广告
NVIDIA自动驾驶实验室：AI如何帮助自动驾驶汽车理解交叉口
2020-06-15 21:30:17· 来源：NVIDIA英伟达企业解决方案
自动驾驶实验室这是NVIDIA DRIVE Labs自动驾驶实验室系列视频的第二十集，在上一集中我们讲了主动学习如何优化夜间行人检测。在自动驾驶实验室系列视频中，我们
自动驾驶实验室
这是NVIDIA DRIVE Labs自动驾驶实验室系列视频的第二十集，在上一集中我们讲了主动学习如何优化夜间行人检测。在自动驾驶实验室系列视频中，我们将以工程技术为重点的视角关注实现自动驾驶汽车的各个挑战以及NVIDIA DRIVE AV软件团队如何应对这些问题。
任务：
感知交叉口
方法：
AI
交叉口是常见的道路特征，无论是社区中的四向停车，还是在布满交通信号指示的多车道交汇口。
考虑到驾驶途中遇见交叉口的频率、多样性和风险（美国超过50％的严重事故都发生在交叉路口或附近），能够准确地进行交叉口导航对自动驾驶汽车来说至关重要。
自动处理交叉口给自动驾驶汽车带来了一系列的复杂挑战。其中包括能够在交叉口等候线或人行横道上准确停下来，在各种情况下正确处理和理解交通规则，拥有辨识并正确执行各种操作的能力，例如直行穿过交叉口，以及在非保护交叉口转弯。
在之前的NVIDIA自动驾驶实验室系列视频中，我们演示了如何使用WaitNet DNN检测交叉口、交通信号灯和交通标志，以及如何使用LightNet和SignNet DNN对交通信号灯状态和交通标志类型进行分类。
在本期视频当中，我们将进一步展示NVIDIA如何借助AI来感知自动驾驶汽车在日常驾驶中可能遇到的各种交叉口结构。
手动绘制地图
早前，自动驾驶汽车会依靠一个交叉口及其周围区域的高清3D语义地图，来了解该路口的结构，并创建安全的导航路径。
人工贴标签是创建此类地图的主要工作，这个过程需要对所有可能相关的十字路口结构特征进行手工编码，例如十字路口进/出线和分隔线的位置，所有交通信号灯或标志的位置，以及每个方向有多少条车道。交叉口场景越复杂，需要手动标注的工作量就越繁重。
这种方法有个重要的限制，就是缺乏可扩展性。在自动驾驶汽车进行导航之前，需要把世界上每个交叉口手动贴上标签，这将给数据收集、标签和成本带来不可估量的挑战。
另一个挑战在于临时场景，例如施工区域。由于这些场景的临时性质，无论将它们标进地图还是不标记都会变得十分复杂。
而我们的方法更类似于人类的驾驶方式。人们借助实时感知而不是地图来了解路口结构并进行交叉口导航。
针对交叉口的结构化方式
我们的算法扩展了WaitNet DNN预测交叉口结构的能力，并把这些交叉口结构视为我们称之为“关节”的点集合。正如人体通过关节的连接来做出动作一样，我们通过将交叉口结构的关节连接到车辆需遵循的路径中，来实现自动驾驶车辆的正确行驶。
图1展示了基于DNN进行的交叉口结构预测。如图所示，我们可以检测交叉口结构特征并将其分为不同类别。例如，测试车辆和现场其他车辆的交叉口的入口和出口点，以及人行横道的入口和出口。
图1.交叉口结构预测。红色=测试车辆的十字路口进入等待线；黄色=其他车辆的十字路口进入等待线；绿色=交叉口出口线。在此图中，绿线表示测试车辆从最左侧车道到达交叉口时可能驶出交叉口的所有可能方式。具体来说，它可以继续直行、左转或掉头。
我们的DNN不会分割图像轮廓，而是能够区分不同车道的交叉口入口和出口点。这个方法的另一个主要好处是，针对遮挡和部分遮挡的交叉口结构预测更具可靠性，并且能够预测绘制的和推断的交叉口结构线。
图1的交叉口关键点也可以连接到用于导航交叉口的路径中。通过连接交叉口的出入点，可以预测测试车辆的运动路径和轨迹。
我们的实时感知具有可扩展性，无需人工标记便可处理各种类型的交叉口。它也能够与拥有高质量数据的地图信息相结合，创建用于处理复杂路口的多样性和冗余。
在即将发布的DRIVE Software版本中，开发人员可以将基于DNN的交叉口结构感知功能作为WaitNet DNN的添加进行使用。
