Le nombre de chercheurs et d'ingénieurs de Baidu Groupes de carrière d'entraînement intelligente (Baidu IDG) est le premier du monde pour réaliser un algorithme complexe basé sur une étude approfondie des nuages de points laser de la technologie auto-positionnement différent de la conception manuelle traditionnelle, le système pour la première fois en fonction de la profondeur réseau d'apprentissage pour obtenir un effet d'auto-alignement de précision au centimètre près, il a fait des percées technologiques. documents techniques liés au système inclus top CVPR international 2019 aura lieu dans la ville de Los Angeles, Long Beach cette année en Juin.
Comme l'un des plus intelligence artificielle direction « noyau dur » d'atterrissage du pilote automatique dans le milieu universitaire et de l'industrie a attiré une large attention. la mise en uvre Autopilot n'apportera que des changements fondamentaux dans la forme de produits de l'automobile, système de technologie automobile et de subvertir la structure de l'industrie traditionnelle, elle conduira à Voyage à la consommation et style de vie, changer la technologie de l'information de manière et de la communication, l'information et l'infrastructure de transport. Cependant, avec le rendement élevé, il est proportionnel difficile à réaliser. Système complet de pilote automatique contient un module d'auto-localisation (localisation), carte de pilote automatique (AD Carte), la perception des obstacles (perception), la prise de décision et la planification (décision et planification), contrôle (contrôle).
Depuis le positionnement de haute précision est l'une des technologies nécessaires à la conduite automatique, du courant dominant actuel niveau L4 et L5 de véhicules autonomes dépend fortement d'un ensemble de haute précision, une grande fiabilité, système d'auto-positionnement pour adapter à la capacité de la scène. Le système offre la possibilité de système de pilotage automatique de positionnement de précision centimètre, avec la carte sur le pilote automatique, pas de voiture peut lire les informations stockées dans la carte de l'environnement en fonction de leur position dans l'environnement, ce plan de pré-stocké les données contenues dans l'environnement de l'information, y compris les feux de signalisation, passages pour piétons, des lignes de voie, les limites de la route, le stationnement et autres véhicules sans pilote ont besoin, Avec ces informations, les véhicules sans pilote habilement contournées la nécessité d'obtenir une grande précision de l'environnement en ligne informations problème de perception du système, ce qui réduit considérablement la difficulté technique des véhicules sans pilote, l'impossible.
En même temps, comme l'un des modules de base du système de positionnement des véhicules sans pilote s'il y a des problèmes, il ne causera aucun écart vibreurs frappé et autre accident de voiture catastrophique. Dans cet article, les experts techniques de Baidu proposer une nouvelle série d'étude approfondie nuage de points à laser de la technologie auto-positionnement pour obtenir une précision de positionnement centimétrique, et a une meilleure capacité d'adaptation aux changements environnementaux.
Lien: https: //songshiyu01.github.io/pdf/L3Net_W.Lu_Y.Zhou_S.Song_CVPR2019.pdf
Résumé: Baidu proposé point de positionnement basé sur la technique d'apprentissage en nuage pour le démontage méthode de positionnement classique, en utilisant la profondeur pour remplacer les réseaux d'apprentissage traditionnels et divers aspects des étapes. Le programme est dans le monde entier, l'industrie est d'abord dans les nuages d'apprentissage en profondeur du point laser réseau pour résoudre le problème du pilote automatique auto-localisation en utilisant l'action directe.
Afin de vérifier l'efficacité de l'algorithme, alors que les plans de Baidu pour ouvrir un ensemble de jeu de données global d'environ 380 km dans la plate-forme Apollo, l'ensemble de données contient la cartographie, la formation, l'essai trois sous-ensembles, couvrant les routes, les routes internes et des parcs et d'autres à grande vitesse temps maximum entre les scènes, les cartes et la durée de jeu d'essai d'une année. Sur l'ensemble de données, les Baidu algorithme vérifier les avantages par rapport aux méthodes conventionnelles. À l'heure actuelle, le document de recherche a été accepté pour la vision informatique surplombera 2019 CVPR.
introduction
Comme nous le savons tous, la technologie de l'apprentissage en profondeur ces dernières années dans divers domaines de l'intelligence artificielle ont obtenu des résultats remarquables, en battant l'homme joueur d'échecs champion Go AlphaGo est de rendre le grand public ont profondément ressenti la puissance de la percée de la technologie AI provoquée. Cependant, nous avons également constaté que la profondeur du problème pourrait bien résoudre la présente étude, l'accent sur la nécessité de comprendre, d'analyser, de juger et d'autres problèmes humains empiriquement définis. Par exemple, dans le domaine de la vision par ordinateur, l'apprentissage en profondeur dans la résolution de la segmentation de l'image, la classification d'images, détection d'objets et d'autres problèmes ont obtenu de très bons résultats. Cependant, une autre importante catégories de questions, telles que la mesure et allant, la reconstruction en trois dimensions de la géométrie et d'autres questions connexes, même si l'individu a fait des progrès, mais l'étude globale de profondeur n'a pas encore atteint une percée décisive dans les domaines connexes. problème d'auto-localisation du véhicule sans pilote est un représentant typique de ce type de problème, présent, que ce soit des universités aux géants de l'industrie, les plus brillants joueurs de la technologie de localisation des véhicules sans pilote n'a pas non plus été appliquée avec succès les technologies d'apprentissage profondeur précédent. Cependant, l'expérience historique nous apprend que, une fois l'apprentissage technologique dans le domaine de l'intelligence artificielle pour résoudre un problème a fait des progrès révolutionnaire, l'évolution de cette technologie souvent torrent irrésistible du potentiel rapide et grand au-delà de la conception manuelle traditionnelle dans diverses dimensions des indicateurs de performance algorithme, une nouvelle norme technique de l'industrie.
