Bagaimana untuk membuat kereta memandu sendiri 'tahu jalan raya'
Sama seperti berjalan kaki manusia, kereta pandu sendiri juga perlu mempunyai keupayaan untuk berfikir secara bebas dan membuat pertimbangan serta keputusan tentang persekitaran trafik untuk melengkapkan proses perjalanan. Dengan peningkatan teknologi sistem pemanduan berbantu lanjutan, keselamatan pemandu yang memandu kereta terus bertambah baik, dan tahap penyertaan pemandu dalam membuat keputusan pemanduan secara beransur-ansur berkurangan Pemanduan Autonomi semakin dekat dengan kami.
Kereta pandu sendiri, juga dikenali sebagai kereta tanpa pemandu, pada asasnya adalah robot yang sangat pintar yang boleh melengkapkan tingkah laku perjalanan dengan hanya bantuan pemandu atau tanpa operasi pemandu sama sekali. Pemanduan autonomi terutamanya direalisasikan melalui lapisan persepsi, lapisan membuat keputusan dan lapisan pelaksanaan Sebagai kenderaan automatik, kenderaan autonomi boleh menggunakan radar tambahan (radar gelombang milimeter, lidar), kamera kenderaan, sistem satelit navigasi global (GNSS), sebenar. -masa Peranti perkakasan seperti dinamik (PTK) dan unit ukuran inersia (IMU) merasakan persekitaran trafik dan menilai persekitaran trafik yang dikesan Kereta pandu sendiri boleh membuat keputusan tingkah laku dan perancangan laluan berdasarkan persekitaran trafik yang dikesan, dan kemudian menghantar isyarat kepada unit pelaksanaan arahan untuk mengawal pemanduan kereta pandu sendiri.
Realisasi kereta pandu sendiri tidak semudah yang kita bayangkan Jika kita ingin menjadikan kereta pandu sendiri mencapai kemampuan pemanduan yang berpengalaman, di samping menjadikan kereta pandu sendiri mampu "melihat Selain "mengetahui dengan jelas" (lapisan persepsi), "berfikir dengan jelas" (lapisan membuat keputusan), dan "melangkah ke hadapan" (lapisan pelaksanaan), kita juga perlu "mengetahui jalan raya ". Peta berketepatan tinggi ialah senjata ajaib untuk kereta pandu sendiri untuk "tahu jalan" Faham!
Sama seperti orang menggunakan peta untuk menavigasi apabila mereka tiba di bandar yang pelik, kereta pandu sendiri juga perlu menyelesaikan masalah seperti ke mana hendak pergi, bagaimana hendak pergi dan cara pergi jika mereka ingin mencapai autonomi memandu. Selepas memberi arahan perjalanan kepada kereta pandu sendiri, perkara pertama yang perlu dilakukan ialah merancang jalan. Peta navigasi yang digunakan oleh manusia memberi lebih perhatian kepada maklumat seperti nama jalan dan laluan, dan hanya merekodkan data seperti bentuk jalan, cerun, kelengkungan, turapan, arah, dan lain-lain. Manusia boleh memahami laluan perjalanan yang mereka perlukan berdasarkan maklumat ini . Berbeza daripada peta navigasi yang digunakan oleh manusia, peta berketepatan tinggi untuk kereta pandu sendiri merangkumi maklumat yang lebih lengkap.
Peta berketepatan tinggi ialah sejenis ketepatan yang boleh mencapai tahap sentimeter (ketepatan peta navigasi yang digunakan oleh manusia hanya tahap meter), menyediakan elemen berketepatan tinggi, berdimensi tinggi, kaya tinggi dan lebih kaya. dan kekerapan kemas kini yang lebih pantas dengan kesegaran tinggi boleh memberikan persepsi persekitaran luar garis penglihatan dan perancangan laluan optimum peringkat lorong, yang boleh memastikan keselamatan kenderaan autonomi semasa memandu. Selain maklumat yang diliputi oleh peta navigasi manusia, peta berketepatan tinggi juga menambah data yang berkaitan dengan atribut lorong, seperti jenis garis lorong, lebar lorong, dll., serta objek atas, pagar, maklumat tepi jalan dan halangan di tepi jalan. . Sejumlah besar data seperti objek (pokok, tong sampah, tiang telefon, dll.) dan tanda tempat di tepi jalan.
