首页 建筑钢材 中厚 型钢 钢管 涂镀 优特 钢绞 资讯
更多
注册 登录
您当前的位置：钢材 > 型钢 > 市场分析
广告
热门图文
推荐文章

生意社：5月国内液化天然气市场先扬 浏览次

长江有色：29日铜价小跌 后市难觅 浏览次

长江有色：供需困境难解 29日硅价保 浏览次

长江有色：29日铝价小涨 下游刚需 浏览次

长江有色：29日氧化铝期价震荡下跌 浏览次

长江有色：29日铅价上涨 供需双弱成 浏览次

广告
随机浏览

5月29日油脂期货最新操作建议 浏览次

5月29日油脂期货最新操作建议 浏览次

5月29日棉花期货最新操作建议 浏览次

5月29日菜粕期货机构操作策略 浏览次

5月29日铁矿石期货机构操作策略 浏览次

5月29日玻璃期货机构观点及价格汇总 浏览次

广告

自动驾驶 感知，自动驾驶进展如何

来源:头条 作者: chanong
分享到
关注德勤钢铁网在线：

  • 扫描二维码

    关注√

    德勤钢铁网微信

在线咨询：

  • 扫描或点击关注德勤钢铁网在线客服

滴滴感知广泛使用机器学**和深度学**来解决问题，但解决L4自动驾驶感知问题需要的不仅仅是部署前沿的深度学**模型。本文总结了感知能力逐渐进化的三个阶段。我们还分析了以下关键问题对认知带来的挑战：准确表征深度学**模型本身的缺陷、需要融合多个传感器以扬长避短、低延迟要求与有限计算能力之间的冲突以及处理过程中的不确定性困难。最后，对感知领域的未来发展进行了展望。

1、准确感知是无人驾驶汽车算法的基础感知是自动驾驶中相对直观的模块，它根据传感器（激光雷达、摄像头、毫米波雷达等）的信息来了解周围的物体。 ），打印所有流量。下游模块（预测、规划）根据参与者属性（例如位置、速度和大小）执行计算和决策。如果错过了某个物体，车辆就会“失明”。可能造成严重的安全隐患。因此，传感信息的准确性是自动驾驶车辆算法的重要基础。

2、先进感知发展路径自动驾驶的最低要求是能够识别前方物体并避免碰撞。这一要求可以通过LIDAR 来实现，因为它可以准确估计物体的3D 位置并描绘其轮廓。但现实世界不仅仅是静态的�**＠纾诟党【爸校俺档乃俣仁强悸鞘欠窦跛倩蛏渤档闹匾蛩亍Ｍ保泵娑越咏盗镜男腥撕途仓共欢男腥耸保盗镜姆从τ胄腥私厝徊煌５谝唤锥危夯诠嬖虻牡阍品指钏惴ê投韵蟾俪耸侗鹁蔡**锿猓谝唤锥位剐枰侗鸪＜煌ú斡胝撸ǔ盗尽⑿腥恕⒆孕谐担┑睦啾稹⒎较颉⑺俣鹊取Ｗ灾髯龀鼍龆āＴ谏疃妊�**出现之前，可以通过将基于规则的点云分割/分类算法与对象跟踪相结合来创建基本版本。对于现阶段无法有效处理的问题，专家需要设计规则或者专门的算法来处理，但我们很难设计出对应很多场景的规则。