这是NVIDIA DRIVE Labs自动驾驶实验室系列视频的第二十集，在上一集中我们讲了主动学习如何优化夜间行人检测。在自动驾驶实验室系列视频中，我们将以工程技术为重点的视角关注实现自动驾驶汽车的各个挑战以及NVIDIA DRIVE AV软件团队如何应对这些问题。
任务：
感知交叉口
方法：
AI
交叉口是常见的道路特征，无论是社区中的四向停车，还是在布满交通信号指示的多车道交汇口。
考虑到驾驶途中遇见交叉口的频率、多样性和风险（美国超过50％的严重事故都发生在交叉路口或附近），能够准确地进行交叉口导航对自动驾驶汽车来说至关重要。
自动处理交叉口给自动驾驶汽车带来了一系列的复杂挑战。其中包括能够在交叉口等候线或人行横道上准确停下来，在各种情况下正确处理和理解交通规则，拥有辨识并正确执行各种操作的能力，例如直行穿过交叉口，以及在非保护交叉口转弯。
在之前的NVIDIA自动驾驶实验室系列视频中，我们演示了如何使用WaitNet DNN检测交叉口、交通信号灯和交通标志，以及如何使用LightNet和SignNet DNN对交通信号灯状态和交通标志类型进行分类。
在本期视频当中，我们将进一步展示NVIDIA如何借助AI来感知自动驾驶汽车在日常驾驶中可能遇到的各种交叉口结构。
手动绘制地图
早前，自动驾驶汽车会依靠一个交叉口及其周围区域的高清3D语义地图，来了解该路口的结构，并创建安全的导航路径。
人工贴标签是创建此类地图的主要工作，这个过程需要对所有可能相关的十字路口结构特征进行手工编码，例如十字路口进/出线和分隔线的位置，所有交通信号灯或标志的位置，以及每个方向有多少条车道。交叉口场景越复杂，需要手动标注的工作量就越繁重。
这种方法有个重要的限制，就是缺乏可扩展性。在自动驾驶汽车进行导航之前，需要把世界上每个交叉口手动贴上标签，这将给数据收集、标签和成本带来不可估量的挑战。
另一个挑战在于临时场景，例如施工区域。由于这些场景的临时性质，无论将它们标进地图还是不标记都会变得十分复杂。
而我们的方法更类似于人类的驾驶方式。人们借助实时感知而不是地图来了解路口结构并进行交叉口导航。
针对交叉口的结构化方式
我们的算法扩展了WaitNet DNN预测交叉口结构的能力，并把这些交叉口结构视为我们称之为“关节”的点集合。正如人体通过关节的连接来做出动作一样，我们通过将交叉口结构的关节连接到车辆需遵循的路径中，来实现自动驾驶车辆的正确行驶。
图1展示了基于DNN进行的交叉口结构预测。如图所示，我们可以检测交叉口结构特征并将其分为不同类别。例如，测试车辆和现场其他车辆的交叉口的入口和出口点，以及人行横道的入口和出口。
图1.交叉口结构预测。红色=测试车辆的十字路口进入等待线；黄色=其他车辆的十字路口进入等待线；绿色=交叉口出口线。在此图中，绿线表示测试车辆从最左侧车道到达交叉口时可能驶出交叉口的所有可能方式。具体来说，它可以继续直行、左转或掉头。
我们的DNN不会分割图像轮廓，而是能够区分不同车道的交叉口入口和出口点。这个方法的另一个主要好处是，针对遮挡和部分遮挡的交叉口结构预测更具可靠性，并且能够预测绘制的和推断的交叉口结构线。
图1的交叉口关键点也可以连接到用于导航交叉口的路径中。通过连接交叉口的出入点，可以预测测试车辆的运动路径和轨迹。
我们的实时感知具有可扩展性，无需人工标记便可处理各种类型的交叉口。它也能够与拥有高质量数据的地图信息相结合，创建用于处理复杂路口的多样性和冗余。
在即将发布的DRIVE Software版本中，开发人员可以将基于DNN的交叉口结构感知功能作为WaitNet DNN的添加进行使用。
广告
广告
编辑推荐
最新资讯
-
直播｜革新汽车仿真：探索 VI-grade 2025.1
2024-11-05 16:03
-
用于高压电池测试的加速度计
2024-11-05 14:44
-
卡特彼勒新一代240吨电动矿卡投入使用
2024-11-05 14:43
-
[法规] 欧盟发布重型车辆事件数据记录仪（E
2024-11-05 14:43
-
城无界野无疆 柴油混动火星9越野版曝时尚越
2024-11-05 12:02
广告
广告
