地平线发布开源的Sparse4D算法,推动向端到端自动驾驶迈进一步
1月22日,地平线将纯视觉自动驾驶算法——Sparse4D系列算法开源,推动行业更多开发者共同参与到端到端自动驾驶、稀疏感知等前沿技术方向的探索中。目前,Sparse4D算法已在GitHub平台上线,开发者可关注地平线GitHub官方账号“Horizon Robotics”获取源码。
Sparse4D是迈向长时序稀疏化3D目标检测的系列算法,属于时序多视角融合感知技术的范畴。面向稀疏化感知的行业发展趋势,Sparse4D搭建了纯稀疏的融合感知框架,让感知算法效率更高、精度更高,让感知系统更简洁。相比稠密BEV算法,Sparse4D降低了计算复杂度,打破了算力对感知范围的限制,在感知效果和推理速度上,都实现了对稠密BEV算法的超越。在nuScenes纯视觉3D检测和3D跟踪两个榜单上,Sparse4D均位列第一,成为SOTA,领先于包括SOLOFusion、BEVFormer v2和StreamPETR在内的一众最新方法。
Sparse4D算法架构
经过三版迭代,地平线Sparse4D团队成功地攻克了提升稀疏算法性能、降低时序融合计算复杂度和实现端到端目标跟踪等技术难题。最近,他们发表了题为《Sparse4D v3: Advancing End-to-End 3D Detection and Tracking》的论文,详细介绍了他们的研究成果。通过利用地平线业务数据进行性能验证,Sparse4D团队已经成功在地平线征程5计算方案上进行了部署。未来,根据规划,Sparse4D技术将应用于地平线下一代产品中。这一成果的取得将进一步推动地平线的发展。
地平线副总裁兼软件平台产品线总裁余轶南博士指出,当前的行业已经进入了感知端到端的时代,只需一个网络即可完成整个感知任务。他认为,Sparse4D系列算法将稀疏类算法的性能提升到了一个新的高度,并成功实现了端到端的多目标跟踪。这对于稀疏感知和端到端自动驾驶来说都具有重要意义,可以说是一个里程碑式的突破。地平线公司选择将Sparse4D开源给整个行业,希望能与行业中的优秀开发者共同进步。
传统感知系统和端到端感知系统的对比
地平线积极参与智能驾驶开源软件生态建设的又一范例是开源Sparse4D系列算法。这一算法在纯视觉、端到端自动驾驶的落地进程中具有巨大的应用潜力。此外,地平线还开源了VAD算法和MapTR算法等领先技术,这些技术将进一步推动行业的发展。预计Sparse4D算法将受到行业开发者的广泛关注和使用。地平线的持续努力将加速行业的发展进程。
地平线秉持着将自主创新的技术、突破性产品与解决方案转化为智能汽车产业生态合作伙伴商业价值的理念,为行业的发展注入活力。通过与产业各方紧密协同、开放融合、合作创新,地平线致力于成为智能汽车产业生态的源头活水,为其提供持续的发展动力。地平线深知自动驾驶的量产是一项重要的突破,因此我们将继续拥抱开源开放,加速前沿技术的落地和量产化进程。我们坚信与行业共赢的未来将会更加广阔,地平线将持续努力,为智能汽车产业的繁荣做出贡献。
以上是地平线发布开源的Sparse4D算法,推动向端到端自动驾驶迈进一步的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

写在前面&笔者的个人理解三维Gaussiansplatting(3DGS)是近年来在显式辐射场和计算机图形学领域出现的一种变革性技术。这种创新方法的特点是使用了数百万个3D高斯,这与神经辐射场(NeRF)方法有很大的不同,后者主要使用隐式的基于坐标的模型将空间坐标映射到像素值。3DGS凭借其明确的场景表示和可微分的渲染算法,不仅保证了实时渲染能力,而且引入了前所未有的控制和场景编辑水平。这将3DGS定位为下一代3D重建和表示的潜在游戏规则改变者。为此我们首次系统地概述了3DGS领域的最新发展和关