Sebagai bantuan yang diperlukan untuk kenderaan autonomi untuk "mengetahui jalan raya", peta berketepatan tinggi mengandungi sejumlah besar maklumat pemanduan, yang paling penting ialah perwakilan tiga dimensi yang tepat bagi rangkaian jalan raya selain maklumat jalan raya, ia juga mengandungi banyak maklumat Semantik, termasuk warna lampu isyarat, maklumat had laju jalan, kedudukan membelok kenderaan, dsb.
Kemunculan dan pembangunan peta berketepatan tinggi akan mempromosikan susun atur pengangkutan pintar, bandar pintar dan pengangkutan pintar Dengan perkembangan teknologi rangkaian pintar, kepentingan peta berketepatan tinggi telah menjadi semakin banyak jelas. Untuk mencapai L4, walaupun Untuk kenderaan autonomi tahap L3, pemasangan peta berketepatan tinggi adalah pilihan yang diperlukan. Peta berketepatan tinggi boleh merancang laluan pemanduan untuk kereta pandu sendiri, dan boleh menyediakan asas untuk kedudukan, membuat keputusan, maklumat dinamik trafik, dsb. Selain itu, peta berketepatan tinggi juga boleh memastikan bahawa kereta pandu sendiri dapat mengesan apabila mengesan perkakasan pada kereta pandu sendiri gagal atau persekitaran sekelilingnya keras. Ia boleh memandu dengan selamat, dan peta berketepatan tinggi boleh meningkatkan persepsi luar-visual dan meningkatkan keupayaan perancangan kenderaan autonomi.
Peta berketepatan tinggi sangat penting untuk kereta pandu sendiri dan mempunyai banyak kelebihan. Peta berketepatan tinggi boleh memberikan maklumat jalan apriori dan jaminan kedudukan berlebihan untuk kereta pandu sendiri Tidak seperti penderia yang dipasang pada kenderaan, peta berketepatan tinggi tidak terjejas atau disekat oleh persekitaran cuaca, jarak pengesanan, dsb., dan boleh memberikan keselamatan. redundansi untuk kereta pandu sendiri. Memandangkan peta berketepatan tinggi merangkumi maklumat lokasi seperti garisan lorong, papan tanda jalan, lampu isyarat, dsb., maklumat yang berkaitan boleh diramalkan dan ketepatan pengesanan dan kelajuan perkakasan penderiaan boleh dipertingkatkan Contohnya, membelok ke kiri di persimpangan (di bawah peraturan lalu lintas memandu di sebelah kanan) adalah kereta pandu sendiri Salah satu masalah yang lebih sukar untuk diselesaikan semasa proses penyelidikan dan pembangunan ialah dengan bantuan peta berketepatan tinggi, kenderaan autonomi boleh dimaklumkan mengenainya. persimpangan yang boleh mereka belok ke kiri, kawasan menunggu belok kiri, tempat garisan henti belok kiri, dsb. Di samping itu, sebagai sebahagian daripada pembangunan Internet Kenderaan, peta berketepatan tinggi boleh menghantar maklumat kenderaan, maklumat status lampu isyarat, maklumat aliran trafik jalan raya, dan lain-lain ke awan, dengan itu merealisasikan perancangan dan susun atur pengangkutan pintar.
Peta berketepatan tinggi perlu menyimpan data persekitaran kenderaan statik dan dinamik dan data persekitaran trafik Jika ia diletakkan dalam satu lapisan, ia tidak akan sesuai untuk pengeluaran dan penggunaan. Oleh itu, lapisan standard perlu digunakan . Setiap lapisan merangkumi elemen persekitaran atau elemen trafik, dan semua lapisan ditumpangkan untuk membentuk peta ketepatan tinggi yang boleh digunakan. Pada peringkat ini, peta berketepatan tinggi boleh dibahagikan kepada dua lapisan, iaitu lapisan data statik dan lapisan data dinamik Lapisan data statik boleh dibahagikan dari bawah ke atas kepada tiga sub-lapisan vektor: model lorong, komponen jalan. atribut jalan raya, dan sub-lapisan ciri Persekitaran jalan. Lapisan data dinamik adalah berdasarkan teknologi rangkaian pintar untuk mendapatkan data operasi trafik masa nyata dan data pengurusan trafik untuk mengumpul data pergerakan masa nyata orang dan kenderaan Oleh itu, ia boleh dibahagikan kepada lapisan data operasi trafik, lapisan data pengurusan trafik dan lapisan pergerakan dinamik tinggi dari bawah ke atas.