设计人为规则来分隔并排行走的行人是很困难的。

第二阶段：大规模数据标注和深度学**深度学**的出现和发展极大地提高了感知的有效性。当遇到难以用规则处理的识别任务时，可以利用大数据的标注来训练深度学**模型。我们不是依靠专家来设计算法来解决问题，而是从大量数据中提取经验和知识。现阶段，识别算法的设计变得更加数据驱动。通过收集更多数据并设计更好的模型来迭代识别。但深度学**的准确率存在上限，并且存在泛化（非典型样本的表现）和可解释性问题。因此，深度学**并不是自动驾驶场景中唯一的感知组件。第三阶段：可扩展、自学**的长尾数据处理系统第三阶段提供更细粒度的识别、更长尾的识别，比如各种奇怪的推车、地上的塑料袋、行人的更精细的细节问题需求有待解决。 - 细粒度的意图（例如您是否正在打电话）。现阶段，系统需要较强的可扩展性和自学**能力。虽然长尾问题从绝对值来看很小，但解决起来却并不容易。这个难度的特点是99规则。这意味着需要额外90%的时间来解决剩下的10%的问题。理想情况下，长尾问题需要自动流程进入模型框架进行自动学**，而不是简单地依靠人类来改进问题。目前学术界正在探索的多任务学**、AutoML等技术对现阶段的认知发展提供了巨大的刺激。但由于数据的边际效用递减以及下面讨论的深度学**的局限性，行业仍处于探索阶段，还没有特别成熟的想法能够实现系统基于数据不断进化的状态。独自流淌。

长尾问题：铲斗被识别为在卡车上，无需制动。

3. 实现完全无人驾驶面临多重感知挑战1. 深度学**模型的缺陷深度学**模型是有效的，但最先进模型的有效性可能无法满足自动驾驶汽车的感知要求。缺乏概括性、性能和可解释性。许多研究证明深度学**的通用性远不如人类智能。例如，添加人类无法感知的噪声可能会误导模型对结果进行分类。对于稀有数据（比如穿着奇怪衣服的人），深度学**也容易出错。简而言之，深度学**模型只是以严格的方式“记住”他们的训练数据。此外，其内存容量有限，因此在模型训练饱和后学**新样本可能会降低现有功能。如何将深度学**模型和基于规则的白盒算法结合起来，同时保证识别的召回率和有效性，是识别系统面临的重大挑战。考虑到上述缺点，我们不能仅仅依赖深度学**模型。

深度学**模型可能会因为添加人眼无法辨别的噪声而被误解

Perception自建的数据标注系统

2、多种传感器应融合，扬长避短传感器是传感能力的上限，不同的传感器有不同的优点和缺点。激光雷达可以更准确地勾勒出物体的轮廓，并准确捕捉物体的3D位置信息，但它缺乏相机可以捕捉到的丰富的颜色信息，导致很难使用雨、雪或相机来估计3D位置。我对毫米波雷达精度一般，但感应距离较远，可以直接判断物体的前进和后退速度。下图更全面地反映了这些优点和缺点。感知系统必须针对不同的任务使用不同的传感器信息，发挥其优势并避免其弱点。同时，多个传感器的融合也对标定精度和可扩展性提出了更高的要求。

不同传感器的优缺点比较10

3.低延迟要求与有限的计算能力相冲突自动驾驶汽车是实时计算系统，因此无法像Web后端系统那样通过添加服务器来扩展计算能力。同时，车辆系统也存在能耗和散热方面的限制，这间接限制了可用于传感的计算能力。在有限的计算能力下部署复杂的模型会增加感知的输出延迟，从而导致安全风险和各种问题。要获得最佳结果，需要通过模型压缩、神经结构探索和代码优化来更智能地利用有限的计算资源。 4.不确定性难以准确表示和处理。感知的输出是不确定的。对于附近的物体，在没有遮挡的情况下估计相对可靠。另一方面，对于远处的物体，激光雷达标签将有很少的点。而且它的类别和位置还有更多的不确定性。一般来说，需要输出最可靠的类别信息和位置信息，但目前这些信息的不确定性很大，内部和下游识别可以简单地忽略它，这种情况经常发生。为了更好地整合不确定性信息，我们需要从内部和下游模块认知的根源进行更好的思考。

