默认
发布时间
热度
原创
精华
#优质创作者#大盘点！自动驾驶中基于Transformer的单目BEV感知
原创 精华
热门内容榜 • TOP7基于多视角摄像头的3D目标检测在鸟瞰图下的感知（Bird'seyeviewPerception,BEVPerception)吸引了越来越多的注意力。一方面，将不同视角在BEV下统一与表征是很自然的描述，方便后续规划控制模块任务；另一方面，BEV下的物体没有图像视角下的尺度(scale)和遮挡(occlusion)问题。如何优雅的得到一组BEV下的特征描述，是提高检测性能的关键。量产级自动驾驶需要可扩展的三维世界推理。当自动驾驶汽车和其他交通代理在道路上移动时，...自动驾驶BEV感知特斯拉#优质创作者#面向交通场景的无标定BEV表示（清华&北航）
原创摘要在基础设施上进行有效的BEV目标检测可以极大地改善交通场景理解和车辆到基础设施（V2I）的协作感知。然而，安装在基础设施上的摄像机具有各种位姿，以前的BEV检测方法依赖于精确的标定，由于不可避免的自然因素（例如，风和雪），这在实际应用中很困难。本文提出了一种无标定BEV表示（CBR）网络，该网络实现了基于BEV表示的3D检测，而无需标定参数和额外的深度监督。具体地说利用两个多层感知器在框诱导的前景监督下将特征...自动驾驶BEV感知交通#创作者#又快又好！DFR-FastMOT：基于传感器融合多目标跟踪思路
原创 精华 热门内容榜 • TOP4摘要持久多目标跟踪（MOT）允许自动驾驶车辆在高度动态的环境中安全导航。MOT中的一个众所周知的挑战是当目标在后续帧中变得不可观察时的目标遮挡。当前的MOT方法将目标信息（如目标的轨迹）存储在记忆中，以在遮挡后恢复目标。然而，它们保留了短期记忆，以节省计算时间并避免减慢MOT方法。因此，在某些遮挡场景（特别是长遮挡场景）中，它们会丢失对目标的跟踪。本文提出了DFRFastMOT，这是一种轻型MOT方法，它使用来自相机和...目标跟踪自动驾驶#优质创作者#2023 年，真正的自动驾驶离我们还有多远？
原创 精华
社区头条2023年自动驾驶有多远的概念有点大，不如我们来谈谈其具体的级别和关键技术，小伙伴自有判断目前各大传统主机厂处在L2.5的驾驶辅助阶段，但是一些自动驾驶互联网公司甚至达到L3L4级别，虽然消费者急于体验L3L4L5级别自动驾驶的汽车，保持L2的水准部分是安全的考虑。尤其是自动驾驶汽车是经过感知这个基石来实现，其中在场景语义分割、三维重建、目标检测、相机模型和标定、目标跟踪方面要获得一定的突破。个人从工程师角度来说...自动驾驶感知场景分割三维重建目标检测#优质创作者# Lite DETR：一种用于高效DETR的交错多尺度编码器
原创 精华摘要最近基于DEDetectionTRansformer（DETR）的模型已经获得了显著的性能。如果不在编码器中重新引入多尺度特征融合，它的成功就无法实现。然而，多尺度特征中过度增加的标记，特别是对于大约75%的低级别特征，在计算上效率很低，这阻碍了DETR模型的实际应用。本文提出了LiteDETR，这是一种简单而高效的端到端目标检测框架，可以有效地将检测头的GFLOPs减少60%，同时保持99%的原始性能。具体而言，论文设计了一个高效的编码器块...自动驾驶DETRTransformer#优质创作者#新能源汽车中的新技术，尤其是激光雷达的原理和选择
原创 精华 热门内容榜 • 最近上榜作为将安全放在第一位的消费者，如果你不是特别懂摄像头、激光雷达、毫米波雷达、超声波雷达、传感器等技术和原理，如果预算充足，尽量去选择带有激光雷达+毫米波雷达+摄像头+超声波雷达辅助的车型，其中超声波雷达主要是自动泊车相关，现在一般发布的车型都有，而激光雷达作为科技含量较高的产品，将其展开叙述。关于当下热门的激光雷达，它分类有固态、混合激光雷达，目前ET7上就搭载。最早是奥迪A8上采用6线激光雷达，准备向...ADAS环境感知自动驾驶激光雷达#优质创作者#反向传播与梯度下降详解
