Argo AI、微软、CMU合作新网络架构 预测其他车辆的姿态与形状

驾驶员在变道时会注意确保没有车辆出现在盲区，这种意识对自动驾驶系统也非常重要。因此，自动驾驶技术依赖于一个强大的感知中心，该中心有望识别环境中的所有相关实体，包括预测道路上其他车辆的精确“姿势和形状”。

现在，自动驾驶汽车系统可以使用最常见的传感模式之一——激光雷达数据来观察周围的情况。据外媒报道，自动驾驶汽车技术公司Argo AI、微软和卡内基梅隆大学的研究人员联合推出了一种新的网络架构，可以通过一些激光雷达观测信息来估计车辆的形状和姿态。目前用于预测姿势和形状的SOTA方法通常首先估计局部点云的姿势，然后将该姿势添加到一些输入信息中，然后预测形状。然而，这种编码姿态解码和编码形状解码架构可能导致形状估计误差，并最终导致较差的性能。此外，一些输入信息被冗余地编码两次。那么，为什么不使用共享编码网络来估计姿势和形状呢？研究人员采用这种策略将编码合并到一个过程中，以减少冗余，并在共享编码网络中实现稳定的姿态和形状估计。共享编码网络的训练可以分为两部分。首先，对编码器和完成解码器进行形状完成训练。接下来，冻结编码器，并使用冻结编码器生成的代码训练姿态解码器。冻结是一种常用的技术，通过逐渐冻结隐藏层来加速神经网络训练。与基线网络相比，使用该方法训练的姿态估计器的精度有了显著提高。未来，Argo AI将在跟踪等下游模块中使用这种形状估计模型，并在实时系统中采用这种新架构。

标签：

汽车资讯热门资讯