人工智能趋势编辑John P.Desmond
为了帮助自动驾驶汽车在雨天和其他恶劣天气下安全导航,研究人员正在研究一种新型雷达。
自动驾驶汽车在雨天或雾天时可能难以“看清”,汽车的传感器可能会被雪、冰或倾盆大雨挡住,“阅读”道路标志和道路标记的能力也会受损。
许多自动驾驶汽车依赖激光雷达技术,该技术通过从周围物体反射激光束来在晴朗的日子里提供高分辨率的 3D 图像,但在雾、尘、雨或雪中表现不佳,根据最近的一份报告。报告来自 abc10 加利福尼亚州萨克拉门托市
“现在很多自动驾驶汽车都在使用激光雷达,这些基本上是激光发射并不断旋转,为特定物体创建点,”计算机科学与工程博士 Kshitiz Bansal 说。 加州大学圣地亚哥分校的学生在接受采访时。
该大学的自动驾驶研究团队正在研究一种新方法来提高现有雷达传感器的成像能力,以便他们更准确地预测自动驾驶汽车视野中物体的形状和大小。
“这是一种类似激光雷达的雷达,”加州大学圣地亚哥分校雅各布斯工程学院电气和计算机工程教授 Dinesh Bharadia 说,并补充说这是一种廉价的方法。 “融合激光雷达和雷达也可以用我们的技术完成,但雷达很便宜。 这样,我们就不需要使用昂贵的激光雷达。”
该团队在汽车引擎盖上放置了两个雷达传感器,使系统能够比单个雷达传感器看到更多的空间和细节。 该团队进行了测试,将他们的系统在晴朗的白天和夜晚的性能,然后是雾天模拟,与基于激光雷达的系统进行比较。 结果是雷达加激光雷达系统的性能优于单独的激光雷达系统。
“因此,例如,一辆装有激光雷达的汽车,如果它在雾气很大的环境中行驶,它就无法透过雾气看到任何东西,”班赛德说。 “我们的雷达可以穿越这些恶劣的天气条件,甚至可以穿透雾或雪,”他说。
T他团队使用 毫米波雷达,一种使用短波电磁波来检测物体的距离、速度和角度的雷达版本。
20 个合作伙伴在欧洲致力于 AI-SEE 以将 AI 应用于车辆视觉
增强自动驾驶汽车视觉也是欧洲一个名为 AI-SEE 的项目的目标,该项目涉及初创公司 阿尔戈勒克斯,在三年内与 20 个合作伙伴合作,致力于为大众市场车辆实现 4 级自动驾驶。 根据 Crunchbase 的数据,Algolux 成立于 2014 年,总部位于蒙特利尔,迄今已筹集了 31.8 万美元。
根据最近的一份报告,其目的是建立一个由人工智能支持的新型强大传感器系统,增强了低能见度条件下的车辆视觉,以确保在雪、大雨或雾等所有相关天气和光照条件下安全行驶。 汽车运动.
Algolux 技术采用多传感器数据融合方法,其中获取的传感器数据将通过针对恶劣天气感知需求量身定制的复杂人工智能算法进行融合和模拟。 Algolux 计划在深度学习 AI 算法、来自不同传感器类型的数据融合、远程立体感测和雷达信号处理领域提供技术和领域专业知识。
梅赛德斯奔驰 AG 联盟负责人 Werner Ritter 博士:“Algolux 是世界上为数不多的精通端到端深度神经网络的公司之一,这些网络需要将底层硬件与我们的应用程序分离,”梅赛德斯奔驰股份公司的财团负责人 Werner Ritter 博士说。 “这与公司在恶劣天气下应用其网络实现稳健感知的深入知识一起,直接支持我们在 AI-SEE 中的应用领域。”
该项目将由加拿大国家研究委员会工业研究援助计划 (NRC IRAP)、奥地利研究促进局 (FFG)、芬兰商业部和德国联邦教育和研究部 BMBF 在 PENTA EURIPIDES 标签下共同资助由尤里卡认可。
Nvidia 在其驾驶实验室中研究静止物体
自动驾驶汽车检测周围运动物体的能力至关重要,无论天气状况如何,汽车了解周围物体静止不动的能力也很重要,最近的一项研究表明 博客文章 在 Drive Lab 系列中 Nvidia公司, 对个别自动驾驶汽车挑战的工程研究。 英伟达是一家以其图形处理单元而闻名的芯片制造商,广泛用于开发和部署采用 AI 技术的应用程序。
英伟达实验室正致力于使用人工智能来解决雷达信号处理在区分移动和静止物体方面的缺陷,旨在提高自动驾驶汽车的感知能力。
