


Penyelidikan eksperimen tentang gabungan Radar-Kamera merentas set data di bawah BEV
Tajuk asal: Kajian Eksperimen Cross-Dataset bagi Radar-Camera Fusion dalam Bird's-Eye View
Pautan kertas: https://arxiv.org/pdf/2309.15465.pdf
Gabungan pengarang: Opel Automobile GmbH Rheinland-Pfalzisit Technischeers Landau German Research Centre for Artificial Intelligence
Idea tesis:
Dengan memanfaatkan maklumat penderia pelengkap, radar gelombang milimeter dan sistem gabungan kamera berpotensi untuk menyediakan keupayaan pemanduan yang sangat mantap dan autonomi untuk sistem bantuan pemandu lanjutan fungsi pemanduan autonomi. Kemajuan terkini dalam pengesanan objek berasaskan kamera memberikan kemungkinan baharu untuk gabungan radar gelombang milimeter dan kamera, yang boleh mengeksploitasi peta ciri mata burung untuk gabungan. Kajian ini mencadangkan rangkaian gabungan baru dan fleksibel dan menilai prestasinya pada dua set data (nuScenes dan View-of-Delft). Keputusan eksperimen menunjukkan bahawa walaupun cawangan kamera memerlukan data latihan yang besar dan pelbagai, cawangan radar gelombang milimeter mendapat lebih banyak manfaat daripada radar gelombang milimeter berprestasi tinggi. Melalui pembelajaran pemindahan, kajian ini meningkatkan prestasi kamera pada set data yang lebih kecil. Hasil penyelidikan selanjutnya menunjukkan bahawa kaedah gabungan radar gelombang milimeter dan kamera adalah jauh lebih baik daripada kaedah garis dasar hanya menggunakan kamera atau hanya radar gelombang milimeter
Reka Bentuk Rangkaian:
Baru-baru ini, trend dalam pengesanan sasaran 3D adalah untuk menyepadukan ciri imej Tukar kepada perwakilan Pandangan Mata Burung (BEV) biasa. Perwakilan ini menyediakan seni bina gabungan fleksibel yang boleh digabungkan antara berbilang kamera atau menggunakan penderia julat. Dalam kerja ini, kami melanjutkan kaedah BEVFusion yang asalnya digunakan untuk gabungan kamera laser untuk gabungan kamera radar gelombang milimeter. Kami melatih dan menilai kaedah gabungan kami yang dicadangkan menggunakan set data radar gelombang milimeter terpilih. Dalam beberapa eksperimen, kami membincangkan kelebihan dan kekurangan setiap set data. Akhir sekali, kami menggunakan pembelajaran pemindahan untuk mencapai penambahbaikan selanjutnya
Inilah perkara yang perlu ditulis semula: Rajah 1 menunjukkan carta alir gabungan radar-kamera gelombang milimeter BEV berdasarkan BEVFusion. Dalam imej kamera yang dijana, kami menyertakan hasil pengesanan radar gelombang milimeter yang diunjurkan dan kotak sempadan sebenar
Artikel ini mengikuti seni bina gabungan BEVFusion. Rajah 1 menunjukkan gambaran keseluruhan rangkaian gabungan gelombang milimeter radar-kamera dalam BEV dalam artikel ini. Ambil perhatian bahawa gabungan berlaku apabila tandatangan radar gelombang kamera dan milimeter disambungkan pada BEV. Di bawah, artikel ini memberikan butiran lanjut untuk setiap blok.
Kandungan yang perlu ditulis semula ialah: A. Pengekod kamera dan transformasi pandangan kamera kepada BEV
Pengekod kamera dan transformasi pandangan menerima pakai idea [15], iaitu rangka kerja fleksibel yang boleh mengekstrak luaran kamera sewenang-wenangnya dan Imej BEV ciri parameter dalaman. Pertama, ciri diekstrak daripada setiap imej menggunakan rangkaian Transformer Swin kecil. Seterusnya, kertas kerja ini menggunakan langkah Angkat dan Percikan [14] untuk menukar ciri imej kepada satah BEV. Untuk tujuan ini, ramalan kedalaman padat diikuti oleh blok berasaskan peraturan di mana ciri ditukar menjadi awan titik pseudo, raster dan terkumpul ke dalam grid BEV.
Pengekod Ciri Lajur Radar
Tujuan blok ini adalah untuk mengekod awan titik radar gelombang milimeter ke dalam ciri BEV pada grid yang sama seperti ciri BEV imej. Untuk tujuan ini, makalah ini menggunakan teknologi pengekodan ciri tiang [16] untuk merasterkan awan titik menjadi voxel tinggi tak terhingga, yang dipanggil tiang.
Kandungan yang perlu ditulis semula ialah: C. Pengekod BEV
Sama seperti [5], ciri BEV radar gelombang milimeter dan kamera dicapai melalui gabungan lata. Ciri bercantum diproses oleh pengekod BEV konvolusi bersama supaya rangkaian boleh mempertimbangkan salah jajaran spatial dan mengeksploitasi sinergi antara modaliti berbeza
D Ketua Pengesan
Kertas ini menggunakan kepala pengesan CenterPoint untuk meramal pusat objek setiap haba kelas. peta. Ketua regresi selanjutnya meramalkan saiz, putaran dan ketinggian objek, serta halaju dan sifat kelas nuScenes. Peta haba dilatih menggunakan kehilangan fokus Gaussian, dan kepala pengesan yang lain dilatih menggunakan kehilangan L1
Hasil eksperimen:
Petikan:
Stäcker, L., Heidenreich, P., Rambach, J., & Stricker, D. (2023 "Kajian percubaan set data silang bagi gabungan radar-kamera daripada pandangan mata"). .
Atas ialah kandungan terperinci Penyelidikan eksperimen tentang gabungan Radar-Kamera merentas set data di bawah BEV. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