不确定性：例如在严重遮挡的情况下，物体的类别、位置、速度等信息都是不确定的。

4. 一条充满挑战的进步之路在外界看来，自动驾驶汽车识别似乎是一个更简单的问题，但可以使用先进的深度学**模型成功解决。然而，虽然无人驾驶汽车的安全要求非常高，但路测场景千奇百怪，给认知带来了很大的挑战。无人车识别是一个系统工程，需要全面的算法、工程和数据。在算法方面，我们需要根据问题对现有算法进行组合和定制，同时也要跟随学术界和工业界的进展并引入新的想法。从工程角度来看，系统需要能够处理大量数据，同时需要不断改进以减少工程师解决问题所花费的时间。在数据方面，应利用路测数据积累长尾数据理解和评估，同时形成模型-路测-数据标注的闭环，提高数据规模和利用率。对此，我们复用了滴滴现有的成熟基础设施进行二次开发，使我们能够快速建立传感系统。更高层次的要求是自学。当一个系统善于自学**时，只需要数据标注和自动学**，系统就能适应新的环境。目前，当我们将我们的传感系统引入一个环境不断变化的新城市时，我们需要投入人员进行重建和调整。这是一个需要努力的方向，完善的数据和算法架构是关键基础。尽管自动驾驶汽车的识别已经取得了很大进展，但仍然存在许多问题。以上只是一些宏观层面的思考，但细节决定了你的成败。克服每个问题都需要两到三个有经验的人进行专门研究。我们期待自动驾驶汽车未来发展的早期技术突破。

参考文献[1] Montemerlo, M.Becker, J.Bhat, Suhrid.Dahlkamp, H 和Dolgov D.Ettinger, Scott.Haehnel Dirk. (2008). Junior: 斯坦福城市挑战赛入门。 《现场机器人杂志》，25(9), 569597。2020 年12 月11 日检索。来自https://onlinelibrary.wiley.com/doi/abs/10.1002/rob.20258[2] Held, D.Guilory, D.Rebsamen, B.Thrun, S.Savarese, S. (2016). 空间，A使用时间和语义线索进行实时3D 分割的概率框架Robotics: Science and Systems.DOI: 10.15607/RSS.2016.XII.024 [3] 99 Ti 规则。检索日期：2020 年12 月11 日。来自https://en.wikipedia.org/wiki/Ninety-ninety_rule。 [4] 神话中的人类月亮。检索日期：2020 年12 月11 日。来自https://en.wikipedia.org/wiki/The_Mythical_ManMonth 旧格式。=true #The_mythical_man-month[5] Standley, T. Zamir, A. Chen, D. Guibas, L. Malik, J. Savarese, S. (2020). 应该一起学**的任务- 任务学**。2020 年12 月11 日检索，摘自https://arxiv.org/abs/1905.07553[6] He, X.Zhao, K.Chu, X. (2020). AutoML: A Survey of the State-of-the-Art 。基于知识的系统，106622。2020 年12 月11 日检索。 https://来自www.sciencedirect.com/science/article/abs/pii/S0950705120307516 [7] Szegedy, C. Zaremba, W. Sutskever, I. Bruna, J. Erhan, D. Goodfellow, I. Fergus, R. (2013). 神经网络的有趣特性。arXiv 预印本arXiv:1312.6199。检索于2020 年12 月11 日，来自https://arxiv.org/abs/1312.6199[8] Goodfellow, I. J.Mirza, M.Xiao, D . Courville, A. Bengio, Y. (2013). 基于梯度的神经网络中灾难性遗忘的实证研究. arXiv 预印本arXiv:1312.6211. 2020 年12 月11 日检索。 https://arxiv. org/abs/1312.6211[9] Goodfellow, I. J. Shlens, J. Szegedy, C. (2014). 解释和利用对抗性示例。arXiv 预印本arXiv:1412.6572. 2020 年12 月11 日检索。 https://arxiv.org/更多abs/1412.6572 [10] 融合传感和传感器融合。检索日期：2020 年12 月11 日，https://www.outsight.tech/technology/fused-sensing-vs.-sensor-fusion[11] Feng, D.Harakeh, A.Waslander, S.Dietmayer, K. (2020)。自动驾驶中概率对象检测的回顾和比较研究。arXiv 预印本arXiv:2011.10671。检索于2020 年12 月11 日。来自https://arxiv.org/abs/2011.10671 本文作者： Milton先生，滴滴自动驾驶高级专家算法工程师。参考：

解读2020年自动驾驶：从硬件角度看自动驾驶汽车商业化有哪些难点？-InfoQ，关注我转发这篇文章，获取学**资料~如果想了解更多，也可以访问InfoQ官方网站获取InfoQ最新资讯~

