Jadual Kandungan
1. Pengenalan
2. Penyelesaian berasaskan titik
3. Penyelesaian Range-View
4. Skim Voxel Jarang
V. Postscript
Rumah Peranti teknologi AI Amaran! Penderiaan LiDAR jarak jauh

Amaran! Penderiaan LiDAR jarak jauh

Feb 02, 2024 am 11:33 AM
Pemanduan autonomi Persepsi susunan

1. Pengenalan

Selepas Hari Tucson AI diadakan tahun lepas, saya sentiasa mempunyai idea untuk meringkaskan kerja kami dalam persepsi jarak jauh dalam bentuk teks. Saya kebetulan mempunyai sedikit masa baru-baru ini, jadi saya memutuskan untuk menulis artikel untuk merekodkan proses penyelidikan dalam beberapa tahun kebelakangan ini. Kandungan yang diliputi dalam artikel ini boleh didapati dalam video Tucson AI Day [0] dan kertas kerja kami yang diterbitkan secara terbuka, tetapi ia tidak mengandungi butiran kejuruteraan khusus atau rahsia teknikal.

Seperti yang kita sedia maklum, Tucson memfokuskan pada teknologi pemanduan trak autonomi. Trak mempunyai jarak brek yang lebih panjang dan pertukaran lorong lebih panjang daripada kereta. Hasilnya, Tucson mempunyai kelebihan unik dalam bersaing dengan syarikat pemanduan autonomi lain. Sebagai ahli Tucson, saya bertanggungjawab untuk teknologi penderiaan LiDAR, dan kini saya akan memperkenalkan secara terperinci kandungan berkaitan menggunakan LiDAR untuk penderiaan jarak jauh.

Apabila syarikat mula-mula menyertainya, penyelesaian penderiaan LiDAR arus perdana biasanya ialah penyelesaian BEV (Pandangan Mata Burung). Walau bagaimanapun, BEV di sini bukanlah singkatan bagi Kenderaan Elektrik Bateri yang terkenal, tetapi merujuk kepada penyelesaian yang menayangkan awan titik LiDAR ke dalam ruang BEV dan menggabungkan konvolusi 2D dan kepala pengesanan 2D untuk pengesanan sasaran. Saya secara peribadi berpendapat bahawa teknologi penderiaan LiDAR yang digunakan oleh Tesla harus dipanggil "teknologi gabungan kamera berbilang pandangan dalam ruang BEV." Setakat yang saya tahu, rekod terawal penyelesaian BEV ialah kertas "MV3D" yang diterbitkan oleh Baidu pada persidangan CVPR17 [1]. Banyak kerja penyelidikan seterusnya, termasuk penyelesaian yang sebenarnya digunakan oleh banyak syarikat yang saya tahu, mengguna pakai kaedah menayangkan awan titik LiDAR ke dalam ruang BEV untuk pengesanan sasaran, dan boleh diklasifikasikan sebagai penyelesaian BEV. Penyelesaian ini digunakan secara meluas dalam aplikasi praktikal. Untuk meringkaskan, apabila saya mula-mula menyertai syarikat itu, penyelesaian penderiaan LiDAR arus perdana biasanya menayangkan awan titik LiDAR ke dalam ruang BEV, dan kemudian menggabungkan kepala lilitan 2D dan pengesanan 2D untuk pengesanan sasaran. Teknologi penderiaan LiDAR yang digunakan oleh Tesla boleh dipanggil "teknologi gabungan kamera berbilang pandangan dalam ruang BEV." Kertas kerja "MV3D" yang diterbitkan oleh Baidu pada persidangan CVPR17 adalah rekod awal penyelesaian BEV Selepas itu, banyak syarikat juga menggunakan penyelesaian yang sama untuk pengesanan sasaran.