0. Apakah fungsi artikel ini? Kami mencadangkan DepthFM: model anggaran kedalaman monokular generatif yang serba boleh dan pantas. Sebagai tambahan kepada tugas anggaran kedalaman tradisional, DepthFM juga menunjukkan keupayaan terkini dalam tugas hiliran seperti mengecat kedalaman. DepthFM cekap dan boleh mensintesis peta kedalaman dalam beberapa langkah inferens. Mari kita baca karya ini bersama-sama ~ 1. Tajuk maklumat kertas: DepthFM: FastMonocularDepthEstimationwithFlowMatching Pengarang: MingGui, JohannesS.Fischer, UlrichPrestel, PingchuanMa, Dmytr

DDREASE ialah alat untuk memulihkan data daripada fail atau peranti sekat seperti cakera keras, SSD, cakera RAM, CD, DVD dan peranti storan USB. Ia menyalin data dari satu peranti blok ke peranti lain, meninggalkan blok data yang rosak dan hanya memindahkan blok data yang baik. ddreasue ialah alat pemulihan yang berkuasa yang automatik sepenuhnya kerana ia tidak memerlukan sebarang gangguan semasa operasi pemulihan. Selain itu, terima kasih kepada fail peta ddasue, ia boleh dihentikan dan disambung semula pada bila-bila masa. Ciri-ciri utama lain DDREASE adalah seperti berikut: Ia tidak menimpa data yang dipulihkan tetapi mengisi jurang sekiranya pemulihan berulang. Walau bagaimanapun, ia boleh dipotong jika alat itu diarahkan untuk melakukannya secara eksplisit. Pulihkan data daripada berbilang fail atau blok kepada satu

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

Prestasi JAX, yang dipromosikan oleh Google, telah mengatasi Pytorch dan TensorFlow dalam ujian penanda aras baru-baru ini, menduduki tempat pertama dalam 7 penunjuk. Dan ujian tidak dilakukan pada TPU dengan prestasi JAX terbaik. Walaupun dalam kalangan pembangun, Pytorch masih lebih popular daripada Tensorflow. Tetapi pada masa hadapan, mungkin lebih banyak model besar akan dilatih dan dijalankan berdasarkan platform JAX. Model Baru-baru ini, pasukan Keras menanda aras tiga hujung belakang (TensorFlow, JAX, PyTorch) dengan pelaksanaan PyTorch asli dan Keras2 dengan TensorFlow. Pertama, mereka memilih satu set arus perdana

