عدد من الباحثين والمهندسين من بايدو المجموعات المهنية القيادة الذكية (بايدو IDG) هي الأولى في العالم لتحقيق خوارزمية معقدة استنادا ليزر نقطة سحابة دراسة متعمقة للتكنولوجيا تحديد المواقع النفس، مختلفة من تصميم اليدوية التقليدية، ونظام لأول مرة على أساس عمق شبكة التعلم لتحقيق الدقة الانحياز الذاتي تأثير على مستوى سنتيمتر، جعلت من طفرة تكنولوجية كبيرة. وتضمنت الأوراق الفنية المتعلقة بالنظام الدولي أعلى CVPR 2019 سيعقد في مدينة لوس أنجلوس، لونغ بيتش في يونيو من هذا العام.
باعتبارها واحدة من أكثر ذكاء الاصطناعي الاتجاه الهبوط "النواة الصلبة" من الطيار الآلي في الأوساط الأكاديمية والصناعة اجتذبت اهتماما واسعا. وتنفيذ الطيار الآلي لا تجلب سوى عن تغييرات جوهرية في شكل المنتج من السيارات، ونظام تكنولوجيا السيارات وتخريب بنية الصناعة التقليدية، فإنه سيؤدي إلى السفر المستهلك ونمط الحياة، وتغيير التكنولوجيا بطريقة المعلومات والاتصالات والمعلومات والبنية التحتية للنقل. ومع ذلك، مع ارتفاع العائد هو نسبي يصعب تحقيقه. يحتوي نظام الطيار الآلي الكامل لفي توطين النفس (التعريب)، خريطة الطيار الآلي (AD خريطة)، تصور عقبة (الإدراك)، صنع القرار والتخطيط (القرار والتخطيط)، التحكم (تحكم) وحدات.
منذ تحديد المواقع عالية الدقة هي واحدة من التكنولوجيا اللازمة للقيادة الآلية، وL4 و L5 مستوى التيار الحالي من المركبات الذاتية يعتمد بشكل كبير على مجموعة من درجة عالية من الدقة والموثوقية العالية، ونظام تحديد المواقع الذاتي للتكيف مع القدرة على المشهد. النظام يوفر القدرة على نظام الطيار الآلي لتحديد المواقع سنتيمتر الدقة، مع الخريطة على الطيار الآلي، لا سيارة يمكن قراءة المعلومات المخزنة في خريطة البيئة وفقا لموقفهم في البيئة، وهذه الخريطة المخزنة مسبقا البيانات الواردة في بيئة المعلومات، بما في ذلك إشارات المرور، مشاة، وخطوط حارة، حدود الطريق، وقوف السيارات والمركبات غير المأهولة الأخرى التي تحتاج إلى، مع هذه المعلومات، المركبات غير المأهولة التحايل بذكاء الحاجة إلى تحقيق دقة عالية من بيئة الإنترنت معلومات مشكلة النظرة إلى النظام، والحد بشكل كبير من صعوبة فنية من المركبات غير المأهولة، المستحيل.
وفي الوقت نفسه، باعتبارها واحدة من جوهر وحدات من دون طيار نظام تحديد المواقع سيارة إذا كان هناك مشاكل، وسوف يسبب أي انحراف ضرب القيود وغيرها من حادث سيارة مأساوي. في هذه الورقة، وطرح الخبراء الفنيين من بايدو إلى الأمام مجموعة جديدة من القائم ليزر نقطة سحابة دراسة متعمقة للتكنولوجيا تحديد المواقع الذاتي لتحقيق دقة تحديد المواقع على مستوى سنتيمتر، ولها قدرة أفضل على التكيف مع التغير البيئي.
الرابط: الشبكي: //songshiyu01.github.io/pdf/L3Net_W.Lu_Y.Zhou_S.Song_CVPR2019.pdf
الخلاصة: اقترح بايدو نقطة المواقع تقنية التعلم السحابية القائمة على تفكيك طريقة تحديد المواقع التقليدية، وذلك باستخدام عمق لاستبدال شبكات التعلم التقليدية وجوانب مختلفة من الخطوات. هذا البرنامج هو في جميع أنحاء العالم، والصناعة الأولى في التعلم عمق سحابة نقطة شبكة الليزر لإيجاد حل لمشكلة توطين الطيار الآلي الذاتي باستخدام العمل المباشر.
