北京治白癜风最好的医院 https://wapyyk.39.net/bj/zhuanke/89ac7.html

导读：

本文由佐思汽车研究授权发布，作者为周彦武。

在”影子模式，是不是被“神化”了？“中，我们介绍了目前主流筛选极端工况数据的方法，探讨到企业在用时还要考虑自身的情况，并不是影子模式适合所有企业。本文从有无激光雷达真值的角度谈影子模式的价值~

图片来源：互联网上图为有人拍到一辆搭载Luminar激光雷达的特斯拉ModelY，一般自动驾驶公司会用林肯MKZ混动改装做原型车，因为有AutonomouStuff公司专业改装线控车辆，显然这是特斯拉自己用的，这当然不是特斯拉要上激光雷达了，这是做数据采集的，激光雷达产生真值即GroundTruth，没有激光雷达就没有真值。目前深度学习简单分为两种，一种是强监督学习，主要用做识别，即采集数据，标注数据，训练获得权重模型，然后再推理时导入权重模型，对目标识别分类。还有一类是还停留在学术研究的概念阶段，即端到端的深度学习，也有叫无监督学习。年以前丰田和英伟达在这个领域研究颇多，目前几乎完全看不到。图片来源：互联网上图英伟达年的端到端深度学习无人驾驶框架，只有一个输入，就是方向盘转角，这种方法有明显缺点，首先，这是个彻底的黑盒子，也就是没有可解释性，没有可解释性就意味无法迭代，因为你不知道为什么这个场景下表现好，那个场景下表现不好。无法迭代意味着跑多少公里，安全性舒适性都不会有提升。其次，没有真值，所谓真值就是标准答案，对这种端到端的方式来说，真值就是不出错的驾驶，而人类驾驶员是不可能做到不出错。英伟达当时也只是浅尝辄止，人类驾驶行为，包括速度和转向角，单一个转向角根本不够。物体识别的强监督学习勉强可看做灰盒子，数据覆盖面越广，识别的类型就可能越多，而端到端是彻底的黑盒子，它知其然，不知其所以然，它只是概率预测（深度学习里最重要的置信度）。无论是强监督学习还是端到端的深度学习，特斯拉或者说任何一家没有真值生成的车辆无论跑多少亿公里，都不会对感知能力或智能驾驶能力有丝毫提升。智能驾驶中目标分类或者说识别是深度学习的主要应用领域，但智能驾驶中，传感器不仅要识别目标，还要探测目标的边框或者叫BoundingBox。自动驾驶则需要更高级的3D目标检测，3D目标检测需要同时实现目标定位和目标识别两项任务。其中，通过比较预测边框和GroundTruth边框的重叠程度(IntersectionoverUnion,IoU)和阈值(e.g.0.5)的大小判定目标定位的正确性；通过置信度分数和阈值的比较确定目标识别的正确性。如果仅仅是识别目标，那么真值就是正确的标注（Label或Annotation），这个标注只是判断目标是哪一类物体，无论是L2还是L4，单纯识别目标毫无价值，都需要进一步探测目标信息，比如目标与自车的距离。这就需要激光雷达的真值，只有激光雷达的物理测量法才能做真值，才能做标准答案。没有激光雷达，自然就没有真值，这样的数据对L2或L4都没有多少价值。三位年轻俊才，年就开始研究自动驾驶数据集图片来源：互联网如何构建一个智能驾驶数据集，我们以全球最权威的KITTI为例，KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前全球公认的自动驾驶领域最权威的测试数据集，也是最早的。尽管已经过去10年，但众多智能驾驶算法公司评估算法优劣无一例外都是在KITTI上打榜。该数据集用于评测立体图像(stereo)，光流(opticalflow)，视觉测距(visualodometry)，3D物体检测(objectdetection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能。KITTI包含市区、乡村和高速公路等场景采集的真实图像数据，每张图像中最多达15辆车和30个行人，还有各种程度的遮挡与截断。整个数据集由对立体图像和光流图，39.2km视觉测距序列以及超过k3D标注物体的图像组成，以10Hz的频率采样及同步。总体上看，原始数据集被分类为‘Road’、‘City’、‘Residential’、‘Campus’和‘Person’。