“我们训练了一个 DNN [深度神经网络] 来检测移动和静止物体,并使用来自雷达传感器的数据准确区分不同类型的静止障碍物,”说 Neda Cvijetic,为英伟达从事自动驾驶汽车和计算机视觉工作; 博文的作者。 在她的职位上工作了大约四年,之前她曾担任特斯拉 Autopilot 软件的系统架构师。
普通雷达处理从环境中的物体反射雷达信号,并分析返回的反射强度和密度。 如果返回足够强和密集的反射群,经典雷达处理可以确定这可能是某种大型物体。 帖子概述,如果该星团也碰巧随时间移动,那么该物体可能是一辆汽车。
虽然这种方法可以很好地推断移动的车辆,但对于静止的车辆可能并非如此。 在这种情况下,对象会产生密集的不移动的反射簇。 经典的雷达处理会将物体解释为栏杆、损坏的汽车、高速公路立交桥或其他物体。 “这种方法通常无法区分哪个,”作者说。
根据维基百科,深度神经网络是一种在输入层和输出层之间具有多层的人工神经网络。 Nvidia 团队训练他们的 DNN 来检测移动和静止物体,并使用来自雷达传感器的数据区分不同类型的静止物体。
具体来说,我们训练了一个 DNN 来检测移动和静止的物体,并使用来自的数据准确区分不同类型的静止障碍物。 雷达传感器。
训练 DNN 首先需要克服雷达数据稀疏问题。 由于雷达反射可能非常稀疏,人类仅从雷达数据中直观地识别和标记车辆实际上是不可行的。 但是,可以使用激光脉冲创建周围物体 3D 图像的激光雷达数据可以补充雷达数据。 “通过这种方式,人工贴标器从激光雷达数据中视觉识别和标记汽车的能力被有效地转移到雷达领域,”作者说。
该方法导致改进的结果。 “有了这些额外的信息,雷达 DNN 能够区分不同类型的障碍物——即使它们是静止的——增加真阳性检测的置信度,并减少误报检测,”作者说。
许多参与部署安全自动驾驶汽车的利益相关者发现自己从各自的有利位置解决了类似的问题。 其中一些努力可能会导致相关软件作为开源提供,以不断改进自动驾驶系统,这是一个共同的兴趣。
阅读源文章和信息 止 abc10 加利福尼亚州萨克拉门托市, 止 汽车运动 并在一个 博客文章 在 Nvidia 的 Drive Lab 系列中。
- 3d
- 账号管理
- 额外
- AI
- 算法
- 应用领域
- 应用领域
- 围绕
- 刊文
- 人工智能
- 汽车
- 自主性
- 自动驾驶汽车
- 自治汽车
- 自主车辆
- 自主车辆
- 自动驾驶仪
- 最佳
- 博客
- 建立
- 商业
- 加州
- 加拿大
- 汽车
- 汽车
- 公司
- 计算机科学
- 计算机视觉
- 信心
- 评议会
- 信用
- 的CrunchBase
- data
- 天
- 深入学习
- 深度神经网络
- 深度神经网络
- 细节
- 研发支持
- 驾驶
- 教育
- 工程师
- 环境
- 欧洲
- 联邦
- 姓氏:
- 硬件
- HTTPS
- 人类
- ICE
- 鉴定
- 图片
- 同步成像
- 产业
- 信息
- 房源搜索
- 意图
- 兴趣
- 专属采访
- 参与
- IT
- 知识
- 大
- 激光器是如何工作的
- 激光器
- 铅
- 学习
- Level
- 水平4
- 处理
- 百万
- 蒙特利尔
- 网络
- 网络
- 神经
- 神经网络
- 神经网络
- 消息
- Nvidia公司
- 打开
- 开放源码
- 操作
- 其他名称
- 伙伴
- 五角
- 性能
- 图片
- 曲目
- 项目
- 提升
- 雷达
- 范围
- 减少
- 思考
- 报告
- 研究
- 成果
- 安全
- 圣
- San Diego
- 学校
- 科学
- 传感器
- 系列
- 共用的,
- 迹象
- 模拟
- 尺寸
- 雪
- So
- 软件
- 太空
- 赞助商
- 州
- 学生
- 补充
- 支持
- 支持
- 系统
- 产品
- 专业技术
- 测试
- 次
- 旅行
- 趋势
- 大学
- 美国加州大学
- 汽车
- 车辆
- 速度
- 查看
- 能见度
- 愿景
- 波浪
- 什么是
- 白皮书
- WHO
- 维基百科上的数据
- 工作
- 合作
- 世界
- 年