责任编辑：德勤钢铁网 标签：

热门搜索

三级螺纹钢有哪些型号规格？怎么挑

三级螺纹钢和三级抗震的区别是什么

x四代土影黑土腿中间

废文网李鬼分站的安安静静备胎计划

一级二级三级螺纹钢用途有什么区别

2023年新电费收费标准？公布2023年

相关文章

广告
诚聘英才|关于我们|广告服务|合作伙伴|法律声明|征稿启事|网站地图|友链申请
渝ICP备2023009091号-71

钢结构钢钢网是钢铁行业的门户网站，涵盖螺纹钢、钢管、中厚板、型钢、涂镀、优特钢、钢绞线等品种，包含今日钢材价格最新行情走势、今日螺纹钢价格、钢铁市场、钢铁行业分析等信息,为钢企提供最新的钢材价格行情资讯。
免责声明：本站部分信息来自互联网，并不带表本站观点！若侵害了您的利益，请联系我们及时删除！
德勤钢铁网 |市场分析

自动驾驶 感知，自动驾驶进展如何

chanong

|

滴滴感知广泛使用机器学**和深度学**来解决问题，但解决L4自动驾驶感知问题需要的不仅仅是部署前沿的深度学**模型。本文总结了感知能力逐渐进化的三个阶段。我们还分析了以下关键问题对认知带来的挑战：准确表征深度学**模型本身的缺陷、需要融合多个传感器以扬长避短、低延迟要求与有限计算能力之间的冲突以及处理过程中的不确定性困难。最后，对感知领域的未来发展进行了展望。

1、准确感知是无人驾驶汽车算法的基础感知是自动驾驶中相对直观的模块，它根据传感器（激光雷达、摄像头、毫米波雷达等）的信息来了解周围的物体。 ），打印所有流量。下游模块（预测、规划）根据参与者属性（例如位置、速度和大小）执行计算和决策。如果错过了某个物体，车辆就会“失明”。可能造成严重的安全隐患。因此，传感信息的准确性是自动驾驶车辆算法的重要基础。

2、先进感知发展路径自动驾驶的最低要求是能够识别前方物体并避免碰撞。这一要求可以通过LIDAR 来实现，因为它可以准确估计物体的3D 位置并描绘其轮廓。但现实世界不仅仅是静态的�**＠纾诟党【爸校俺档乃俣仁强悸鞘欠窦跛倩蛏渤档闹匾蛩亍Ｍ保泵娑越咏盗镜男腥撕途仓共欢男腥耸保盗镜姆从τ胄腥私厝徊煌５谝唤锥危夯诠嬖虻牡阍品指钏惴ê投韵蟾俪耸侗鹁蔡**锿猓谝唤锥位剐枰侗鸪＜煌ú斡胝撸ǔ盗尽⑿腥恕⒆孕谐担┑睦啾稹⒎较颉⑺俣鹊取Ｗ灾髯龀鼍龆āＴ谏疃妊�**出现之前，可以通过将基于规则的点云分割/分类算法与对象跟踪相结合来创建基本版本。对于现阶段无法有效处理的问题，专家需要设计规则或者专门的算法来处理，但我们很难设计出对应很多场景的规则。

设计人为规则来分隔并排行走的行人是很困难的。

第二阶段：大规模数据标注和深度学**深度学**的出现和发展极大地提高了感知的有效性。当遇到难以用规则处理的识别任务时，可以利用大数据的标注来训练深度学**模型。我们不是依靠专家来设计算法来解决问题，而是从大量数据中提取经验和知识。现阶段，识别算法的设计变得更加数据驱动。通过收集更多数据并设计更好的模型来迭代识别。但深度学**的准确率存在上限，并且存在泛化（非典型样本的表现）和可解释性问题。因此，深度学**并不是自动驾驶场景中唯一的感知组件。第三阶段：可扩展、自学**的长尾数据处理系统第三阶段提供更细粒度的识别、更长尾的识别，比如各种奇怪的推车、地上的塑料袋、行人的更精细的细节问题需求有待解决。 - 细粒度的意图（例如您是否正在打电话）。现阶段，系统需要较强的可扩展性和自学**能力。虽然长尾问题从绝对值来看很小，但解决起来却并不容易。这个难度的特点是99规则。这意味着需要额外90%的时间来解决剩下的10%的问题。理想情况下，长尾问题需要自动流程进入模型框架进行自动学**，而不是简单地依靠人类来改进问题。目前学术界正在探索的多任务学**、AutoML等技术对现阶段的认知发展提供了巨大的刺激。但由于数据的边际效用递减以及下面讨论的深度学**的局限性，行业仍处于探索阶段，还没有特别成熟的想法能够实现系统基于数据不断进化的状态。独自流淌。

