自动驾驶汽车,无人驾驶

自动驾驶汽车如何做决策

自动驾驶汽车利用传感器看见世界。但是它们如何处理通过传感器获得的数据呢?

自动驾驶汽车利用传感器看见世界。但是它们如何处理通过传感器获得的数据呢?
 
用行业术语来说,问题的关键在于感知,即在行驶过程中,自动驾驶汽车处理和识别道路数据(从街道标识到行人,乃至周围交通环境)的能力。借助AI的强大功能,自动驾驶汽车能够实时识别周围环境并对其做出反应,从而保证车辆的安全行驶。
 
自动驾驶汽车利用一系列称为深度神经网络(DNN)的算法来实现感知功能。
 
DNN并不是要求汽车遵循一系列人工编写的功能,比如“看到红灯就停车”,而是使汽车能够利用自身传感器获得的数据学习如何实况行驶。
 
这些数学模型的运行方式受到人类大脑的启发,都是通过经验进行学习。如果DNN接收到不同情况下多种停车标识的图像,它就可以根据经验学会自己识别停车标识。
 
自动驾驶汽车安全行驶的两个关键:多样性和冗余
 
但是,仅依靠一种算法是无法独立完成工作的。为了实现安全的自动驾驶,一整套DNN不可或缺。在整套DNN中,每个DNN需要完成特定的任务。
 
这些网络是多样的,从阅读道路标识,识别交叉路口到检测行驶路径,它们涵盖了所有功能。同时这些网络也是冗余的,因为它们的功能有所重叠,所以能够最大限度地降低出现故障的可能性。
 
自动驾驶对于所需DNN的数量没有固定标准。新功能层出不穷,DNN的列表也随之不断增长变化。
 
在实况驾驶中,必须实时处理独立DNN所生成的信号。为了实现这一目标,一个集中且高性能的计算平台不可或缺,例如NVIDIA DRIVE AGX。
 
以下是NVIDIA用于自动驾驶汽车感知的一些核心DNN。
 
拓路者
 
帮助汽车确定行驶区域并规划前方安全路径的DNN:
 
OpenRoadNet能够识别汽车周围所有可行驶的空间,无论是汽车所在车道还是邻近车道。
 
PathNet即使在没有车道标记的情况下,也能突出标记车辆前方的可行驶路径。
 
LaneNet能够检测车道线和其他规定汽车行驶路径的标记。
 
MapNet也可以识别车道和地标,并用于创建和更新高清地图。
 
具有路径寻找功能的DNN协同工作为自动驾驶汽车制定安全的行驶路线。
 
道路物体检测与分类
 
能够检测潜在路障、交通信号灯及标识的DNN:
 
DriveNet能够感知道路上的其他车辆、行人、交通灯和标识,但无法识别灯光的颜色以及标识的类型。
 
LightNet能够对交通灯的颜色状态进行分类–红色、黄色或绿色。
 
SignNet能够识别标志的类型–停止,让行,单行道等。
 
WaitNet能够检测必须停车等待的情况,例如十字路口。
 
其他功能
 
能够检测汽车及驾驶舱零部件状态,以及使操作更加便捷(如停车)的DNN:
 
ClearSightNet能够监测汽车摄像头传感器的可见度,检测限制可见度的状况,如雨,雾和阳光直射。
 
ParkNet能够识别可用的停车位。
 
以上这些只是构成冗余和多样化DRIVE软件感知层的深度神经网络示例。

好文章,需要你的分享

文章来源:自动驾驶之家 / 文章作者:自动驾驶之家
声明:本文来源“自动驾驶之家”作者“自动驾驶之家”,版权归作者所有,不代表自动驾驶之家官方立场。转载请注明出处、作者和文章链接,如果有侵权,请联系删除。
收藏