Saya menangis hingga mati. Dunia sedang membina model besar. Data di Internet tidak mencukupi. Model latihan kelihatan seperti "The Hunger Games", dan penyelidik AI di seluruh dunia bimbang tentang cara memberi makan data ini kepada pemakan yang rakus. Masalah ini amat ketara dalam tugas berbilang modal. Pada masa mereka mengalami kerugian, pasukan pemula dari Jabatan Universiti Renmin China menggunakan model baharu mereka sendiri untuk menjadi yang pertama di China untuk menjadikan "suapan data yang dijana model itu sendiri" menjadi kenyataan. Selain itu, ia merupakan pendekatan serampang dua mata dari segi pemahaman dan sisi penjanaan Kedua-dua pihak boleh menjana data baharu berbilang modal yang berkualiti tinggi dan memberikan maklum balas data kepada model itu sendiri. Apakah model? Awaker 1.0, model berbilang modal besar yang baru sahaja muncul di Forum Zhongguancun. Siapa pasukan itu? Enjin Sophon. Diasaskan oleh Gao Yizhao, pelajar kedoktoran di Sekolah Kecerdasan Buatan Hillhouse Universiti Renmin.

Menghadapi ketinggalan, sambungan data mudah alih perlahan pada iPhone? Biasanya, kekuatan internet selular pada telefon anda bergantung pada beberapa faktor seperti rantau, jenis rangkaian selular, jenis perayauan, dsb. Terdapat beberapa perkara yang boleh anda lakukan untuk mendapatkan sambungan Internet selular yang lebih pantas dan boleh dipercayai. Betulkan 1 – Paksa Mulakan Semula iPhone Kadangkala, paksa memulakan semula peranti anda hanya menetapkan semula banyak perkara, termasuk sambungan selular. Langkah 1 – Hanya tekan kekunci naikkan kelantangan sekali dan lepaskan. Seterusnya, tekan kekunci Turun Kelantangan dan lepaskannya semula. Langkah 2 - Bahagian seterusnya proses adalah untuk menahan butang di sebelah kanan. Biarkan iPhone selesai dimulakan semula. Dayakan data selular dan semak kelajuan rangkaian. Semak semula Betulkan 2 – Tukar mod data Walaupun 5G menawarkan kelajuan rangkaian yang lebih baik, ia berfungsi lebih baik apabila isyarat lemah

Baru-baru ini, bulatan tentera telah terharu dengan berita: jet pejuang tentera AS kini boleh melengkapkan pertempuran udara automatik sepenuhnya menggunakan AI. Ya, baru-baru ini, jet pejuang AI tentera AS telah didedahkan buat pertama kali, mendedahkan misterinya. Nama penuh pesawat pejuang ini ialah Variable Stability Simulator Test Aircraft (VISTA). Ia diterbangkan sendiri oleh Setiausaha Tentera Udara AS untuk mensimulasikan pertempuran udara satu lawan satu. Pada 2 Mei, Setiausaha Tentera Udara A.S. Frank Kendall berlepas menggunakan X-62AVISTA di Pangkalan Tentera Udara Edwards Ambil perhatian bahawa semasa penerbangan selama satu jam, semua tindakan penerbangan telah diselesaikan secara autonomi oleh AI! Kendall berkata - "Sejak beberapa dekad yang lalu, kami telah memikirkan tentang potensi tanpa had pertempuran udara-ke-udara autonomi, tetapi ia sentiasa kelihatan di luar jangkauan." Namun kini,

Minggu ini, FigureAI, sebuah syarikat robotik yang dilaburkan oleh OpenAI, Microsoft, Bezos, dan Nvidia, mengumumkan bahawa ia telah menerima hampir $700 juta dalam pembiayaan dan merancang untuk membangunkan robot humanoid yang boleh berjalan secara bebas dalam tahun hadapan. Dan Optimus Prime Tesla telah berulang kali menerima berita baik. Tiada siapa yang meragui bahawa tahun ini akan menjadi tahun apabila robot humanoid meletup. SanctuaryAI, sebuah syarikat robotik yang berpangkalan di Kanada, baru-baru ini mengeluarkan robot humanoid baharu, Phoenix. Pegawai mendakwa bahawa ia boleh menyelesaikan banyak tugas secara autonomi pada kelajuan yang sama seperti manusia. Pheonix, robot pertama di dunia yang boleh menyelesaikan tugas secara autonomi pada kelajuan manusia, boleh mencengkam, menggerakkan dan meletakkan setiap objek secara elegan di sisi kiri dan kanannya dengan perlahan. Ia boleh mengenal pasti objek secara autonomi