昨天面试被问到了是否做过长尾相关的问题,所以就想着简单总结一下。自动驾驶长尾问题是指自动驾驶汽车中的边缘情况,即发生概率较低的可能场景。感知的长尾问题是当前限制单车智能自动驾驶车辆运行设计域的主要原因之一。自动驾驶的底层架构和大部分技术问题已经被解决,剩下的5%的长尾问题,逐渐成了制约自动驾驶发展的关键。这些问题包括各种零碎的场景、极端的情况和无法预测的人类行为。自动驾驶中的边缘场景"长尾"是指自动驾驶汽车(AV)中的边缘情况,边缘情况是发生概率较低的可能场景。这些罕见的事件

0.写在前面&&个人理解自动驾驶系统依赖于先进的感知、决策和控制技术,通过使用各种传感器(如相机、激光雷达、雷达等)来感知周围环境,并利用算法和模型进行实时分析和决策。这使得车辆能够识别道路标志、检测和跟踪其他车辆、预测行人行为等,从而安全地操作和适应复杂的交通环境.这项技术目前引起了广泛的关注,并认为是未来交通领域的重要发展领域之一。但是,让自动驾驶变得困难的是弄清楚如何让汽车了解周围发生的事情。这需要自动驾驶系统中的三维物体检测算法可以准确地感知和描述周围环境中的物体,包括它们的位置、

一先导与重点文章主要介绍自动驾驶技术中几种常用的坐标系统,以及他们之间如何完成关联和转换,最终构建出统一的环境模型。这里重点理解自车到相机刚体转换(外参),相机到图像转换(内参),图像到像素有单位转换。3d向2d转换会有相应的畸变,平移等。重点:自车坐标系相机机体坐标系需要被重写的是:平面坐标系像素坐标系难点:要考虑图像畸变,去畸变和加畸变都是在像平面上去补偿二简介视觉系统一共有四个坐标系:像素平面坐标系(u,v)、图像坐标系(x,y)、相机坐标系()和世界坐标系()。每种坐标系之间均存在联系,

轨迹预测在自动驾驶中承担着重要的角色,自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。轨迹预测任务技术栈丰富,需要熟悉自动驾驶动/静态感知、高精地图、车道线、神经网络架构(CNN&GNN&Transformer)技能等,入门难度很大!很多粉丝期望能够尽快上手轨迹预测,少踩坑,今天就为大家盘点下轨迹预测常见的一些问题和入门学习方法!入门相关知识1.预习的论文有没有切入顺序?A:先看survey,p

原标题:SIMPL:ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving论文链接:https://arxiv.org/pdf/2402.02519.pdf代码链接:https://github.com/HKUST-Aerial-Robotics/SIMPL作者单位:香港科技大学大疆论文思路:本文提出了一种用于自动驾驶车辆的简单高效的运动预测基线(SIMPL)。与传统的以代理为中心(agent-cent

写在前面&出发点端到端的范式使用统一的框架在自动驾驶系统中实现多任务。尽管这种范式具有简单性和清晰性,但端到端的自动驾驶方法在子任务上的性能仍然远远落后于单任务方法。同时,先前端到端方法中广泛使用的密集鸟瞰图(BEV)特征使得扩展到更多模态或任务变得困难。这里提出了一种稀疏查找为中心的端到端自动驾驶范式(SparseAD),其中稀疏查找完全代表整个驾驶场景,包括空间、时间和任务,无需任何密集的BEV表示。具体来说,设计了一个统一的稀疏架构,用于包括检测、跟踪和在线地图绘制在内的任务感知。此外,重

最近一个月由于众所周知的一些原因,非常密集地和行业内的各种老师同学进行了交流。交流中必不可免的一个话题自然是端到端与火爆的特斯拉FSDV12。想借此机会,整理一下在当下这个时刻的一些想法和观点,供大家参考和讨论。如何定义端到端的自动驾驶系统,应该期望端到端解决什么问题?按照最传统的定义,端到端的系统指的是一套系统,输入传感器的原始信息,直接输出任务关心的变量。例如,在图像识别中,CNN相对于传统的特征提取器+分类器的方法就可以称之为端到端。在自动驾驶任务中,输入各种传感器的数据(相机/LiDAR