Penghasilan dan pengumpulan peta berketepatan tinggi sangat berbeza daripada peta navigasi yang digunakan oleh manusia Sistem pengumpulan peta berketepatan tinggi telah menjadi "sistem pengukuran mudah alih". manusia, peta berketepatan tinggi lebih Memberi tumpuan pada senario pemanduan autonomi adalah bahagian yang amat diperlukan dalam penyelesaian pemanduan autonomi. Memandangkan peta berketepatan tinggi mempunyai keperluan yang sangat tinggi untuk kemas kini data masa nyata, adalah sukar dan mahal untuk menggunakan sepenuhnya kenderaan pengumpulan untuk mengumpul peta berketepatan tinggi Kenderaan pengumpulan peta berketepatan tinggi terutamanya dilengkapi dengan lidar, kenderaan -kamera yang dipasang, Giroskop, storan data dan peralatan pengkomputeran, dsb., julat yang boleh dikumpulkan oleh kenderaan pengumpulan peta berketepatan tinggi adalah sangat rendah Jika anda ingin menyusun koleksi sepenuhnya, ia memerlukan kos yang besar. Penyusunan peta berketepatan tinggi juga sangat memakan masa dan intensif buruh Proses penyusunan peta berketepatan tinggi termasuk lukisan peta, pembetulan peta, mengemas kini maklumat POI, mengemas kini laporan ralat pengguna Internet, dll., yang memerlukan banyak perkara. daripada kos buruh.
Untuk pengumpulan peta berketepatan tinggi dalam persekitaran jalan yang berbeza, kos buruh dan kos masa yang diperlukan juga berbeza Contohnya, terdapat perbezaan besar antara pengumpulan peta berketepatan tinggi di lebuh raya dan jalan bandar pengumpulan peta berketepatan tinggi di lebuh raya, Lebuh raya dan jalan bandar lebih terbuka, pemandangannya lebih kompleks, dan ia meliputi lebih banyak maklumat trafik Mereka juga mengemukakan keperluan dan cabaran yang lebih tinggi untuk keupayaan pemanduan berautonomi pada masa ini akan memainkan peranan yang lebih penting. Peta berketepatan tinggi boleh menyahbina persekitaran trafik yang kompleks, menghantar peraturan perjalanan manusia dengan cara yang boleh difahami oleh kenderaan autonomi, membahagikan tindakan perjalanan yang kompleks kepada beberapa tugas kecil dan mengurangkan atau mengoptimumkan keperluan perkakasan persepsi untuk pengesanan trafik. Memandangkan peta berketepatan tinggi merangkumi maklumat berkaitan setiap lorong, kereta pandu sendiri boleh meramalkan gelagat pemanduan kenderaan di lorong atau arah lain terlebih dahulu, memastikan kereta pandu sendiri boleh memandu dengan selamat mengikut peraturan lalu lintas.
Selain menyediakan navigasi untuk kereta pandu sendiri, peta berketepatan tinggi juga memainkan peranan besar dalam pemanduan selamat bagi kereta pandu sendiri. Contohnya, peta berketepatan tinggi boleh memberikan panduan untuk memandu sendiri kereta di terowong bandar, kawasan bertingkat dan persekitaran lain Dalam senario ini, kenderaan autonomi boleh menggunakan peta berketepatan tinggi untuk mencapai kedudukan autonomi dengan menggunakan peralatan trafik dalam peta berketepatan tinggi sebagai titik rujukan dan digabungkan dengan perkakasan penderiaan. meningkatkan keselamatan pemanduan autonomi. Untuk persekitaran trafik yang tiada penyelenggaraan untuk masa yang lama dan garis lorong tiada, peta berketepatan tinggi boleh memastikan kenderaan autonomi boleh memandu dalam lorong yang dirancang melalui penentududukan dan bantuan. Dalam keadaan cuaca yang melampau seperti kabus tebal dan ribut salji, ketepatan pengesanan perkakasan penderiaan akan dikurangkan lagi dan peta berketepatan tinggi boleh memberikan lebih banyak maklumat trafik tambahan. Perubahan keadaan jalan juga merupakan salah satu sebab yang perlu untuk menggunakan peta berketepatan tinggi Contohnya, di banyak bandar untuk mengoptimumkan persekitaran lalu lintas, lorong pasang surut ditetapkan dan had laju ditetapkan untuk jalan yang berbeza Dalam kes ini, anda boleh menggunakan peta berketepatan tinggi untuk merancang laluan lebih awal, membolehkan kereta pandu sendiri mematuhi peraturan lalu lintas.