原创 精华 热门内容榜 • 最近上榜【本文正在参加优质创作者激励计划】一，前向传播与反向传播1.1，神经网络训练过程神经网络训练过程是：1.先通过随机参数“猜“一个结果（模型前向传播过程），这里称为预测结果$a$；2.然后计算$a$与样本标签值$y$的差距（即损失函数的计算过程）；3.随后通过反向传播算法更新神经元参数，使用新的参数再试一次，这一次就不是“猜”了，而是有依据地向正确的方向靠近，毕竟参数的调整是有策略的（基于梯度下降策略）。以上步骤...反向传播算法随机梯度下降算法#优质创作者# 深度学习基础-机器学习基本原理
原创 精华 热门内容榜 • 最近上榜【本文正在参加优质创作者激励计划】本文大部分内容参考《深度学习》第五章机器学习基础，但从中抽取重要的知识点，并对部分概念和原理加以自己的总结，适合当作原书的补充资料阅读，也可当作快速阅览机器学习原理基础知识的参考资料。前言深度学习是机器学习的一个特定分支。我们要想充分理解深度学习，必须对机器学习的基本原理有深刻的理解。大部分机器学习算法都有超参数（必须在学习算法外手动设定）。机器学习本质上属于...机器学习正则化深度学习降维算法#优质创作者# 神经网络基础部件-卷积层详解
原创 精华 热门内容榜 • 最近上榜【本文正在参加优质创作者激励计划】前言在全连接层构成的多层感知机网络中，我们要通过将图像数据展平成一维向量来送入模型，但这会忽略了每个图像的空间结构信息。理想的策略应该是要利用相近像素之间的相互关联性，将图像数据二维矩阵送给模型中学习。卷积神经网络(convolutionalneuralnetwork，CNN)正是一类强大的、专为处理图像数据（多维矩阵）而设计的神经网络，CNN的设计是深度学习中的一个里程碑式的技术。在Transform...卷积层卷积神经网络池化层60多篇BEV算法你都知道吗？2023最新环视自动驾驶3D检测综述！
原创 精华 热门内容榜 • 最近上榜摘要基于视觉的3D检测任务是感知自动驾驶系统的基本任务，这在许多研究人员和自动驾驶工程师中引起了极大的兴趣。然而，使用带有相机的2D传感器输入数据实现相当好的3DBEV（鸟瞰图）性能并不是一项容易的任务。本文对现有的基于视觉的3D检测方法进行了综述，聚焦于自动驾驶。论文利用VisionBEV检测方法对60多篇论文进行了详细分析，并强调了不同的分类，以详细了解常见趋势。此外还强调了文献和行业趋势如何转向基于环视图像的...自动驾驶BEV感知目标检测3D检测#优质创作者# 随机梯度下降法的数学基础
原创【本文正在参加优质创作者激励计划】梯度是微积分中的基本概念，也是机器学习解优化问题经常使用的数学工具（梯度下降算法）。因此，有必要从头理解梯度的来源和意义。本文从导数开始讲起，讲述了导数、偏导数、方向导数和梯度的定义、意义和数学公式，有助于初学者后续更深入理解随机梯度下降算法的公式。大部分内容来自维基百科和博客文章内容的总结，并加以个人理解。导数导数（英语：derivative）是微积分学中的一个概念。...随机梯度下降微积分梯度梯度下降导数#优质创作者# 深度学习基础-网络层参数初始化详解
原创【本文正在参加优质创作者激励计划】本文内容参考资料为《智能之门神经网络与深度学习入门》和《解析卷积神经网络》两本书，以及部分网络资料，加以个人理解和内容提炼总结得到，文中所有直方图的图片来源于参考资料3。一，参数初始化概述我们知道神经网络模型一般是依靠随机梯度下降优化算法进行神经网络参数更新的，而神经网络参数学习是非凸问题，利用梯度下降算法优化参数时，网络权重参数的初始值选取十分关键。首先得明确...参数初始化He 初始化#优质创作者#神经网络基础部件-BN层详解
原创【本文正在参加优质创作者激励计划】一，数学基础1.1，概率密度函数随机变量（randomvariable）是可以随机地取不同值的变量。随机变量可以是离散的或者连续的。简单起见，本文用大写字母$X$表示随机变量，小写字母$x$表示随机变量能够取到的值。例如，$x1$和$x2$都是随机变量$X$可能的取值。随机变量必须伴随着一个概率分布来指定每个状态的可能性。概率分布（probabilitydistribution）用来描述随机变量或一簇随机变量在每一个...BN 层正态分布#优质创作者#神经网络基础部件-激活函数详解