من أجل التحقق من فعالية الخوارزمية، بينما خطط بايدو لفتح مجموعة من مجموعة البيانات الإجمالية حوالي 380km في منصة أبولو، ويحتوي على مجموعة البيانات ورسم الخرائط، والتدريب، واختبار ثلاث مجموعات فرعية، تشمل الطرق والطرق الداخلية والحدائق العامة وغيرها عالية السرعة الحد الأقصى للوقت بين المشاهد، والخرائط، وفترة اختبار مجموعة من السنة. على مجموعة البيانات، وبايدو خوارزمية التحقق من المزايا فيما يتعلق بالطرق التقليدية. حاليا، تم قبول ورقة بحثية عن الرؤية الحاسوبية سيتصدر CVPR 2019.
مقدمة
وكما نعلم جميعا، تكنولوجيا التعلم عميقة في السنوات الأخيرة في مختلف مجالات الذكاء الاصطناعي وحقق نتائج لافتة، والضرب البشر الذهاب بطل الشطرنج لاعب AlphaGo هو جعل عامة الناس وقد شعرت بعمق قوة اختراق التكنولوجيا AI أحدثتها. ومع ذلك، وجدنا أيضا أن عمق المشكلة قد حل بكثير من الدراسة الحالية، التي تركز على الحاجة إلى فهم وتحليل والقاضي والمشاكل البشرية أخرى حددت تجريبيا. على سبيل المثال، في مجال الرؤية الحاسوبية، والتعلم العميق في حل تجزئة صورة، تصنيف الصور، الكشف عن وجوه وغيرها من القضايا حققت نتائج جيدة جدا. ومع ذلك، وفئات أخرى مسألة مهمة، مثل قياس وواسعة وإعادة الإعمار ثلاثي الأبعاد للهندسة وغيرها من القضايا ذات الصلة، على الرغم من أن الفرد قد أحرز بعض التقدم، ولكن دراسة متعمقة العام لم تحقق بعد اختراقا حاسما في المجالات ذات الصلة. بدون طيار مشكلة مركبة التعريب الذاتي هو ممثل نموذجي من هذا النوع من المشاكل، الحاضر، سواء من الجامعات لعمالقة الصناعة، وألمع اللاعبين من دون طيار التكنولوجيا موقع السيارة أيضا لم تطبق بنجاح تقنيات التعليم سابقة العمق. ومع ذلك، فإن التجربة التاريخية تخبرنا أنه بمجرد أن التعلم القائم على التكنولوجيا في مجال الذكاء الاصطناعي لحل جعلت مشكلة التقدم اختراق، تطور هذه التقنية في كثير من الأحيان سيل لا يمكن وقفها من إمكانات سريعة وكبيرة وراء تصميم اليدوية التقليدية في الأبعاد المختلفة لمؤشرات الأداء الخوارزمية، والمعايير الفنية صناعة جديدة.
كما تم تحديد المواقع وحدة الطيار الآلي الأساسية قضية ساخنة، يتم وضع التقليدية سحابة نقطة الفن الليزر السابقة كما هو مبين في النصف العلوي من الشكل 1، الذي يضم تحتوي على وحدة استخراج الميزة، ميزة التصفح وتحسين توقيت، الخوارزمية المدخلات في الوقت الحقيقي تتألف من سحابة نقطة ليزر، ومخطط التنبؤ بموقع الأولية من بالقصور الذاتي موقف استشعار المواقع والموقف، والناتج النهائي هو نتيجة بعد تحديد المواقع خوارزمية تشكل الأمثل. أفكار الإنسان وأساليب لتجد طريقها البرنامج بأكمله هو في الواقع مشابهة للغاية، ونحن عادة الحكم ويتحقق موقفهم من خلال عدد من المباني التاريخية التقليدية. إلا أن النتائج لتحديد المواقع مركبة غير مأهولة بحاجة موقف سنتيمتر الدقة وزاوية الدقة موقف الفرعية مراحل لضمان مركبة غير مأهولة يمكن استخراج بدقة المعلومات اللازمة من الخريطة الطيار الآلي. على الرغم من إحراز المخطط أعلاه من أفضل النتائج لتحديد المواقع الحالية، ولكن تصميم هذا اصطناعية خوارزميات لاستخراج ميزة والمطابقة، حساسة جدا للتغيرات في البيئة. بيئة المعلومات نفسها (على سبيل المثال، والمعالم، وعلامات، وما إلى ذلك) لا يمكن أن يكون القبض على الأكثر ذكاء وحيوية وبيئة متغيرة باستمرار من أجل تحقيق تقدير متانة عالية من موقفها مع دقة عالية، اعتمادا على شدة التغير البيئي في الممارسة خريطة الموقع يتطلب تطبيقات التحديث متكررة، وهذا سيجلب ارتفاع التكاليف.
بايدو المخطط المقترح هو مبين في الشكل النصف السفلي 1، يتم تنفيذ التحول من قبل كل عملية في الطريقة التقليدية باستخدام أنواع مختلفة من بنية الشبكة، استنادا إلى عمق حققت رائدة تقنيات التعلم مركبة غير مأهولة من تكنولوجيا تحديد المواقع ليزر: L3 الصافي.