Masih terdapat banyak masalah dalam pembangunan peta berketepatan tinggi pada peringkat ini, contohnya, tiada platform peta ketepatan tinggi bersatu pada peringkat ini, dan maklumat peta berketepatan tinggi tidak dikongsi di antara garaj tempat letak kereta meningkatkan bilangan peta berketepatan tinggi Dengan mengurangkan kos pemerolehan, mewujudkan model data bersatu dan format pertukaran untuk peta berketepatan tinggi akan membantu mengurangkan masa pembangunan dan kos yang tidak diperlukan untuk pengeluar kereta, sambil memastikan peta definisi tinggi digunakan oleh silang. -kenderaan jenama pada masa hadapan boleh berkongsi data yang diperbaharui secara berterusan.
Kos pengumpulan peta berketepatan tinggi adalah agak tinggi, dan kemas kini juga agak perlahan Pada peringkat ini, terdapat dua laluan teknikal utama untuk mengumpul data ukur dan pemetaan untuk peta berketepatan tinggi diwakili oleh kenderaan ukur peta Google yang lain diwakili oleh "Rangkaian Pembelajaran Armada" Tesla, yang setara dengan menggunakan kenderaan yang dihasilkan secara besar-besaran untuk tugasan tinjauan dan pemetaan "sumber ramai", menggerakkan semua penderia dalam keseluruhan armada untuk mengumpul data dan menghantar. ia melalui awan Teknologi ini dimuat naik ke pangkalan data pusat, dan akhirnya setiap kenderaan adalah penyumbang dan penerima data peta.
Perubahan dalam persekitaran trafik, seperti naik taraf jalan dan naik taraf dan pengoptimuman peralatan tepi jalan, memerlukan kemas kini masa nyata peta berketepatan tinggi, yang akan menjadi sangat sukar pada peringkat ini Isu-isu yang perlu dibincangkan dengan segera dalam pembangunan peta berketepatan tinggi.
Atas ialah kandungan terperinci Bagaimana untuk membuat kereta memandu sendiri 'tahu jalan raya'. 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



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

Kertas StableDiffusion3 akhirnya di sini! Model ini dikeluarkan dua minggu lalu dan menggunakan seni bina DiT (DiffusionTransformer) yang sama seperti Sora. Ia menimbulkan kekecohan apabila ia dikeluarkan. Berbanding dengan versi sebelumnya, kualiti imej yang dijana oleh StableDiffusion3 telah dipertingkatkan dengan ketara Ia kini menyokong gesaan berbilang tema, dan kesan penulisan teks juga telah dipertingkatkan, dan aksara bercelaru tidak lagi muncul. StabilityAI menegaskan bahawa StableDiffusion3 ialah satu siri model dengan saiz parameter antara 800M hingga 8B. Julat parameter ini bermakna model boleh dijalankan terus pada banyak peranti mudah alih, dengan ketara mengurangkan penggunaan AI

Ramalan trajektori memainkan peranan penting dalam pemanduan autonomi Ramalan trajektori pemanduan autonomi merujuk kepada meramalkan trajektori pemanduan masa hadapan kenderaan dengan menganalisis pelbagai data semasa proses pemanduan kenderaan. Sebagai modul teras pemanduan autonomi, kualiti ramalan trajektori adalah penting untuk kawalan perancangan hiliran. Tugas ramalan trajektori mempunyai timbunan teknologi yang kaya dan memerlukan kebiasaan dengan persepsi dinamik/statik pemanduan autonomi, peta ketepatan tinggi, garisan lorong, kemahiran seni bina rangkaian saraf (CNN&GNN&Transformer), dll. Sangat sukar untuk bermula! Ramai peminat berharap untuk memulakan ramalan trajektori secepat mungkin dan mengelakkan perangkap Hari ini saya akan mengambil kira beberapa masalah biasa dan kaedah pembelajaran pengenalan untuk ramalan trajektori! Pengetahuan berkaitan pengenalan 1. Adakah kertas pratonton teratur? A: Tengok survey dulu, hlm

Tajuk asal: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving Paper pautan: https://arxiv.org/pdf/2402.02519.pdf Pautan kod: https://github.com/HKUST-Aerial-Robotics/SIMPL Unit pengarang: Universiti Sains Hong Kong dan Teknologi Idea Kertas DJI: Kertas kerja ini mencadangkan garis dasar ramalan pergerakan (SIMPL) yang mudah dan cekap untuk kenderaan autonomi. Berbanding dengan agen-sen tradisional