长尾问题：铲斗被识别为在卡车上，无需制动。

3. 实现完全无人驾驶面临多重感知挑战1. 深度学**模型的缺陷深度学**模型是有效的，但最先进模型的有效性可能无法满足自动驾驶汽车的感知要求。缺乏概括性、性能和可解释性。许多研究证明深度学**的通用性远不如人类智能。例如，添加人类无法感知的噪声可能会误导模型对结果进行分类。对于稀有数据（比如穿着奇怪衣服的人），深度学**也容易出错。简而言之，深度学**模型只是以严格的方式“记住”他们的训练数据。此外，其内存容量有限，因此在模型训练饱和后学**新样本可能会降低现有功能。如何将深度学**模型和基于规则的白盒算法结合起来，同时保证识别的召回率和有效性，是识别系统面临的重大挑战。考虑到上述缺点，我们不能仅仅依赖深度学**模型。

深度学**模型可能会因为添加人眼无法辨别的噪声而被误解

Perception自建的数据标注系统

2、多种传感器应融合，扬长避短传感器是传感能力的上限，不同的传感器有不同的优点和缺点。激光雷达可以更准确地勾勒出物体的轮廓，并准确捕捉物体的3D位置信息，但它缺乏相机可以捕捉到的丰富的颜色信息，导致很难使用雨、雪或相机来估计3D位置。我对毫米波雷达精度一般，但感应距离较远，可以直接判断物体的前进和后退速度。下图更全面地反映了这些优点和缺点。感知系统必须针对不同的任务使用不同的传感器信息，发挥其优势并避免其弱点。同时，多个传感器的融合也对标定精度和可扩展性提出了更高的要求。

不同传感器的优缺点比较10

3.低延迟要求与有限的计算能力相冲突自动驾驶汽车是实时计算系统，因此无法像Web后端系统那样通过添加服务器来扩展计算能力。同时，车辆系统也存在能耗和散热方面的限制，这间接限制了可用于传感的计算能力。在有限的计算能力下部署复杂的模型会增加感知的输出延迟，从而导致安全风险和各种问题。要获得最佳结果，需要通过模型压缩、神经结构探索和代码优化来更智能地利用有限的计算资源。 4.不确定性难以准确表示和处理。感知的输出是不确定的。对于附近的物体，在没有遮挡的情况下估计相对可靠。另一方面，对于远处的物体，激光雷达标签将有很少的点。而且它的类别和位置还有更多的不确定性。一般来说，需要输出最可靠的类别信息和位置信息，但目前这些信息的不确定性很大，内部和下游识别可以简单地忽略它，这种情况经常发生。为了更好地整合不确定性信息，我们需要从内部和下游模块认知的根源进行更好的思考。

