APOLLO自动驾驶技术沙龙:未来已来,共创智能交通新时代

在这次Apollo会议上,我深刻地感受到了人工智能自动驾驶技术领域的最新进展和未来趋势。作为一名从事软件开发工作的人员,我深感荣幸能够参加这次盛会。

前言

本次活动是百度Apollo社区工程师齐聚首钢Park,带来现场实操与技术分享。主要围绕Apollo新版本的整体介绍、工程技术分享、算法技术分享、工具技术分享,顺便在现场体验了一下百度人工智能相关的产品。我们知道百度在国内做自动驾驶探索还是比较早的。2013年就开始准备,2017年就开始发布相关的版本,到目前差不多已经迭代了12个版本,在Beta中,他们在工程框架、算法和工具三个方向实现了全面升级,使得Apollo在整体操作更加的灵活、功能更加的丰富强大,极大的提升了开发效率和用户体验,助力更多开发者构建自己的自动驾驶系统。

Apollo新版本的整体介绍

1.包管理整体进化,便于二次开发。

之前的历史版本需要全量下载,下载时间比较长,编译时间更久,后来在新版本中对模块组件颗粒度重构以满足不同的智能化场景。使得Apollo整体架构更加清晰,降低新人开发者上手的门槛。

2.统一调度接口。

只需基于接口调度模块,即可实现特定场景的自动驾驶,可短时间完成Demo场景搭建。

3.新增插件机制,降低代码量,减少学习成本。

不用每个代码都看明白,把对应的插件拿过来复用即可。

4.引入全新的模型,检测效果大大提升。

在激光雷达检测方向,采用centerpoint替换了cnnseg模型;相机检测方向,采用yoloX+yolo3d替换了原yolo模型。

5.提供增量训练,以满足多种场景

代码训练完全开源,开发者可独立完成模型训练。

算法技术分享

Beta在Apollo 8.0的基础上对感知算法进行了升级优化,Lidar检测采用了比较新的CenterPoint模型并使用百度百万级数据进行训练,视觉上采用了Yolo X、Yolo 3D模型,检测效果和泛化性都得到了巨大提升,而且还提供了增量训练,支持独立自主进行模型训练。

1.Beta在8.0版本基础上,对算法模型进行了更新升级,同时还在其他方面做了优化。

2.Beta使用百万真实路测数据对CenterPoint进行训练和优化,精度和召回率相较于应用最多的CNNSeg模型提升了20%+,检测能力和泛化能力显著提升。

3.Beta提供了Tensorrt + fp16推理 & Int8推理的功能和教程,在保持模型检测效果前提下,大幅降低了模型的推理耗时和GPU占用,在低算力平台运行可满足实时性要求。

4.Beta开源了CenterPoint的训练代码,新增了以下功能:冻结网络层训练、fp16训练、适配自定义数据集等。开发者可以根据教程,使用公开/自定义数据集快速展开训练,大大降低了用户的训练开发成本,开发者可快速方便地开展模型训练部署、增量训练、Apollo感知赛事等任务。

5.在相机检测方向,视觉感知上我们使用了Yolo X+Yolo 3D两阶段模型替换了原来的Yolo单阶段模型,使得Beta的相机检测更易用、更好用,同时速度更快、效果更好。

工具技术分享

在新版本Beta中,小桥老师对Apollo开发者工具Dreamview进行了一系列的技术升级和功能拓展的讲解,带来了全新的Dreamview+

1.基于模式的多场景——流程更简洁

以感知、PnC等具体开发场景作为模式分类,精简各类模式下的操作步骤,优化使用流程,提升开发效率;

2.基于面板的布局——可视化更灵活

支持自由配置可视化面板的布局、各面板内容以及大小,使开发者能创建符合自身工作流的操作界面;

3.集成云端资源中心——取用更方便

数据资源集中,可便捷管理和迅速取用,同时进一步加强与 Studio 云端资源互动,可一键下载各类资源用于算法测试,包括地图、场景、车辆配置、数据包等,进一步丰富开发者资源库。