Ditulis di hadapan & titik permulaan Paradigma hujung ke hujung menggunakan rangka kerja bersatu untuk mencapai pelbagai tugas dalam sistem pemanduan autonomi. Walaupun kesederhanaan dan kejelasan paradigma ini, prestasi kaedah pemanduan autonomi hujung ke hujung pada subtugas masih jauh ketinggalan berbanding kaedah tugasan tunggal. Pada masa yang sama, ciri pandangan mata burung (BEV) padat yang digunakan secara meluas dalam kaedah hujung ke hujung sebelum ini menyukarkan untuk membuat skala kepada lebih banyak modaliti atau tugasan. Paradigma pemanduan autonomi hujung ke hujung (SparseAD) tertumpu carian jarang dicadangkan di sini, di mana carian jarang mewakili sepenuhnya keseluruhan senario pemanduan, termasuk ruang, masa dan tugas, tanpa sebarang perwakilan BEV yang padat. Khususnya, seni bina jarang bersatu direka bentuk untuk kesedaran tugas termasuk pengesanan, penjejakan dan pemetaan dalam talian. Di samping itu, berat

Pada bulan lalu, atas sebab-sebab yang diketahui umum, saya telah mengadakan pertukaran yang sangat intensif dengan pelbagai guru dan rakan sekelas dalam industri. Topik yang tidak dapat dielakkan dalam pertukaran secara semula jadi adalah hujung ke hujung dan Tesla FSDV12 yang popular. Saya ingin mengambil kesempatan ini untuk menyelesaikan beberapa buah fikiran dan pendapat saya pada masa ini untuk rujukan dan perbincangan anda. Bagaimana untuk mentakrifkan sistem pemanduan autonomi hujung ke hujung, dan apakah masalah yang sepatutnya dijangka diselesaikan hujung ke hujung? Menurut definisi yang paling tradisional, sistem hujung ke hujung merujuk kepada sistem yang memasukkan maklumat mentah daripada penderia dan secara langsung mengeluarkan pembolehubah yang membimbangkan tugas. Sebagai contoh, dalam pengecaman imej, CNN boleh dipanggil hujung-ke-hujung berbanding kaedah pengekstrak ciri + pengelas tradisional. Dalam tugas pemanduan autonomi, masukkan data daripada pelbagai penderia (kamera/LiDAR

Pengesanan objek ialah masalah yang agak matang dalam sistem pemanduan autonomi, antaranya pengesanan pejalan kaki adalah salah satu algoritma terawal untuk digunakan. Penyelidikan yang sangat komprehensif telah dijalankan dalam kebanyakan kertas kerja. Walau bagaimanapun, persepsi jarak menggunakan kamera fisheye untuk pandangan sekeliling agak kurang dikaji. Disebabkan herotan jejari yang besar, perwakilan kotak sempadan standard sukar dilaksanakan dalam kamera fisheye. Untuk mengurangkan perihalan di atas, kami meneroka kotak sempadan lanjutan, elips dan reka bentuk poligon am ke dalam perwakilan kutub/sudut dan mentakrifkan metrik mIOU pembahagian contoh untuk menganalisis perwakilan ini. Model fisheyeDetNet yang dicadangkan dengan bentuk poligon mengatasi model lain dan pada masa yang sama mencapai 49.5% mAP pada set data kamera fisheye Valeo untuk pemanduan autonomi

Kertas kerja ini meneroka masalah mengesan objek dengan tepat dari sudut pandangan yang berbeza (seperti perspektif dan pandangan mata burung) dalam pemanduan autonomi, terutamanya cara mengubah ciri dari perspektif (PV) kepada ruang pandangan mata burung (BEV) dengan berkesan dilaksanakan melalui modul Transformasi Visual (VT). Kaedah sedia ada secara amnya dibahagikan kepada dua strategi: penukaran 2D kepada 3D dan 3D kepada 2D. Kaedah 2D-ke-3D meningkatkan ciri 2D yang padat dengan meramalkan kebarangkalian kedalaman, tetapi ketidakpastian yang wujud dalam ramalan kedalaman, terutamanya di kawasan yang jauh, mungkin menimbulkan ketidaktepatan. Manakala kaedah 3D ke 2D biasanya menggunakan pertanyaan 3D untuk mencuba ciri 2D dan mempelajari berat perhatian bagi kesesuaian antara ciri 3D dan 2D melalui Transformer, yang meningkatkan masa pengiraan dan penggunaan.