Amaran! Penderiaan LiDAR jarak jauhCiri perspektif BEV yang digunakan oleh MV3D[1]

Faedah utama penyelesaian BEV ialah ia boleh menggunakan pengesan 2D matang secara langsung, tetapi ia juga mempunyai kelemahan yang membawa maut: ia mengehadkan julat penderiaan. Seperti yang anda boleh lihat dari gambar di atas, kerana pengesan 2D akan digunakan, ia mesti membentuk peta ciri 2D Pada masa ini, ambang jarak mesti ditetapkan untuknya, sebenarnya masih terdapat titik LiDAR di luar julat daripada gambar di atas, tetapi telah dibuang oleh operasi pemotongan ini. Adakah mungkin untuk meningkatkan ambang jarak sehingga lokasi diliputi? Tidak mustahil untuk melakukan ini, tetapi LiDAR mempunyai sedikit awan titik di kejauhan kerana masalah seperti mod pengimbasan, keamatan pantulan (pelemahan dengan jarak ke kuasa keempat), oklusi, dsb., jadi ia tidak kos efektif.

Komuniti akademik tidak begitu memberi perhatian kepada isu skim BEV ini, terutamanya disebabkan oleh keterbatasan set data. Julat anotasi set data arus perdana biasanya kurang daripada 80 meter (seperti 50 meter nuScenes, 70 meter KITTI dan 80 meter Waymo dalam julat jarak ini, saiz peta ciri BEV tidak perlu besar). Walau bagaimanapun, dalam industri, LiDAR jarak pertengahan yang digunakan secara amnya boleh mencapai julat pengimbasan 200 meter, dan dalam beberapa tahun kebelakangan ini, beberapa LiDAR jarak jauh telah dikeluarkan, yang boleh mencapai julat pengimbasan 500 meter. Perlu diingatkan bahawa kawasan dan jumlah pengiraan peta ciri meningkat secara kuadratik apabila jarak bertambah. Di bawah skim BEV, jumlah pengiraan yang diperlukan untuk mengendalikan jarak 200 meter sudah cukup besar, apatah lagi jarak 500 meter. Oleh itu, masalah ini memerlukan lebih perhatian dan penyelesaian dalam industri.

Amaran! Penderiaan LiDAR jarak jauh

Julat pengimbasan lidar dalam set data awam. KITTI (titik merah, 70m) lwn. Argoverse 2 (titik biru, 200m)

Selepas mengenali batasan penyelesaian BEV, akhirnya kami menemui alternatif yang boleh dilaksanakan selepas penyelidikan bertahun-tahun. Proses penyelidikan tidak mudah dan kami mengalami banyak halangan. Umumnya, kertas kerja dan laporan hanya menekankan kejayaan dan tidak menyebut kegagalan, tetapi pengalaman kegagalan juga sangat berharga. Oleh itu, kami memutuskan untuk berkongsi perjalanan penyelidikan kami melalui blog. Seterusnya, saya akan menerangkannya langkah demi langkah mengikut garis masa.

2. Penyelesaian berasaskan titik

Di CVPR19, Cina Hong Kong menerbitkan pengesan awan titik yang dipanggil PointRCNN [2]. Tidak seperti kaedah tradisional, PointRCNN melakukan pengiraan terus pada data awan titik tanpa menukarnya kepada bentuk BEV (pandangan mata burung). Oleh itu, penyelesaian berasaskan awan titik ini secara teorinya boleh mencapai penderiaan jarak jauh.

Amaran! Penderiaan LiDAR jarak jauh

Tetapi kami menemui masalah selepas mencubanya. Bilangan awan titik dalam satu bingkai KITTI boleh diturunkan sampel kepada 16,000 mata untuk pengesanan tanpa kehilangan mata yang banyak Namun, gabungan LiDAR kami mempunyai lebih daripada 100,000 mata dalam satu bingkai. 10 kali jelas ketepatan pengesanan akan sangat terjejas. Jika pensampelan rendah tidak dilakukan, terdapat operasi O(n^2) dalam tulang belakang PointRCNN Akibatnya, walaupun ia tidak mengambil masa, jumlah pengiraan masih tidak dapat ditanggung. Operasi yang memakan masa ini terutamanya disebabkan oleh sifat awan titik itu sendiri yang tidak teratur, yang bermaksud bahawa semua titik mesti dilalui sama ada pensampelan rendah atau pengambilan semula kejiranan. Memandangkan terdapat banyak op yang terlibat dan semuanya adalah op standard yang belum dioptimumkan, tiada harapan untuk mengoptimumkan kepada masa nyata dalam jangka pendek, jadi laluan ini telah ditinggalkan.