1 وفقا للطريقة التقليدية من العمليات التقنية FIG المقارن L3-نت، شبكات L3-نت PointNet استخدام استخراج الميزة، ميزة مطابقة 3D CNNs وتحسين الشبكة، شبكة RNNs الاستخدام النهائي للتسهيل على توقيت الانتهاء.
وفقا لمضمون ورقة، اقترحت بايدو المتقدمة يتجسد الحل في المجالات التالية:
يعرض في هذه الصناعة لأول مرة على الطيار الآلي دراسة متعمقة من حلول تكنولوجيا تحديد المواقع عن النفس، موقف والموقف من السيارة يمكن تقديرها بدقة، وحققت نتائج سنتيمترا دقيقة لتحديد المواقع.
استخدام مختلف هياكل الشبكة تفكيك استبدال التقليدية نقطة تكنولوجيا الليزر والعمليات سحابة تحديد المواقع في سلسلة موحدة التدريب وتمكين شبكة لاستكمال الانترنت الغيوم نقطة ليزر لتحديد المواقع المهام مع نهاية إلى نهاية.
يحتوي الإصدار القادم مجموعة من الطرق في المناطق الحضرية، الطريق الحديقة وسرعة عالية وغيرها من السيناريوهات المعقدة لكامل طول 380km من مجموعات البيانات المشتركة لنفس الاختبار الخوارزمية، إثراء المحتوى المفتوح أبولو بايدو منصة مفتوحة.
طريقة
جعل بايدو استنادا إلى دراسة معمقة لنظام تحديد المواقع الليزر يتطلب الليزر نقطة سحابة خريطة الموقع بنيت قبل، خط ليزر الغيوم نقطة ويتوقع أن تطرح نفسها بوصفها مدخلا الاستشعار بالقصور الذاتي. حيث السحابة نقطة ليزر مدمجة مسبقا غير متواجد حاليا خريطة الموقع بيانات نقطة رسم الخرائط خوارزمية سحابة المكتسبة في نفس المنطقة الانصهار متعددة سحابة نقطة باستخدام ميزة خوارزميات الاعتراف قضاء على دينامية التي تم الحصول عليها. نقطة السحابية هي جهاز خط رادار ليزر مثبت على عربة مستقلة المكتسبة في عملية نقل العودية، وتشكل توقع نتيجة تحديد المواقع عن طريق إضافة بالقصور الذاتي استشعار أو مركبة نموذج الحركة تقدير الحركة الإضافية يتم تنفيذ. وعموما، فإن إطار تحديد المواقع عن طريق مطابقة نقطة سحابة يقلل المسافة وخريطة خط الأمثل للحصول تشكل توقع نتيجة تحديد المواقع. بشكل عام، لا حاجة لتحديد إخراج وحدة مركبة ست درجات من وقفة الحرية، بما في ذلك الترجمة (x، y، z) في اتجاه ثلاثة محاور تنسيق (س، ص، ض) وثلاثة تنسيق محاور دوران (زاوية الملعب زاوية لفة، والتوجه زاوية)، ولكن نظرا لأجهزة الاستشعار بالقصور الذاتي توفر عموما دقيقة نسبيا الملعب وزاوية لفة المعلومات، وعندما (س، ص) عندما يمكن عادة الحصول على تقدير دقيق لارتفاع ض من الخريطة. ولذلك، فإن التيار الحالي في الموقع المصير تصميم نظام تقدير 2D عموما الترجمة الأفقية (x، y) وزاوية العنوان، كما استغرق L3-نت تصميم مماثل.
الهندسة المعمارية شبكة المواقع النفس L3-صافي التعلم ليزر مقرها من FIG 2 بايدو المقترحة. يتم تدريب الشبكة على مرحلتين، المرحلة الأولى تتضمن فقط جزء التدريب السهم الأسود، بما في ذلك اختيار نقطة حرجة، واستخراج ميزة ومطابقة روائي يعتمد 3D CNNs؛ ومرحلة التدريب الثانية تحتوي على بعض الأسهم الزرقاء، ومرحلة التدريب وتشمل شبكة RNNs توقيت نحو سلس.