Comme la position du pilote automatique du module de base a été un sujet chaud, nuage de points de laser de l'art antérieur conventionnel est positionné comme représenté sur la moitié supérieure de la Fig. 1, qui comprend contenant l'extraction de caractéristiques, la fonction Module d'optimisation correspondant et de synchronisation, l'algorithme entrée en temps réel, comprenant un nuage de points de laser, et une carte de la position initiale de prédiction de la position de positionnement de capteur inertiel et de la posture, le résultat final est le résultat après le positionnement de l'algorithme d'optimisation de pose. idées humaines et des méthodes pour trouver leur chemin tout le programme est en fait très similaire, nous jugeons généralement leur propre position est assurée par un certain nombre de bâtiments typiques de repère. Sauf que les résultats de positionnement des véhicules sans pilote ont besoin de précision de position centimétrique et sous-étage angle d'attitude de précision pour assurer le véhicule sans pilote peut extraire avec précision les informations nécessaires sur la carte du pilote automatique. Bien que le schéma ci-dessus a été faite des meilleurs résultats de positionnement actuels, mais ces algorithmes de conception artificiels pour l'extraction de caractéristiques et de mise en correspondance, très sensible aux changements dans l'environnement. Le même environnement d'information (par exemple, points de repère, des signes, etc.) ne peut pas être la capture la plus intelligente de l'environnement dynamique et en constante évolution afin d'obtenir l'estimation haute robustesse de sa propre position avec une grande précision, en fonction de la gravité des changements environnementaux dans la pratique carte de localisation nécessite des applications de mise à jour fréquentes, cela apportera la hausse des coûts.
régime de Baidu proposé moitié inférieure de la figure 1, la transformation est effectuée par chaque processus dans le procédé classique utilisant différents types de structure de réseau, en fonction de la profondeur atteinte des techniques d'apprentissage pionnier véhicule sans pilote de technologie de positionnement par laser. L3 -net.
1 et la méthode classique de la figure procédés techniques comparatif L3-Net, les réseaux L3-Net PointNet en utilisant la fonction d'extraction, correspondant fonctionnalité 3D CNNs et d'optimisation de réseau, un RNNs utilisation finale réseau fluide sur le calendrier d'achèvement.
Selon la teneur en papier, la solution proposée Baidu avancées est incarnée dans les domaines suivants:
Présente tout d'abord de l'industrie sur l'étude approfondie du pilote automatique de solutions technologiques auto-positionnement, la position et la posture du véhicule peut être estimée avec précision, et les résultats obtenus le positionnement de précision centimétrique.
Utilisez différentes structures de réseau de démantèlement remplacer la technologie de positionnement de nuage de points laser traditionnels et les processus en série une formation unifiée, ce qui permet au réseau de compléter les nuages de points laser en ligne de positionnement des tâches avec bout à bout.
prochaine version contient un ensemble de routes urbaines, la route du parc, à grande vitesse et d'autres scénarios complexes de 380 kilomètres pleine longueur des ensembles de données communes pour les mêmes tests d'algorithmes, d'enrichir davantage le contenu ouvert plate-forme ouverte Baidu Apollo.
méthode
Baidu effectuée sur la base étude approfondie des systèmes de positionnement par laser nécessite un point laser pré-construit l'emplacement de la carte de trouble, le point laser de ligne nuages et prédit se présenter comme une entrée de capteur inertiel. Le nuage de laquelle le point laser pré-construit est déconnecté Carte de localisation des données de nuages de points de cartographie de l'algorithme acquis dans la même zone plusieurs nuages de points de fusion en utilisant des algorithmes de reconnaissance de caractéristiques éliminer obtenu dynamique. Le point de trouble est un appareil radar à laser de ligne installé sur un véhicule autonome acquise dans le processus de déplacement, la pose prédit un résultat de positionnement par addition de capteur inertiel ou modèle de mouvement véhicule estimation de mouvement incrémental est réalisée récursive. Dans l'ensemble, le cadre de positionnement en faisant correspondre le point de trouble minimise la distance et la carte de ligne, optimisé pour obtenir un résultat de positionnement de pose prédite. En général, pas nécessaire de localiser le module de sortie du véhicule six degrés de liberté de pose, comprenant la traduction (Ax, Ay, Az) dans la direction de trois axes de coordonnées (x, y, z) et les trois axes de coordonnées rotation (angle de tangage, angle de roulis, et la position angulaire), mais en raison de capteurs inertiels fournissent généralement des informations angle de tangage et de roulis relativement précis, et lorsque le (x, y) lors de l'estimation exacte de l'altitude z peut généralement être obtenu à partir de la carte. Par conséquent, le courant dominant dans la conception actuelle du système d'estimation auto-localisation 2D généralement translation horizontale (Dx, Dy) et l'angle de cap, L3-Net a également un design similaire.