Namun, kajian ini tidak sia-sia Walaupun jumlah pengiraan tulang belakang terlalu besar, peringkat kedua hanya dilakukan di latar depan, jadi jumlah pengiraan masih agak kecil. Selepas menggunakan peringkat kedua PointRCNN secara langsung pada pengesan peringkat pertama skema BEV, ketepatan bingkai pengesanan akan dipertingkatkan dengan banyak. Semasa proses permohonan, kami juga menemui masalah kecil dengannya. Selepas menyelesaikannya, kami merumuskannya dan menerbitkannya dalam artikel [3] yang diterbitkan di CVPR21 Anda juga boleh menyemaknya di blog ini:

Wang Feng: LiDAR R- CNN: Pengesan 3D dua peringkat yang pantas dan serba boleh

3. Penyelesaian Range-View

Selepas kegagalan penyelesaian berasaskan Point, kami mengalihkan perhatian kami kepada Range View ketika itu semuanya mekanikal yang berputar Contohnya, lidar 64 baris akan mengimbas 64 baris awan titik dengan sudut pic yang berbeza Contohnya, jika setiap baris mengimbas 2048 mata, imej julat 64*2048 boleh dibentuk.

Amaran! Penderiaan LiDAR jarak jauhPerbandingan RV, BEV dan PV

Dalam Pandangan Julat, awan titik tidak lagi jarang tetapi tersusun padat bersama Sasaran yang jauh hanya lebih kecil pada imej julat, tetapi ia tidak akan dibuang, jadi ia secara teorinya boleh dikesan.

Mungkin kerana ia lebih mirip dengan imej, kajian tentang RV sebenarnya lebih awal daripada BEV Rekod paling awal yang saya dapati juga dari kertas Baidu [4]. ialah RV Aplikasi terawal BEV datang daripada Baidu.

Jadi saya mencubanya pada masa itu Berbanding dengan kaedah BEV, AP RV turun sebanyak 30-40 mata... Saya dapati pengesanan pada imej julat 2D sebenarnya OK, tetapi output 3D. kesan bingkai sangat lemah. Pada masa itu, apabila kami menganalisis ciri RV, kami merasakan bahawa ia mempunyai semua kelemahan imej: skala objek tidak seragam, ciri latar depan dan latar belakang bercampur, dan ciri sasaran jarak jauh yang tidak jelas kelebihan ciri semantik yang kaya dalam imej, jadi saya agak pesimis tentang penyelesaian ini pada masa itu.

Oleh kerana pekerja formal masih perlu membuat kerja pelaksanaan lagipun, lebih baik soalan penerokaan sebegitu diserahkan kepada pelatih. Kemudian, saya mengambil dua pelatih untuk mengkaji masalah ini bersama-sama Apabila saya mencubanya pada set data awam, saya juga kehilangan 30 mata beberapa butiran kertas, mata telah dibawa ke tahap yang serupa dengan kaedah BEV arus perdana, dan kertas akhir diterbitkan pada ICCV21 [5].

Walaupun point dah dinaikkan, masalah belum selesai sepenuhnya Masa tu dah jadi konsensus lidar perlukan multi-frame fusion untuk perbaiki signal-to-noise ratio -sasaran jarak perlu menyusun bingkai untuk meningkatkan jumlah maklumat. Dalam penyelesaian BEV, gabungan berbilang bingkai adalah sangat mudah. ​​Hanya tambahkan cap waktu pada awan titik input dan kemudian pasangkan berbilang bingkai Seluruh rangkaian boleh meningkatkan mata tanpa mengubahnya tiada apa yang telah dicapai kesan yang sama.

Dan pada masa ini, LiDAR juga telah beralih daripada putaran mekanikal kepada keadaan pepejal/separa pepejal dari segi penyelesaian teknikal perkakasan LiDAR pepejal/separuh pepejal tidak lagi boleh membentuk imej julat Membina imej julat secara paksa kehilangan maklumat , jadi laluan ini akhirnya ditinggalkan.

