WaiMen   发表于 2019-4-23 15:49:55 |栏目:


百度无人车实现全球首个基于深度学习的激光点云自定位技术  最新资讯 155204mp1h1gpi1zy7ph9p
数名来自百度智能驾驶古迹群组(Baidu IDG)的研究员和工程师们实现了环球首个基于深度学习的激光点云自定位技术,差别于传统的人工计划的复杂算法,该体系首度基于深度学习网络实现了高精度厘米级的自定位效果,取得了告急的技术突破。该体系的相干技术论文收录在本年 6 月份在美国洛杉矶长滩市举行的国际顶会 CVPR 2019。

作为人工智能最「硬核」的落地方向之一,主动驾驶在学术界和工业界引起了广泛关注。主动驾驶的实现不光将带来汽车产品形态的根本性变革、颠覆传统汽车技术体系和产业格局,还将引发消耗者出行和生活方式、信息技术和通讯方式、信息和交通根本办法的变革。然而与高回报成正比的则是实现难度。完整的主动驾驶体系包罗了自定位(Localization)、主动驾驶地图(AD Map)、障碍物感知(Perception)、决议和规划(Decision and Planning)、控制(Control)等模块。

高精度自定位是实现主动驾驶的须要技术之一,现在主流的 L4 及 L5 级别的主动驾驶汽车高度依靠一套高精度、高可靠性、强场景适应本领的自定位体系。这套体系为主动驾驶体系提供了高精度厘米级的定位本领,共同上主动驾驶地图,无人车就可以根据自身处于环境中的位置来读取预存在地图中的环境信息,这些预存在地图里的数据包罗了包罗红绿灯、人行横道、车道线、蹊径界限、停车位等各种无人车所需要的环境信息,借助这些信息,无人车奥妙地规避了需要实现一个高正确度的在线环境信息感知体系的难题,大幅低沉无人车的技术难度,变不可能为可能。

同时,作为无人车的核心模块之一,定位体系一旦出现题目,会造成无人车跑偏撞路肩等劫难性事故。在此论文中,来自百度的技术专家们提出了一套全新的基于深度学习的激光点云自定位技术方案,实现了厘米级的定位精度,同时有着更好地对环境变革的适应本领。

百度无人车实现全球首个基于深度学习的激光点云自定位技术  最新资讯 155204vrdulc5lbfhuzlm5

择要:百度提出了一种基于学习的点云定位技术,该技术对传统的定位方法进行拆解,使用深度学习网络来取代传统的各个环节和步调。该方案是环球范围内,业界首次通过使用直接作用于激光点云的深度学习网络来管理主动驾驶的自定位题目。

为了验证算法的有效性,同时百度计划在 Apollo 平台开放一组总计约 380km 的数据集,该数据集包罗了制图、练习、测试三个子集,涵盖了城市蹊径,园区内部蹊径以及高速等多种场景,地图和测试集之间的最长时间跨度达一年。在该数据集上,百度验证了其算法相对于传统方法的上风。现在,该研究论文已被计算机视觉领域顶会 CVPR 2019 收录。

弁言

众所周知,深度学习技术比年来在各个人工智能领域都取得了令人瞩目的成绩,降服人类围棋冠军棋手的 AlphaGo 更是令平常大众都深刻感受到了 AI 技术突破带来的威力。然而,我们同时发现深度学习现在可以良好管理的题目,主要集中在需要理解、分析、判定等人类根据经验定义的题目。例如,在计算机视觉领域,深度学习在管理图像分割、图像分类、物体检测等题目都取得了非常良好的效果。但是,对于另一大类告急的题目,例如和丈量测距、三维重建等相干的几何题目,虽有个别工作取得了肯定进展,但总体来说深度学习尚未在相干领域取得决定性的突破。无人车自定位题目则是这类题目的一个典范代表,现在无论从高校到行业巨头,各路玩家的无人车自定位技术也都还没有乐成应用深度学习技术的先例。然而,汗青的经验告诉我们,一旦基于学习的技术在管理某个人工智能题目领域取得突破性的进展,这种技术演进的洪流通常会以势不可挡之势在各个性能指标维度敏捷大幅超越传统人工计划的算法,成为新的行业技术尺度。

