pasukan Keras menanda aras tiga hujung belakang (TensorFlow, JAX, PyTorch) dengan pelaksanaan PyTorch asli dan Keras2 dengan TensorFlow. Pertama, mereka memilih satu set arus perdana
Kelajuan Internet Data Selular Perlahan pada iPhone: Pembetulan
May 03, 2024 pm 09:01 PM
Menghadapi ketinggalan, sambungan data mudah alih perlahan pada iPhone? Biasanya, kekuatan internet selular pada telefon anda bergantung pada beberapa faktor seperti rantau, jenis rangkaian selular, jenis perayauan, dsb. Terdapat beberapa perkara yang boleh anda lakukan untuk mendapatkan sambungan Internet selular yang lebih pantas dan boleh dipercayai. Betulkan 1 – Paksa Mulakan Semula iPhone Kadangkala, paksa memulakan semula peranti anda hanya menetapkan semula banyak perkara, termasuk sambungan selular. Langkah 1 – Hanya tekan kekunci naikkan kelantangan sekali dan lepaskan. Seterusnya, tekan kekunci Turun Kelantangan dan lepaskannya semula. Langkah 2 - Bahagian seterusnya proses adalah untuk menahan butang di sebelah kanan. Biarkan iPhone selesai dimulakan semula. Dayakan data selular dan semak kelajuan rangkaian. Semak semula Betulkan 2 – Tukar mod data Walaupun 5G menawarkan kelajuan rangkaian yang lebih baik, ia berfungsi lebih baik apabila isyarat lemah
Daya hidup kecerdasan super membangkitkan! Tetapi dengan kedatangan AI yang mengemas kini sendiri, ibu tidak perlu lagi bimbang tentang kesesakan data
Apr 29, 2024 pm 06:55 PM
Saya menangis hingga mati. Dunia sedang membina model besar. Data di Internet tidak mencukupi. Model latihan kelihatan seperti "The Hunger Games", dan penyelidik AI di seluruh dunia bimbang tentang cara memberi makan data ini kepada pemakan yang rakus. Masalah ini amat ketara dalam tugas berbilang modal. Pada masa mereka mengalami kerugian, pasukan pemula dari Jabatan Universiti Renmin China menggunakan model baharu mereka sendiri untuk menjadi yang pertama di China untuk menjadikan "suapan data yang dijana model itu sendiri" menjadi kenyataan. Selain itu, ia merupakan pendekatan serampang dua mata dari segi pemahaman dan sisi penjanaan Kedua-dua pihak boleh menjana data baharu berbilang modal yang berkualiti tinggi dan memberikan maklum balas data kepada model itu sendiri. Apakah model? Awaker 1.0, model berbilang modal besar yang baru sahaja muncul di Forum Zhongguancun. Siapa pasukan itu? Enjin Sophon. Diasaskan oleh Gao Yizhao, pelajar kedoktoran di Sekolah Kecerdasan Buatan Hillhouse Universiti Renmin.
Tentera Udara A.S. mempamerkan jet pejuang AI pertamanya dengan profil tinggi! Menteri secara peribadi menjalankan pandu uji tanpa campur tangan semasa keseluruhan proses, dan 100,000 baris kod telah diuji selama 21 kali.
May 07, 2024 pm 05:00 PM
Baru-baru ini, bulatan tentera telah terharu dengan berita: jet pejuang tentera AS kini boleh melengkapkan pertempuran udara automatik sepenuhnya menggunakan AI. Ya, baru-baru ini, jet pejuang AI tentera AS telah didedahkan buat pertama kali, mendedahkan misterinya. Nama penuh pesawat pejuang ini ialah Variable Stability Simulator Test Aircraft (VISTA). Ia diterbangkan sendiri oleh Setiausaha Tentera Udara AS untuk mensimulasikan pertempuran udara satu lawan satu. Pada 2 Mei, Setiausaha Tentera Udara A.S. Frank Kendall berlepas menggunakan X-62AVISTA di Pangkalan Tentera Udara Edwards Ambil perhatian bahawa semasa penerbangan selama satu jam, semua tindakan penerbangan telah diselesaikan secara autonomi oleh AI! Kendall berkata - "Sejak beberapa dekad yang lalu, kami telah memikirkan tentang potensi tanpa had pertempuran udara-ke-udara autonomi, tetapi ia sentiasa kelihatan di luar jangkauan." Namun kini,
Robot pertama yang menyelesaikan tugas manusia secara autonomi muncul, dengan lima jari fleksibel dan kelajuan manusia luar biasa, dan model besar menyokong latihan angkasa maya
Mar 11, 2024 pm 12:10 PM
Minggu ini, FigureAI, sebuah syarikat robotik yang dilaburkan oleh OpenAI, Microsoft, Bezos, dan Nvidia, mengumumkan bahawa ia telah menerima hampir $700 juta dalam pembiayaan dan merancang untuk membangunkan robot humanoid yang boleh berjalan secara bebas dalam tahun hadapan. Dan Optimus Prime Tesla telah berulang kali menerima berita baik. Tiada siapa yang meragui bahawa tahun ini akan menjadi tahun apabila robot humanoid meletup. SanctuaryAI, sebuah syarikat robotik yang berpangkalan di Kanada, baru-baru ini mengeluarkan robot humanoid baharu, Phoenix. Pegawai mendakwa bahawa ia boleh menyelesaikan banyak tugas secara autonomi pada kelajuan yang sama seperti manusia. Pheonix, robot pertama di dunia yang boleh menyelesaikan tugas secara autonomi pada kelajuan manusia, boleh mencengkam, menggerakkan dan meletakkan setiap objek secara elegan di sisi kiri dan kanannya dengan perlahan. Ia boleh mengenal pasti objek secara autonomi