4. Skim Voxel Jarang

Seperti yang dinyatakan sebelum ini, masalah dengan skema berasaskan Titik ialah susunan awan titik yang tidak teratur menyebabkan masalah pensampelan rendah dan pengambilan kejiranan memerlukan merentasi semua awan titik, mengakibatkan pengiraan yang berlebihan, dan Skim BEV Data disusun tetapi terdapat terlalu banyak kawasan kosong, mengakibatkan pengiraan yang berlebihan. Menggabungkan kedua-duanya, melakukan vokselisasi dalam kawasan bertitik untuk menjadikannya tetap, dan tidak menyatakan dalam kawasan tidak bertitik untuk mengelakkan pengiraan tidak sah nampaknya merupakan jalan yang boleh dilaksanakan. Ini adalah penyelesaian voxel yang jarang.

Disebabkan Yan Yan, pengarang SECOND[6], menyertai Tucson, kami mencuba tulang belakang conv jarang pada hari-hari awal Namun, kerana spconv bukan op standard, spconv yang dilaksanakan oleh kami sendiri masih terlalu perlahan dan tidak mencukupi . Pengesanan dilakukan dalam masa nyata, kadangkala lebih perlahan daripada penukaran padat, jadi ia ditangguhkan buat sementara waktu.

Kemudian, LiDAR pertama yang mampu mengimbas 500m: Livox Tele15 tiba, dan algoritma penderiaan LiDAR jarak jauh akan segera saya cuba penyelesaian BEV tetapi ia terlalu mahal, jadi saya mencuba penyelesaian spconv sekali lagi kerana Tele15 The fov adalah. agak sempit, dan awan titik di kejauhan juga sangat jarang, jadi spconv hampir tidak dapat mencapai prestasi masa nyata.

Tetapi jika anda tidak mengambil bev, kepala pengesan tidak boleh menggunakan sauh atau penugasan pusat yang lebih matang dalam pengesanan 2D Ini terutamanya kerana lidar mengimbas permukaan objek dan kedudukan tengah tidak semestinya titik (sebagaimana. ditunjukkan dalam rajah di bawah), tanpa titik, adalah mustahil untuk menetapkan sasaran latar depan. Sebenarnya, kami telah mencuba banyak kaedah tugasan secara dalaman. Kami tidak akan menerangkan secara terperinci tentang kaedah sebenar yang digunakan oleh syarikat di sini.

明月不谙愿: Pengesan objek 3D yang jarang sepenuhnya

Amaran! Penderiaan LiDAR jarak jauh

Tetapi jika anda ingin menggunakan algoritma ini pada gabungan LiDAR 500m ke hadapan, 150m ke belakang dan kiri dan kanan, ia masih tidak mencukupi. Kebetulan pelatih itu menggunakan idea Swin Transformer dan menulis artikel mengenai Sparse Transformer sebelum mengejar populariti [8]. Ia juga mengambil banyak usaha untuk meningkatkan lebih daripada 20 mata sedikit demi sedikit (terima kasih kepada intern kerana membimbing saya, tql ). Pada masa itu, saya merasakan kaedah Transformer masih sangat sesuai untuk data awan titik yang tidak teratur, jadi saya juga mencubanya pada set data syarikat.

Malangnya, kaedah ini selalu gagal mengalahkan kaedah BEV pada set data syarikat, dan bezanya hampir 5 mata jika dilihat kembali sekarang, mungkin ada beberapa helah atau kemahiran latihan yang saya belum kuasai sebab keupayaan ekspresif Transformer ialah Ia tidak lebih lemah daripada penukaran, tetapi saya tidak mencuba lagi kemudian. Walau bagaimanapun, pada masa ini, kaedah tetapkan telah dioptimumkan dan mengurangkan banyak pengiraan, jadi saya ingin mencuba spconv sekali lagi Keputusan yang mengejutkan ialah menggantikan Transformer secara langsung dengan spconv boleh mencapai ketepatan yang sama seperti kaedah BEV pada jarak dekat. . Agak, dan ia juga boleh mengesan sasaran jarak jauh.

Pada masa inilah Yan Yan membuat versi kedua spconv[9]. Kelajuan telah dipertingkatkan dengan ketara, jadi kelewatan pengkomputeran tidak lagi menjadi halangan Akhirnya, persepsi LiDAR jarak jauh melepasi semua halangan dan dapat melakukannya Kereta mula berjalan dalam masa nyata.