定位作为主动驾驶的根本模块之不停是研究的热门题目,现有传统的激光点云定位技术如图 1 上半部门所示,此中包罗包罗了特性提取、特性匹配和时序优化等模块,整个算法的输入包罗及时在线激光点云,定位地图以及来自惯性传感器的初始猜测的定位位置和姿态,末了的输出则是定位算法优化之后的位姿效果。整体方案的思绪和人类认路的方法其实是高度近似的,我们平常也是通过一些典范的地标修建物等实现对自身位置的判定。差别的是,无人车的定位效果需要厘米级的位置精度以及亚角度级的姿态精度来包管无人车可正确地从主动驾驶地图中提取须要的信息。尽管上述方案已经取得了当前最佳的定位效果,但是这类人工计划的算法进行特性提取和匹配时,对环境的变革非常敏感。在不停动态变革的环境中无法最智能地捕获环境中不变的信息(例如,地标、路牌等)从而实现对自身位置的高精度高鲁棒性的估计,取决于环境变革的剧烈程度在实际应用中需要经常对定位地图进行更新,这会带来成本的上升。

百度提出的方案如图 1 下半部门所示,通过将传统方法中的各个流程使用差别类型的网络结构来进行改造,实现了开创性的基于深度学习技术的无人车激光自定位技术:L3-Net。

百度无人车实现全球首个基于深度学习的激光点云自定位技术  最新资讯 155205wcc8eqxe4xe04jcv

图 1 传统方法与 L3-Net 技术流程对比,L3-Net 使用 PointNet 网络实现特性提取,使用 3D CNNs 网络进行特性匹配和优化,终极使用 RNNs 网络完成时序上的平滑。

根据论文内容,百度提出的技术方案的先进性集中体现在以下几个方面:

提出了行业内首个基于深度学习的主动驾驶自定位技术管理方案,可以正确的估计车辆的位置和姿态,取得了厘米级精度的定位效果。

使用差别的网络结构拆解取代传统激光点云定位的技术流程并将其串联起来同一练习,使网络能够以端到端的方式完成在线激光点云定位任务。

即将发布一组包罗城市蹊径、园区蹊径、高速等复杂场景的全长 380km 的通用数据集用于同类算法测试,更进一步充实百度 Apollo 开放平台的开放内容。

方法

百度提出的基于深度学习的激光定位体系需要一个预先创建的激光点云定位地图、在线激光点云以及来惯性传感器的猜测位姿作为输入。此中预建的激光点云定位地图是通过离线制图算法对多次收罗的同一区域的点云数据进行融合,并使用点云辨认算法剔除动态地物得到。在线点云是由主动驾驶车辆上安装的激光雷达设备在行驶过程中收罗获得,而猜测位姿则由上一帧定位效果加上惯性传感器或者车辆运动模子估计的增量运动来进行递推。总的来说,这个定位框架通过最小化在线点云和地图的匹配隔断,优化猜测位姿从而获得定位效果的。一般来说,无人车需要定位模块输出六个自由度位姿,包罗三个坐标轴(x, y, z)方向上的平移(∆x,∆y,∆z)以及三个坐标轴上的旋转(俯仰角,翻滚角和航向角),但是由于惯性传感器通常可以提供相对正确的俯仰和翻滚角信息,而当(x,y)估计正确时,高程 z 通常可以从地图中获取。因此,在现在主流的自定位体系计划中一般只估计 2D 程度平移(∆x,∆y)和航向角,L3-Net 也接纳了类似的计划。

百度无人车实现全球首个基于深度学习的激光点云自定位技术  最新资讯 155205doodzojqjkoozd2c

图 2 百度提出的基于学习的激光自定位网络架构 L3-Net。该网络通过两个阶段进行练习,第一阶段练习只包罗了黑色箭头部门,包罗关键点选择、特性提取以及基于 3D CNNs 的特性匹配;第二阶段练习包罗了青色箭头的部门,这一阶段练习包罗了用于时序平滑的 RNNs 网络。

