近日,计算机视觉与模式识别顶级会议 CVPR 2020 在全球线上开幕了。在一个关于自主驾驶研讨会上,Waymo和Uber专家提出了新研究,用来提高可靠性、安全的自动驾驶系统。
Waymo的首席科学家Drago Anguelov详细介绍了ViDAR,这是一种摄像机和以范围为中心的框架,涵盖场景几何,语义和动态。Uber先进技术集团首席科学家Raquel Urtasun展示了利用车辆间通信进行导航,交通建模等功能的技术。
ViDAR,是Waymo与Google的几个AI实验室之一Google Brain的合作的成果,是从运动中推断出结构。它通过利用运动视差(运动引起的位置变化)从图像序列(即车载摄像机捕获的帧)中学习3D几何形状。给定一对图像和激光雷达数据,ViDAR可以预测未来的摄像机视点和深度数据。
根据Anguelov的说法,ViDAR使用快门定时来解决滚动快门问题,这是一种相机捕获方法,其中场景的所有部分均未同时记录。除了支持多达五个摄像头之外,该缓解步骤还使框架能够避免在较高速度下发生位移,同时提高了精度。
Waymo内部使用ViDAR来提供最新的以相机为中心的深度,例如运动(估计相机相对于场景的运动)和动力学模型。这导致创建了一个模型,该模型可以根据摄像机图像估算深度,并可以预测障碍物(包括行人)的行进方向,以及其他一些进步。
V2网络
优步(Uber)先进技术小组(ATG)的研究人员创建了一个名为V2VNet的系统,该系统使自动驾驶汽车能够通过空中彼此高效地共享信息。使用V2VNet,网络中的汽车交换包含数据集,时间戳和位置信息的消息,使用AI模型补偿时间延迟,并从数据集中智能地仅选择相关数据(例如,激光雷达传感器读数)。
为了评估V2VNet的性能,ATG使用“激光模拟器”系统编译了大型的车-车语义数据库。具体来说,该团队从现实世界的激光雷达扫描中生成了5500个原始的重构(总共进行了46,796个训练和4,404个验证帧),并从多达7辆车的角度进行了模拟。
几个实验的结果表明,与单车相比,V2VNet的错误率低68%。随着网络中车辆数量的增加,性能得到了提高,显示出远处和被遮挡的物体以及高速行驶的汽车“显着”改善。
目前尚不清楚V2VNet是否将在现实世界的汽车中投入生产,但是Uber竞争对手Waymo的无人驾驶克莱斯勒Pacifica小型货车通过双调制解调器无线交换有关危险和路线变更的信息。Waymo的首席技术官Dmitri Dolgov在去年的一次演讲中说:“ [我们的汽车]仍然必须依靠车载计算来处理对安全至关重要的任何事情,但是[5G]将成为加速器。