Kemudian kami mengemas kini susunan LiDAR dan meningkatkan julat imbasan kepada 500m ke hadapan, 300m ke belakang, dan 150m ke kiri dan kanan Algoritma ini juga berjalan dengan baik, saya percaya bahawa apabila kuasa pengkomputeran terus meningkat pada masa hadapan, kelewatan pengiraan akan berkurangan . Ia semakin kurang menjadi masalah.

Kesan pengesanan jarak jauh terakhir ditunjukkan di bawah Anda juga boleh melihat kedudukan sekitar 01:08:30 video Tucson AI Day untuk melihat kesan pengesanan dinamik:

Amaran! Penderiaan LiDAR jarak jauh

Walaupun ia adalah gabungan terakhir. hasil , tetapi kerana keterlihatan imej adalah sangat rendah disebabkan oleh kabus pada hari ini, keputusan pada dasarnya datang daripada persepsi LiDAR.

V. Postscript

Dari kaedah berasaskan titik, kepada kaedah imej julat, kepada Transformer dan kaedah penukaran jarang berdasarkan voxel jarang, penerokaan persepsi jarak jauh tidak boleh dikatakan lancar, ia hanyalah jalan yang penuh duri. Pada akhirnya, sebenarnya dengan peningkatan berterusan kuasa pengkomputeran dan usaha berterusan ramai rakan sekerja kami mencapai langkah ini. Saya ingin mengucapkan terima kasih kepada Ketua Saintis Tucson Wang Naiyan dan semua rakan sekerja dan pelatih di Tucson Kebanyakan idea dan pelaksanaan kejuruteraan tidak saya lakukan. Saya sangat malu.

Sudah lama saya tidak menulis artikel yang begitu panjang ia ditulis seperti akaun yang sedang berjalan tanpa membentuk cerita yang menyentuh hati. Dalam tahun-tahun kebelakangan ini, semakin sedikit rakan sekerja berkeras untuk melakukan L4, dan rakan sekerja L2 secara beransur-ansur beralih kepada penyelidikan visual semata-mata secara beransur-ansur dipinggirkan dengan mata kasar, walaupun saya masih percaya bahawa satu lagi penderia jarak langsung adalah lebih baik , tetapi orang dalam industri nampaknya semakin tidak bersetuju. Memandangkan saya melihat semakin banyak BEV dan Occupancy pada resume darah segar, saya tertanya-tanya berapa lama penderiaan LiDAR boleh diteruskan, dan berapa lama saya boleh terus menulis artikel sedemikian juga boleh menjadi peringatan.

Saya menangis lewat malam, saya tidak faham apa yang saya cakapkan, maaf.

Atas ialah kandungan terperinci Amaran! Penderiaan LiDAR jarak jauh. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

Repo: Cara menghidupkan semula rakan sepasukan
1 bulan yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
2 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Cara mendapatkan biji gergasi
1 bulan yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Bagaimana untuk menyelesaikan masalah ekor panjang dalam senario pemanduan autonomi? 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

Bagaimana untuk menyemak trafik pada telefon bimbit Apple Bagaimana untuk menyemak trafik pada telefon bimbit Apple May 09, 2024 pm 06:00 PM

Cara menyemak penggunaan data pada Apple 1. Langkah khusus untuk menyemak penggunaan data pada telefon mudah alih Apple adalah seperti berikut: Buka tetapan telefon. Klik butang Selular. Tatal ke bawah pada halaman rangkaian selular untuk melihat penggunaan data khusus bagi setiap aplikasi. Klik Guna untuk turut menetapkan rangkaian yang dibenarkan. 2. Hidupkan telefon, cari pilihan tetapan pada desktop telefon, dan klik untuk masuk. Dalam antara muka tetapan, cari "Rangkaian Selular" dalam bar tugas di bawah dan klik untuk masuk. Dalam antara muka rangkaian selular, cari pilihan "Penggunaan" pada halaman dan klik untuk masuk. 3. Cara lain ialah menyemak trafik sendiri melalui telefon bimbit, tetapi telefon bimbit hanya boleh melihat jumlah penggunaan dan tidak akan memaparkan trafik yang tinggal: hidupkan iPhone, cari pilihan "Tetapan" dan bukanya. Pilih "Lebah"