具体来说,百度提出的 L3-Net 算法流程如图 2 所示。对于每一帧在线点云,需要找到一系列的关键点,并以关键点为中心的收集局部点云块从中提取特性形貌子。关键点的提取需要同时思量局部和全局的几何结构关系。L3-Net 起首使用点云的密度找到了一些候选点。接着对每个候选点使用经典点云 3D 结构特性估计其线性和散乱性的概率,终极综合思量候选点之间的隔断及其结构特性选取出关键点。对于每个关键点,该方法收集了其局部范围内的点云信息,再通过 mini-PointNet 网络结构得到特性形貌子。此中 PointNet 是 2017 年 CVPR 收录的直接作用于无序点云的深度学习网络结构,L3-Net 这里使用的 mini-PointNet 是其简化版本,由一个多层感知机(Multi-Layer Perceptron, MLP) 和一个 Max-Pooling 层构成,这也是直接作用于无序点云的网络结构应用于高精度激光点云定位/匹配任务的首次尝试。

在获得了关键点的特性形貌子后,需要对 2D 程度位置(∆x,∆y)和航向角效果进行求解,这等价于求解猜测位姿和真值在程度位置和航向角上的偏移量。针对这个题目,L3-Net 接纳了搜索的方法,对猜测位姿为中心的(∆x,∆y,∆yaw)三维状态空间进行离散化,取此中肯定范围内的定位状态构成聚集。对于在线点云中的一个关键点,通过计算聚集中每种定位状态下在线点云与地图的匹配效果可以获得的 cost volume。接着使用 3D CNNs 对 cost volume 进行正则化操纵,如许做是为了抑制此中的异常值,提拔匹配效果。正则化后,L3-Net 将全部关键点的 cost volume 相加并通过 softmax 层得到(∆x,∆y,∆yaw)定位空间的 probability volume,进而估计出(∆x,∆y,∆yaw)的定位效果。

在得到了每帧点云定位效果后,L3-Net 通过 LSTM 网络对车辆的运动模子进行建模,使用定位的时序关系提拔定位效果,实行表明获得了更加平滑和正确的定位效果。

百度无人车实现全球首个基于深度学习的激光点云自定位技术  最新资讯 155206gvsgx5ob9o52i5xz

图 3 基于深度学习的 L3-Net 激光点云定位体系与其他体系对比的效果。

百度无人车实现全球首个基于深度学习的激光点云自定位技术  最新资讯 155206oe1l38exvuamccvl

图 4 L3-Net 定位网络各阶段输出化的可视化效果。Cost Volume 栏中每一列表现一个关键点的匹配情况,此中每一行表现一种航向角状态,每个图片表现程度位置的 cost 分布。在把全部关键点的 cost volume 归并到一起后,可以看到匹配响应显著加强。终极估计的定位效果(0.538m, 0.993m, 1.001 度)和其对应的来自数据集的定位真值(0.524m, 0.994m, 1.044 度)在最右栏展示。

总结

针对主动驾驶中的自定位题目,百度提出了一套基于深度学习的激光点云自定位算法。百度使用差别类型的网络结构对传统方法中的各功能模块进行替换,并在一个包罗多种场景路况和大尺度时间跨度的数据集上验证了算法效果,实现了厘米级的定位精度。该数据集包罗了城市蹊径、园区蹊径和高速等多种富有挑战的路况场景,数据总里程达 380km,即将在百度 Apollo 平台开放。

回复
凝链下载站 - 下载导读:
1、不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。如果您喜欢该程序,请支持正版软件购买注册,得到更好的正版服务。本资源如有侵犯您的版权,请联系管理员删除本资源!
2、论坛的所有内容都不保证其准确性,有效性,时间性。阅读本站内容因误导等因素而造成的损失本站不承担连带责任。
3、当政府机关依照法定程序要求披露信息时,论坛均得免责。
4、若因线路及非本站所能控制范围的故障导致暂停服务期间造成的一切不便与损失,论坛不负任何责任。
5、注册会员通过任何手段和方法针对论坛进行破坏,我们有权对其行为作出处理。并保留进一步追究其责任的权利。

回复 显示全部楼层 使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

快速回复 返回顶部 返回列表