对于3D物体检测，label细分为car,van,truck,pedestrian,pedestrian(sitting),cyclist,tram以及misc组成。采集车的双目摄像头基线长54厘米，车载电脑为英特尔至强的XCPU，RAID54TB硬盘。采集时间是年的9月底和10月初，总共大约5天。主要内容如下：下图为Kitti的数据采集车。图片来源：互联网主要传感器型号如下表：OXTS，即OxfordTechnicalSolutions，脱胎自牛津大学，成立自年。RT传感器就是一个中级惯性传感器，记录一个完整的三维运动和动力学轮廓与GNSS+惯性传感器融合。提供平滑、健壮和可重复的实时输出，具有低延迟。完全集成的高档MEMSIMU和RTK能力的GNSS接收器记录了一个全面的测量列表，包括位置、速度、加速度和方位。集成6轴导弹级MEMSIMU，Hz刷新频率，L1/L2RTK精度:0.02m/0.1?即使GPS信号丢失，RT仍然能通过内部的惯性传感器来继续输出数据。可以通过轮速计等装置，校正位置漂移，在2分钟正常行驶的条件下，位置误差不会大于5米。内部的ADC转换，20bit分辨率，加速度测量的分辨率是0.12mm/s2(12μg)。ADC转换模拟量输入，采用圆锥/划船（coning/sculling）运动补偿算法来避免信号的混淆。价格据说接近百万人民币（仅供参考，任何直接或间接引用与本文无关），目前有第三代RT和更高级的RT，频率为Hz。国内为降低成本，采用分体，即将GNSS和IMU分离，典型的如百度的NovAtelSPANProPak6GNSS接收机和NovAtelIMU-IGM-A1。天线一般是GPSNovAtelGPS--GGG-HV。顺便说一句，这需要杠杆臂测量做标定，偏移量误差在1厘米之内。这一套参考价格大约25万人民币（仅供参考，任何直接或间接引用与本文无关）。图片来源：互联网上表为相机参数，现在最少都是万像素起，有些是万像素。激光雷达是64线激光雷达，想必大家已经很熟悉了，无需介绍了。图片来源：互联网什么需要这么多传感器和IMU？Kitti的数据集格式图片来源：互联网标注文件的readme.txt文件图片来源：互联网该文件存储于objectdevelopmentkit(1MB)文件中，readme详细介绍了子数据集的样本容量，label类别数目，文件组织格式，标注格式，评价方式等内容。从中我们可以看出IMU主要是为了保证数据的时间戳一致，建立统一的坐标系，包括全部坐标系和局部坐标系。高精尖传感器是为了提供参考数值，即GroundTruth。图片来源：互联网上图是通用汽车自动驾驶研发小组在年开发的自动真值生成系统即AGT，顺便说一下这个研发小组主要活动在以色列，如今应该并入Cruise了。上图才是真正的数据驱动型智能驾驶。图片来源：互联网通用的数据采集车以及与KITTI的对比，这个将64线激光雷达放在车头，显然有点危险，万一追尾，几十万美元就没了。车辆位姿预测离不开高精度IMU。图片来源：互联网光流的真值对比，最糟糕的情况下，误差近60%。图片来源：互联网图片来源：互联网更不要说专业的数据采集系统需要百万元级人民币硬件，以及更为昂贵的数据采集软件系统。在目前的深度学习方法中，参数的调节方法依然是一门“艺术”，而非“科学”。深度学习方法深刻地转变了人类几乎所有学科的研究方法。以前学者们所采用的观察现象、提炼规律、数学建模、模拟解析、实验检验、修正模型的研究套路被彻底颠覆，被数据科学的方法所取代：收集数据、训练网络、实验检验、加强训练。这也使得算力需求越来越高。机械定理证明验证了命题的真伪，但是无法明确地提出新的概念和方法，实质上背离了数学的真正目的。这是一种“相关性”而非“因果性”的科学。人类的智慧来自好奇心也就是发现问题，这是机器永远无法做到的，因为它永远不可能有好奇心，所谓人工智能永远只能停留在二次元空间。

END

入群申请

无人车情报局交流群开放喽~自动驾驶、高精度定位、高精度地图和ADAS四类技术交流群欢迎大家申请。备注“姓名-公司/学校/单位-职位/专业”将会优先审核通过哦~预览时标签不可点收录于合集#个上一篇下一篇
转载请注明:http://www.aideyishus.com/lktp/813.html