Pembinaan semula statik visual tulen pertama bagi pemanduan autonomi Pembinaan semula statik visual tulen pertama bagi pemanduan autonomi Jun 02, 2024 pm 03:24 PM

Penyelesaian anotasi visual semata-mata menggunakan penglihatan serta beberapa data daripada GPS, IMU dan penderia kelajuan roda untuk anotasi dinamik. Sudah tentu, untuk senario pengeluaran besar-besaran, ia tidak semestinya visual semata-mata. Sesetengah kenderaan yang dihasilkan secara besar-besaran akan mempunyai penderia seperti radar keadaan pepejal (AT128). Jika kami mencipta gelung tertutup data dari perspektif pengeluaran besar-besaran dan menggunakan semua penderia ini, kami boleh menyelesaikan masalah pelabelan objek dinamik dengan berkesan. Tetapi tiada radar keadaan pepejal dalam rancangan kami. Oleh itu, kami akan memperkenalkan penyelesaian pelabelan pengeluaran besar-besaran yang paling biasa ini. Teras penyelesaian anotasi visual semata-mata terletak pada pembinaan semula pose berketepatan tinggi. Kami menggunakan skema pembinaan semula pose Structure from Motion (SFM) untuk memastikan ketepatan pembinaan semula. Tetapi lulus

Bagaimana untuk melumpuhkan susun atur syot kilat dalam Windows 11_ Petua untuk tidak menggunakan susun atur syot kilat dalam win11 Bagaimana untuk melumpuhkan susun atur syot kilat dalam Windows 11_ Petua untuk tidak menggunakan susun atur syot kilat dalam win11 May 08, 2024 pm 06:46 PM

Sistem Win11 mengumumkan [Snapshot Layout] baharu, yang menyediakan pengguna dengan pelbagai pilihan susun atur tetingkap melalui butang [Maximize], supaya pengguna boleh memilih daripada berbilang templat susun atur untuk memaparkan dua, tiga atau empat aplikasi terbuka. Ini adalah peningkatan berbanding menyeret berbilang tetingkap ke sisi skrin dan kemudian melaraskan semuanya secara manual. [SnapGroups] akan menyimpan koleksi apl yang digunakan pengguna dan reka letaknya, membolehkan pengguna kembali ke tetapan itu dengan mudah apabila mereka perlu berhenti dan melakukan sesuatu yang lain. Jika seseorang menggunakan monitor yang pengguna mesti cabut plag, apabila medok semula, reka letak syot kilat yang digunakan sebelum ini juga akan dipulihkan. Untuk menggunakan reka letak syot kilat, kita boleh menggunakan pintasan papan kekunci WindowsKey+Z untuk bermula

Bagaimana untuk mengisih halaman senarai mengikut abjad dalam vscode Bagaimana untuk mengisih halaman senarai mengikut abjad dalam vscode Bagaimana untuk mengisih halaman senarai mengikut abjad dalam vscode Bagaimana untuk mengisih halaman senarai mengikut abjad dalam vscode May 09, 2024 am 09:40 AM

1. Mula-mula, selepas membuka antara muka vscode, klik butang ikon tetapan di sudut kiri bawah halaman 2. Kemudian, klik pilihan Tetapan dalam lajur halaman lungsur 3. Kemudian, cari pilihan Explorer dalam tetingkap lompat 4. Akhir sekali, di sebelah kanan halaman Klik pilihan OpenEditorsnaming, pilih butang abjad dari halaman lungsur dan simpan tetapan untuk melengkapkan pengisihan abjad

Lihat masa lalu dan masa kini Occ dan pemanduan autonomi! Semakan pertama secara komprehensif meringkaskan tiga tema utama peningkatan ciri/pengeluaran besar-besaran/anotasi yang cekap. Lihat masa lalu dan masa kini Occ dan pemanduan autonomi! Semakan pertama secara komprehensif meringkaskan tiga tema utama peningkatan ciri/pengeluaran besar-besaran/anotasi yang cekap. May 08, 2024 am 11:40 AM