不确定性：例如在严重遮挡的情况下，物体的类别、位置、速度等信息都是不确定的。

4. 一条充满挑战的进步之路在外界看来，自动驾驶汽车识别似乎是一个更简单的问题，但可以使用先进的深度学**模型成功解决。然而，虽然无人驾驶汽车的安全要求非常高，但路测场景千奇百怪，给认知带来了很大的挑战。无人车识别是一个系统工程，需要全面的算法、工程和数据。在算法方面，我们需要根据问题对现有算法进行组合和定制，同时也要跟随学术界和工业界的进展并引入新的想法。从工程角度来看，系统需要能够处理大量数据，同时需要不断改进以减少工程师解决问题所花费的时间。在数据方面，应利用路测数据积累长尾数据理解和评估，同时形成模型-路测-数据标注的闭环，提高数据规模和利用率。对此，我们复用了滴滴现有的成熟基础设施进行二次开发，使我们能够快速建立传感系统。更高层次的要求是自学。当一个系统善于自学**时，只需要数据标注和自动学**，系统就能适应新的环境。目前，当我们将我们的传感系统引入一个环境不断变化的新城市时，我们需要投入人员进行重建和调整。这是一个需要努力的方向，完善的数据和算法架构是关键基础。尽管自动驾驶汽车的识别已经取得了很大进展，但仍然存在许多问题。以上只是一些宏观层面的思考，但细节决定了你的成败。克服每个问题都需要两到三个有经验的人进行专门研究。我们期待自动驾驶汽车未来发展的早期技术突破。

参考文献[1] Montemerlo, M.Becker, J.Bhat, Suhrid.Dahlkamp, H 和Dolgov D.Ettinger, Scott.Haehnel Dirk. (2008). Junior: 斯坦福城市挑战赛入门。 《现场机器人杂志》，25(9), 569597。2020 年12 月11 日检索。来自https://onlinelibrary.wiley.com/doi/abs/10.1002/rob.20258[2] Held, D.Guilory, D.Rebsamen, B.Thrun, S.Savarese, S. (2016). 空间，A使用时间和语义线索进行实时3D 分割的概率框架Robotics: Science and Systems.DOI: 10.15607/RSS.2016.XII.024 [3] 99 Ti 规则。检索日期：2020 年12 月11 日。来自https://en.wikipedia.org/wiki/Ninety-ninety_rule。 [4] 神话中的人类月亮。检索日期：2020 年12 月11 日。来自https://en.wikipedia.org/wiki/The_Mythical_ManMonth 旧格式。=true #The_mythical_man-month[5] Standley, T. Zamir, A. Chen, D. Guibas, L. Malik, J. Savarese, S. (2020). 应该一起学**的任务- 任务学**。2020 年12 月11 日检索，摘自https://arxiv.org/abs/1905.07553[6] He, X.Zhao, K.Chu, X. (2020). AutoML: A Survey of the State-of-the-Art 。基于知识的系统，106622。2020 年12 月11 日检索。 https://来自www.sciencedirect.com/science/article/abs/pii/S0950705120307516 [7] Szegedy, C. Zaremba, W. Sutskever, I. Bruna, J. Erhan, D. Goodfellow, I. Fergus, R. (2013). 神经网络的有趣特性。arXiv 预印本arXiv:1312.6199。检索于2020 年12 月11 日，来自https://arxiv.org/abs/1312.6199[8] Goodfellow, I. J.Mirza, M.Xiao, D . Courville, A. Bengio, Y. (2013). 基于梯度的神经网络中灾难性遗忘的实证研究. arXiv 预印本arXiv:1312.6211. 2020 年12 月11 日检索。 https://arxiv. org/abs/1312.6211[9] Goodfellow, I. J. Shlens, J. Szegedy, C. (2014). 解释和利用对抗性示例。arXiv 预印本arXiv:1412.6572. 2020 年12 月11 日检索。 https://arxiv.org/更多abs/1412.6572 [10] 融合传感和传感器融合。检索日期：2020 年12 月11 日，https://www.outsight.tech/technology/fused-sensing-vs.-sensor-fusion[11] Feng, D.Harakeh, A.Waslander, S.Dietmayer, K. (2020)。自动驾驶中概率对象检测的回顾和比较研究。arXiv 预印本arXiv:2011.10671。检索于2020 年12 月11 日。来自https://arxiv.org/abs/2011.10671 本文作者： Milton先生，滴滴自动驾驶高级专家算法工程师。参考：

解读2020年自动驾驶：从硬件角度看自动驾驶汽车商业化有哪些难点？-InfoQ，关注我转发这篇文章，获取学**资料~如果想了解更多，也可以访问InfoQ官方网站获取InfoQ最新资讯~

市场分析