على وجه التحديد، اقترح بايدو L3-نت هو مبين في الشكل الخوارزمية. لكل سحابة نقطة خط الإطار، الحاجة إلى إيجاد مجموعة من النقاط الرئيسية، وهو النقطة الرئيسية كمركز للالغيوم نقطة جمع المحلية لاستخراج ملامح من الذي اصفات. استخراج النقاط الرئيسية التي تحتاج إلى النظر في بنية العلاقة بين الهندسة المحلية والعالمية. أولا، وجدت L3-نت كثافة نقطة سحابة بعض النقاط مرشح. يقدر وقت لاحق احتمال خطية من متناثرة، والنظر في نهاية المطاف بعد المميزة الهيكلية بين نقطة مرشح استخراج مفاتيح باستخدام الكلاسيكية 3D نقطة سحابة الخصائص الهيكلية للكل نقطة مرشح. لكل نقطة أساسية، وهذه النقطة سحابة من المعلومات التي تم جمعها في منطقة المحلية، ومن ثم الحصول على واصفات الميزة التي كتبها mini-PointNet هيكل الشبكة. حيث PointNet تأثير مباشر CVPR 2017 المدرجة في هيكل شبكة التعلم اضطراب عمق سحابة نقطة، مصغرة PointNet L3-نت المستخدمة هنا هو نسخة مبسطة لها، يتكون من MLP (متعدد الطبقات المستقبلات، MLP)، و طبقات من ماكس تجميع، والتي تعمل مباشرة على بنية الشبكة يتم تطبيق نقطة المختلين نقطة سحابة سحابة لتحديد المواقع الليزر عالية الدقة / مطابقة مهمة المحاولة الأولى.
بعد الحصول على نقطة المفتاح في واصف ميزة، والحاجة إلى وضع 2D الأفقي (x، y) وحل نتائج زاوية العنوان، وهو ما يعادل حل القيمة المتوقعة جزئية والموقف الحقيقي والتوجه في وضع أفقي والتوجه زاوية تحويل المبلغ. ولمعالجة هذه المسألة، يستخدم L3-نت طريقة البحث، والتنبؤ الموقف والتوجه للمركز (x، y، yaw) منفصلة مساحة دولة ثلاثي الأبعاد، وضع لاتخاذ الدولة حيث مجموعة التكوين ضمن نطاق معين. لسحابة نقطة على الانترنت مفتاح، ويمكن الحصول على حساب مجموعة دولة المواقع في كل سحابة نقطة على الانترنت تعيين النتائج مطابقة حجم التكلفة. ثم تستخدم 3D CNNs لتنظيم عملية حجم التكلفة، ويتم ذلك من أجل قمع القيم الشاذة فيه، لتعزيز تأثير مطابقة. بعد تسوية، سيتم إضافة L3-صافي حجم التكلفة وجميع النقاط الحرجة الحصول على حجم الاحتمال (x، y، yaw) الفضاء عن طريق وضع طبقة softmax، وبالتالي المقدرة (x، y، yaw) نتائج تحديد المواقع.
بعد الحصول على سحابة نقطة لكل نتيجة وضع الإطار، L3-صافي نموذج السيارة الشبكة الحركة LSTM غرار باستخدام العلاقة توقيت المواقع النتائج رفع المواقع التي تم الحصول عليها تظهر أن أكثر سلاسة التجربة وتحديد المواقع أكثر دقة وتحديدا.
الغيوم نقطة الليزر L3-صافي عمق التعلم نظام تحديد المواقع على أساس المقارنة مع النتائج الأنظمة الأخرى في FIG 3.
FIG 4 L3-الناتج الصافي من كل مرحلة تصورات شبكة لتحديد المواقع. الأعمدة حجم التكلفة حيث يمثل كل عمود مباريات النقطة الرئيسية، حيث كل العروض التوالي حالة من زاوية العنوان، ووضع أفقي من كل صورة تمثل تكلفة التوزيع. في دمج جميع النقاط الحرجة من حجم التكلفة معا، يمكن أن ينظر إليه استجابة مطابقة تعزز إلى حد كبير. النهائية المقدرة نتيجة تحديد المواقع (0.538m، 0.993m، 1.001 درجة) من مجموعة البيانات وتحديد المواقع من قيمته المقابلة الحقيقة (0.524m، 0.994m، 1.044 درجة) في أقصى اليمين تظهر العمود.
ملخص
لتحديد المواقع الذاتي للطيار، وضعت بايدو قدما مجموعة من القائم ليزر نقطة سحابة دراسة متعمقة من خوارزمية التعريب الذاتي. بايدو باستخدام أنواع مختلفة من بنية الشبكة من الطريقة التقليدية لاستبدال الوحدات الوظيفية، تضم عدد وافر من المشاهد والتحقق من مدى زمني المرور ومجموعات البيانات على نطاق واسع خوارزمية النتائج تحقيق دقة على مستوى سنتيمتر. يتضمن مجموعة البيانات الطرق والحدائق وغيرها من الطرق عالية السرعة وتحدي المشهد الطريق، والبيانات الطول الكلي من 380km، على وشك فتح في منصة بايدو أبولو.