Ditulis di atas & Pemahaman peribadi penulis Dalam beberapa tahun kebelakangan ini, pemanduan autonomi telah mendapat perhatian yang semakin meningkat kerana potensinya untuk mengurangkan beban pemandu dan meningkatkan keselamatan pemanduan. Ramalan penghunian tiga dimensi berasaskan penglihatan ialah tugas persepsi yang muncul yang sesuai untuk penyiasatan kos efektif dan komprehensif tentang keselamatan pemanduan autonomi. Walaupun banyak kajian telah menunjukkan keunggulan alat ramalan penghunian 3D berbanding tugas persepsi berpusatkan objek, masih terdapat ulasan khusus untuk bidang yang sedang berkembang pesat ini. Kertas kerja ini mula-mula memperkenalkan latar belakang ramalan penghunian 3D berasaskan penglihatan dan membincangkan cabaran yang dihadapi dalam tugasan ini. Seterusnya, kami membincangkan secara menyeluruh status semasa dan trend pembangunan kaedah ramalan penghunian 3D semasa daripada tiga aspek: peningkatan ciri, kemesraan penggunaan dan kecekapan pelabelan. akhirnya

LLM sudah selesai! OmniDrive: Mengintegrasikan persepsi 3D dan perancangan penaakulan (terbaharu NVIDIA) LLM sudah selesai! OmniDrive: Mengintegrasikan persepsi 3D dan perancangan penaakulan (terbaharu NVIDIA) May 09, 2024 pm 04:55 PM

Ditulis di atas & pemahaman peribadi pengarang: Kertas kerja ini didedikasikan untuk menyelesaikan cabaran utama model bahasa besar multimodal semasa (MLLM) dalam aplikasi pemanduan autonomi, iaitu masalah melanjutkan MLLM daripada pemahaman 2D kepada ruang 3D. Peluasan ini amat penting kerana kenderaan autonomi (AV) perlu membuat keputusan yang tepat tentang persekitaran 3D. Pemahaman spatial 3D adalah penting untuk AV kerana ia memberi kesan langsung kepada keupayaan kenderaan untuk membuat keputusan termaklum, meramalkan keadaan masa depan dan berinteraksi dengan selamat dengan alam sekitar. Model bahasa besar berbilang mod semasa (seperti LLaVA-1.5) selalunya hanya boleh mengendalikan input imej resolusi rendah (cth.) disebabkan oleh had resolusi pengekod visual, had panjang jujukan LLM. Walau bagaimanapun, aplikasi pemanduan autonomi memerlukan

Bolehkah saya memasangkan kad rangkaian wayarles semasa memasang komputer? Bolehkah saya memasangkan kad rangkaian wayarles semasa memasang komputer? May 08, 2024 am 09:13 AM

Bolehkah saya memasangkan kad rangkaian wayarles semasa memasang komputer? Pertama sekali, kad rangkaian wayarles yang anda maksudkan di sini mestilah kad rangkaian wayarles 2G/3G/4G, iaitu kad rangkaian wayarles, bukan? Jawapan saya ialah ya. Walau bagaimanapun, anda juga memerlukan AP yang menyokong kad rangkaian wayarles USB, seperti: (hanya untuk kegunaan Jiuli, bukan produk yang disyorkan) Bolehkah saya menggunakan kad rangkaian wayarles untuk mengakses Internet dengan memasang komputer meja? Kad rangkaian adalah penting untuk komputer moden Tanpa kad rangkaian, anda tidak boleh mengakses Internet, sama ada kad rangkaian onboard, kad rangkaian bebas atau kad rangkaian wayarles. Semasa memasang komputer, anda biasanya tidak memasang kad rangkaian yang berasingan, kerana papan induk semasa mempunyai kad rangkaian bersepadu, jadi tidak perlu membeli satu lagi, bagaimanapun, komputer yang dipasang sekarang tidak boleh menggunakan akses Internet tanpa wayar seperti komputer riba, kerana di sana tiada kad rangkaian wayarles dipasang Pemain boleh Mengikut keperluan anda sendiri

See all articles