4.新人引导与中英切换——上手更轻松

可视化提供使用引导,协助新开发者快速学习操作流程及步骤,降低学习和探索成本;全量功能支持中英切换,降低专业名词理解难度,响应国内外开发者诉求。

总结

自动驾驶技术作为人工智能和汽车工业领域的重要交叉点,尽管在过去几年取得了长足进步,但目前自动驾驶仍然面临着一系列挑战和问题。比如增强传感器技术、改进深度学习算法,并确保车辆与其他交通参与者之间的高效通信让自动驾驶汽车在行驶过程中必须能够准确地感知周围环境,并做出适时的决策,自动驾驶系统需要与乘客进行有效的交互,以传递信息、确认指令或获取意见。设计一个直观且易于理解的人机交互界面,让乘客始终了解车辆的状态,是一个重要的问题。自动驾驶技术在良好天气条件下表现良好,但在恶劣天气下,如雨雪天气,传感器性能可能会受到限制,导致驾驶风险增加。开发能够适应各种天气条件的自动驾驶系统是当前的重要课题。自动驾驶技术尚未完全成熟,仍然面临着多项挑战。但是,随着科技的不断进步和持续投入研发,我们可以预见自动驾驶汽车将成为未来道路交通的重要组成部分,为我们带来更便捷、更安全的出行体验。现场还展示了许多最新的研究成果和产品。其中最引人注目的是自动驾驶汽车展示。这些成果展示了自动驾驶的强大潜力和无限可能性,让我对未来充满了期待。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/200742.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

vs qt widget application 槽函数和信号

1 slot 是对ui控件数据 读取或更新的函数 public slots:void startCountdown();void updateCountdown(); startCountdown 点击ui上的按钮,触发信号signal(按钮默认),执行slot,读取ui数据 updateCountdown 满足条件signal(默认信号),执行slot,更新ui数据 因为要操作ui上的数据所…

编译型语言和解释型语言的区别

编译型语言和解释型语言是两种常见的编程语言类型,它们在代码执行方式和执行效率上存在一些区别。 编译型语言: 编译过程:编译型语言的源代码需要先经过编译器的处理,将其转换为目标平台的机器码或字节码。这个编译过程发生在程序…

Token 和 N-Gram、Bag-of-Words 模型释义

ChatGPT(GPT-3.5)和其他大型语言模型(Pi、Claude、Bard 等)凭何火爆全球?这些语言模型的运作原理是什么?为什么它们在所训练的任务上表现如此出色? 虽然没有人可以给出完整的答案,但…

AWS攻略——VPC初识

大纲 在网络里启动一台可以ssh上去的机器查看区域、VPC和子网创建EC2连接Web端连接客户端连接 知识点参考资料 VPC是在AWS架构服务的基础,有点类似于我们在机房里拉网线和设置路由器等。等这些设施完备后,我们才能考虑给机器部署服务。而很多初识AWS的同…

AI助力智慧农业,基于YOLOv3开发构建农田场景下的庄稼作物、田间杂草智能检测识别系统

智慧农业随着数字化信息化浪潮的演变有了新的定义,在前面的系列博文中,我们从一些现实世界里面的所见所想所感进行了很多对应的实践,感兴趣的话可以自行移步阅读即可: 《自建数据集,基于YOLOv7开发构建农田场景下杂草…

园区规划技术要点

(一)技术点介绍 1.WLAN:无线局域网WLAN(Wireless Local Area Network)是一种无线计算机网络,使用无线信道代替有线传输介质连接两个或多个设备形成一个局域网LAN(Local Area Network&#xff09…

JavaScript <md5加密的两种不同输出结果分析>--案例(二点一)

前言: 问题是这样的,在浏览器中看到这段代码 然后在控制台进行输出.得到: 紧接着,就在,js文件里面进行转译: 可是,得到的结果是: 这是问题!!! 正题: 为什么相同的js代码,在 .js 文件中的输出与 Chrome 控制台中的输出不一样? 环境差异:不同的JavaScript环境&…

从零开始训练一个ChatGPT大模型(低资源,1B3)

macrogpt-prertrain 大模型全量预训练(1b3), 多卡deepspeed/单卡adafactor 源码地址:https://github.com/yongzhuo/MacroGPT-Pretrain.git 踩坑 1. 数据类型fp16不太行, 很容易就Nan了, 最好是fp32, tf32, 2. 单卡如果显存不够, 可以用优化器adafactor, 3. 如果…

基于STM32驱动的压力传感器实时监测系统

本文介绍了如何使用STM32驱动压力传感器进行实时监测。首先,我们会介绍压力传感器的工作原理和常见类型。然后,我们将介绍如何选择合适的STM32单片机和压力传感器组合。接下来,我们会详细讲解如何使用STM32驱动压力传感器进行数据采集和实时监…