原创【本文正在参加优质创作者激励计划】本文分析了激活函数对于神经网络的必要性，同时讲解了几种常见的激活函数的原理，并给出相关公式、代码和示例图。一，激活函数概述1.1，前言人工神经元(ArtificialNeuron)，简称神经元(Neuron)，是构成神经网络的基本单元，其主要是模拟生物神经元的结构和特性，接收一组输入信号并产生输出。生物神经元与人工神经元的对比图如下所示。从机器学习的角度来看，神经网络其实就是一个非线性模型...激活函数RELU激活函数sigmoid#优质创作者# 深度学习基础-优化算法详解
原创【本文正在参加优质创作者激励计划】前言所谓深度神经网络的优化算法，即用来更新神经网络参数，并使损失函数最小化的算法。优化算法对于深度学习非常重要，如果说网络参数初始化（模型迭代的初始点）能够决定模型是否收敛，那优化算法的性能则直接影响模型的训练效率。了解不同优化算法的原理及其超参数的作用将使我们更有效的调整优化器的超参数，从而提高模型的性能。本文的优化算法特指:寻找神经网络上的一组参数$\theta$，...深度学习优化器SGDAdam#优质创作者# 深度学习基础-损失函数详解
原创【本文正在参加优质创作者激励计划】本文总结分类和回归任务的常用损失函数，比如重点解析了交叉熵损失函数的由来，并给出详细计算公式和、案例分析、代码，同时也描述了MAE和MSE损失函数，给出了详细的计算公式、曲线图及优缺点。一，损失函数概述大多数深度学习算法都会涉及某种形式的优化，所谓优化指的是改变$x$以最小化或最大化某个函数$f(x)$的任务，我们通常以最小化$f(x)$指代大多数最优化问题。在机器学习中，损失函数...损失函数深度学习基于激光雷达的3D实时车辆跟踪
3D多目标跟踪算法是智能车辆感知算法的重要组成部分，现有跟踪算法多与检测算法耦合以提高精度，导致算法实时性不足。针对此问题，本文中提出一种基于激光雷达的3D实时车辆跟踪算法。首先，对于激光雷达检测结果杂波较少的工况，提出结构精简的双波门GNN关联算法，有效提升其关联速度及精度；其次，优化关联向量与关联距离，既保证了算法的普适性，又提升其跟踪精度；最后，针对3D目标运动情况使用3DIMM⁃KF算法解决了3D机动目...激光雷达#优质创作者#自动驾驶中的毫米波雷达原理、作用、优劣势
原创 社区头条 热门内容榜 • 最近上榜自动驾驶的核心是环境感知和定位→决策规划→执行控制，其中感知系统作为自动驾驶的根基，通过摄像头、激光雷达、毫米波雷达、超声波雷达、传感器来实现视觉与微波的感知，达到对驾驶环境的识别与监测的效果，比如对路段上的行人、车辆、天气条件等重要的信息进行获取和算法分析，除此以外，不仅能将道路上的障碍物、拐弯、坑洞、绕道情况等信息进行识别，还可以识别交通状况中常规的路线标志、信号灯、限速、事故等，尤其是能...环境感知毫米波雷达自动驾驶#优质创作者# 【AAAI'22】基于八叉树的点云压缩大范围上下文模型
原创 社区头条 热门内容榜 • 最近上榜【本文正在参加优质创作者激励计划】[toc]【AAAI2022】OctAttention:OctreebasedLargescaleContextsModelforPointCloudCompressionhttps:arxiv.orgpdf2202.06028v2.pdfOctAttention采用八叉树对点云进行编码，并利用八叉树中兄弟节点和祖先节点(大范围)的信息，通过自注意力模型（Transformer那一套东西）对八叉树各个节点进行概率建模以进行进一步的熵编码。方法模型架构OctAttention的架构如图：图中的八叉树有$K4$个级别，各...LiDAR点云一文尽览 | 自动驾驶中光流的应用、挑战和改进
原创 精华摘要：光流估计是自动驾驶应用中的一个研究热点。许多优秀的光流估计方法已经被提出，但在常见的挑战性场景中进行测试时，它们会变得错误（erroneous）。尽管鱼眼相机在自动驾驶中的近场传感(nearfieldsensing)应用越来越多，但关于强透镜畸变（stronglensdistortion）的光流估计的文献非常有限。因此，本文提出并评估训练策略，以改善基于学习的光流算法，通过利用具有光流groundtruth的唯一现有鱼眼数据集。在用合成数据进行...自动驾驶光流估计环境感知ADAS
