Recommended
More Related Content
Similar to AI-Car: Solution and Routes to accelerate Autonomous Driving's landing from research
Similar to AI-Car: Solution and Routes to accelerate Autonomous Driving's landing from research (20)
AI-Car: Solution and Routes to accelerate Autonomous Driving's landing from research
- 2. 自 动 驾 驶 级 别
- 4. 自 动 驾 驶 研 究 主 流 趋 势 Camera为主 低成本、轻地图、 渐进式迭代开发MobilEye， Tesla和跟随者们 LiDAR为主 高成本、重地图 谷歌自研的激光雷达达到128线，并且可 以调节发射激光的强度，性能优越。 更适合奇点汽车 自动驾驶研究主流趋势
- 5. 自 动 驾 驶 具 有 挑 战 性 复杂的周边环境 大量的特殊情景 环境感知算法并不完美 需要大量数据来开展深度学习 运算密集且需要保证实时性 深度学习在自动驾驶中扮演重要角色 目标检测/识别/追踪 驾驶行为建模 端到端驾驶学习 仍需要在未来开展大量工作 自动驾驶具有挑战性
- 6. 自动驾驶
- 8. Deep Learning for Autonomous Driving Training in Deep Learning SGD Adam Weight decay NAG AdaGrad/AdaDelta Batch Normalization Momentum Drop out Learning rate Data Augmentation Deep Learning for Computer Vision Enhancement Denoising Object Tracking Contour Extraction Depth Estimation Object Detection Object Recognition Semantic Segmentation Motion Estimation SLAM Instance Segmentation 深度学习（Deep Learning）最近10年在AI领域的飞速发展有目共睹， 尤其在计算机视觉方面突破了以前设计图像/视频特征的瓶颈，其深度网络实现了很多应用的最佳性能
- 9. Deep Learning for Autonomous Driving CNN Models in Deep Learning AlexNet GoogleNet ResNet SSD Faster R-CNN YOLO (1, 2, 3) Mask R-CNN DenseNet RetinaNet MobileNet Platforms in Deep Learning Caffe(2) TensorFlow Torch Paddle Keras Theano CNTK MXNet RNN in Deep Learning LSTM GRU Deep Reinforcement Learning NAS Encoder-Decoder Model in Deep Learning FCN SegNet ParseNet FlowNet U-Net SFM-Net Capsule Network GAN(Generative Adversarial Network) 深度学习的发展，除了自身机器学习理论的进步（比如GAN）以外，是跟计算机硬件的发展（Nvidia GPU）分不开的， 特别是深度学习界的开放态度和开源代码起了推波助澜的作用（如Caffe，TensorFlow）。
- 10. Deep Learning for Autonomous Driving Deep Learning in Autonomous Driving Obstacle Detection Obstacle Tracking Lane Detection Free space Extraction Scene Segmentation Traffic Sign Detection & Recognition Traffic Light Detection & Classification Landmark Detection Sensor Calibration Sensor Fusion (early/late) Vehicle Feedback Control Driving Behavior Modeling 在自动驾驶领域，我们可以看到，除了以上提到的视觉问题以外，深度学习也在多传感器标定（calibration）和融合（fusion）， 以及驾驶行为和反馈控制等方面体现了强大的攻关能力。
- 11. Camera-based vehicle detection F Chabot et al., “Deep MANTA: A Coarse-to-fine Many-Task Network for joint 2D and 3D vehicle analysis from monocular image”. Deep Learning for Autonomous Driving
- 12. Faster R-CNN FCL + Softmax FCN Deep Learning for Autonomous Driving MultiNet: Joint classification, detection and segmentation M Teichmann et al., “MultiNet: Real-time Joint Semantic Reasoning for Autonomous Driving”.
- 15. 奇点汽车自动驾驶研发如何布局 中美两国同时布局，采用同一开发平台， 两地人才可以互通有无，技术开发工作也可以互相协调，共同前进 苏州全球研发中心美国研究与创新中心 X-LAB ADAS 借助硅谷人才和技术实力，自动驾驶技 术的研发和推进落地实现 环境感知，高清地图，车联网和驾驶行 为模型，利用英伟达（NVIDIA）自动驾 驶计算平台NVIDIA DRIVE PX2，奇点 汽车目标于2018年内将自主驾驶算法提 升至L3（SAE标准） L3为主，和美研合作紧密， 面向国内的合作伙伴， 着力于将自动驾驶技术适配国内市场。 L2为主，已成立3年， 今后会继续支持自动驾驶的量产落地。 自动驾驶系统研发、自动驾驶安全技术 研发、整车研发、造型设计、智能系统 电子电气研发等为主要方向。 未来5年容纳2000至3000名高科技研发 人才，建立奇点汽车技术委员会，并结 合苏州优质高校资源联合开办自动驾驶 学院，培养输送产业人才。
- 18. 环境感知 定位 路径规划 决策执行 复杂的传感器系统 计算机控制 线控执行器数据融合 毫米波雷达视觉传感器 超声波雷达 毫米波雷达 毫米波雷达 超声波雷达 超声波雷达 视觉传感器 视觉传感器 超声波雷达 超声波雷达 超声波雷达 超声波雷达 毫米波雷达 毫米波雷达 超声波雷达 超声波雷达 超声波雷达 超声波雷达 超声波雷达 视觉传感器