Ansys Zemax | 手机镜头设计 - 第 3 部分:使用 STAR 模块和 ZOS-API 进行 STOP 分析

附件下载 联系工作人员获取附件 本文是 3 篇系列文章的一部分,该系列文章将讨论智能手机镜头模组设计的挑战,从概念、设计到制造和结构变形的分析。本文是三部分系列的第三部分。它涵盖了使用 Ansys Zemax OpticStudio Enterprise 版本提供的 STAR 技术…

回归预测 | MATLAB实现CNN-BiLSTM(卷积双向长短期记忆神经网络

效果一览 基本介绍 提出一种同时考虑时间与空间因素的卷积-双向长短期记忆( CNN-BiLSTM)模型,将具有空间局部特征提取能力的卷积神经网络(CNN)和具有能同时考虑前后方向长时间信息的双向长短期记忆&#xf…

maven-plugin

plugin也是可以在继承的,即在父pom配置后,在子pom中也会有, 可以通过mvn help:effective-pom这个命令在父工程目录或者子工程目录中执行,查看到底有没有被继承 mvn help:effective-pom命令的作用_effective pom-CSDN博客

MySQL注入入门简述

原因 存在拼接用户输入到SQL的情况。 预防 可以使用参数化查询对用户输入进行验证严格控制数据库用户权限 常见分类 联合查询注入 使用union关键字拼接敏感数据查询语句 注释注入 使用 单引号() 或者 双中划线(--) 等有特殊含义的字符对SQL处理,从而获取信息…

不可变集合

概述 不可变集合,就是不可被修改的集合。 集合的数据项在创建的时候提供,并且在整个生命周期中都不可改变,否则报错。 为什么要创建不可变集合? 如果某个数据不能被修改,把它防御性地拷贝到不可变集合中是个很好的实践。 或者…

CoreDNS实战(五)-接入prometheus监控

1 背景 Prometheus插件作为coredns的Plugins,默认情况下是内置在coredns中,如果是自己编译安装的版本,需要注意在编译安装的时候的plugin.cfg文件中添加了prometheus:metrics,这样才能确保编译成功。 # 首先我们检查一下运行的版…

Mabatis处理异常屏蔽SQL返回前端全局异常捕获处理

文章目录 Mabatis处理异常屏蔽SQL返回前端全局异常捕获处理结论1 java异常体系2 Spring框架异常处理3 定位Spring框架转化为哪种unchecked异常3.1 捕获RuntimeException定位Spring框架转化抛出的异常类3.2 进一步查看包名判断3.3 识别MyBatisSystemException下级实现3.3 识别My…

【Linux服务器Java环境搭建】07 在linux中安装MySql,以及对MySQL的配置与远程连接

【Linux服务器Java环境搭建】01购买云服务器以及在服务器中安装Linux系统 【Linux服务器Java环境搭建】02 通过xftp和xshell远程连接云服务器 【Linux服务器Java环境搭建】03 Git工具安装 【Linux服务器Java环境搭建】04 JDK安装(JAVA环境安装) 【Linux服…

Hadoop学习笔记(HDP)-Part.02 核心组件原理

目录 Part.01 关于HDP Part.02 核心组件原理 Part.03 资源规划 Part.04 基础环境配置 Part.05 Yum源配置 Part.06 安装OracleJDK Part.07 安装MySQL Part.08 部署Ambari集群 Part.09 安装OpenLDAP Part.10 创建集群 Part.11 安装Kerberos Part.12 安装HDFS Part.13 安装Ranger …

点云从入门到精通技术详解100篇-雨雾环境下多传感器融合 SLAM 方法(续)

目录 4.2.4 边缘化 4.3 激光雷达惯性里程计 4.3.1 点云去畸变 4.3.2 点云特征提取

【漏洞复现】万户协同办公平台ezoffice wpsservlet接口存在任意文件上传漏洞 附POC

漏洞描述 万户ezOFFICE集团版协同平台以工作流程、知识管理、沟通交流和辅助办公四大核心应用 万户ezOFFICE协同管理平台是一个综合信息基础应用平台。 万户协同办公平台ezoffice wpsservlet接口存在任意文件上传漏洞。 免责声明 技术文章仅供参考,任何个人和组织使用网络应…