architecture réseau autopositionné L3-Net apprentissage laser à base de. La figure 2 Baidu proposés. Le réseau est formé en deux étapes, la première étape ne contient qu'une partie de formation de flèche noire, y compris la sélection du point critique, extraction de caractéristiques et d'appariement d'entités à base de 3D CNNs; une seconde phase de formation contient des flèches bleues, l'étape de formation réseau RNNs comprend une lisse calendrier.
Plus précisément, Baidu L3-Net a proposé algorithme représenté sur la figure. Pour chaque nuage de points de ligne de trame, besoin de trouver une série de points clés, et est un point clé comme le centre d'un nuage de points de collecte locaux à extraire des caractéristiques à partir de laquelle les descripteurs. Extrait points clés que vous devez considérer la structure de la relation entre la géométrie locale et globale. Tout d'abord, la densité du nuage de points L3-Net a trouvé quelques points candidats. Par la suite estimée probabilité linéaire dispersée et, en tenant compte éventuellement sa distance caractéristique structurelle entre le point de candidat extraire les clés à l'aide de caractéristiques structurelles de nuage de points 3D classique de chaque point candidat. Pour chaque point clé, le point de trouble de l'information recueillie dans sa région, puis d'obtenir des descripteurs de fonction par la structure du réseau mini-PointNet. PointNet effet direct où CVPR 2017 inclus dans la profondeur de trouble d'apprentissage structure du réseau point de trouble, d'un mini-PointNet L3-Net utilisé ici est sa version simplifiée, se compose d'un MLP (Perceptron multi-couche, MLP), et une couche Max-pooling, qui agissent directement sur la structure du réseau est un nuage de points du nuage de points désordonné est appliqué à la tâche de positionnement / correspondant à laser de haute précision première tentative.
Après avoir obtenu un point de clé dans le descripteur de caractéristique, la nécessité d'une position horizontale 2D (Ax, Ay) et en résolvant les résultats de l'angle de cap, ce qui correspond à la résolution de la valeur prédite partielle et la position réelle et de l'orientation dans une position horizontale et la position angle déplacer montant. Pour résoudre ce problème, L3-Net utilise une méthode de recherche, la prédiction de la position et l'orientation du centre (Ax, Ay, yaw) discrète espace d'état tridimensionnel, positionnée de manière à prendre un état dans lequel l'ensemble de configuration dans une certaine plage. Pour nuage de points en ligne une clé, peut être obtenue en calculant l'état de positionnement de consigne à chaque nuage de points en ligne carte volume coût des résultats correspondant. 3D CNNs ensuite utilisé pour régulariser le fonctionnement du volume des coûts, cela est fait afin de supprimer les valeurs qui y sont anormales, pour renforcer l'effet correspondant. Après la régularisation, L3-volume net des coûts sera ajoutée et tous les points critiques obtenu le volume de probabilité (DX, DY, yaw) espace en positionnant la couche softmax, et ainsi estimée (DX, DY, yaw) les résultats de positionnement.
Après avoir obtenu le nuage de points de chaque résultat de positionnement du cadre, le mouvement véhicule modèle L3-Net réseau LSTM modélisé en utilisant la relation temporelle des résultats de positionnement de levage de positionnement obtenus montrent que la plus lisse d'expérience et un positionnement plus précis et précis.
nuages de points laser système L3-Net positionnement profondeur d'apprentissage basé sur une comparaison avec les résultats d'autres systèmes de la figure 3.
La figure 4 sortie L3-Net de chaque visualisations du réseau de positionnement de la scène. Coût des colonnes de volume où chaque colonne représente un point clé de correspondances, où chaque ligne représente un état de l'angle de cap, la position horizontale de chaque image représente le coût de la distribution. Dans tous les points critiques du volume des coûts fusionnés ensemble, on peut voir la réponse correspondante nettement améliorée. résultat de positionnement final estimé (0.538m, 0.993m, 1.001 degrés) de l'ensemble de données et le positionnement de sa valeur de vérité correspondante (0.524m, 0.994m, 1.044 degrés) dans le show-colonne de droite.
résumé
Pour l'auto-positionnement du pilote automatique, Baidu a présenté une série d'étude approfondie nuage de points à laser de l'algorithme d'auto-localisation. Baidu en utilisant différents types de structure de réseau du procédé classique pour la substitution des modules fonctionnels, comprenant une pluralité de scènes et de vérifier l'intervalle de temps de trafic et des ensembles de données à grande échelle algorithme résultats atteindre une précision centimétrique. L'ensemble de données comprend des routes, des parcs et d'autres scène de route routes à grande vitesse et remise en question, les données kilométrage total de 380 km, est sur le point d'ouvrir la plate-forme dans Baidu Apollo.
