NVIDIA自動駕駛實驗室:我們如何訓練神經(jīng)網(wǎng)絡預測車道線

自動駕駛實驗室
這是NVIDIA DRIVE Labs自動駕駛實驗室系列視頻的第七集,在上一集中我們介紹了NVIDIA如何借助單個攝像頭圖像以及深度神經(jīng)網(wǎng)絡處理測算自動駕駛車輛與障礙物之間的距離。在自動駕駛實驗室系列視頻中,我們將以工程技術為重點的視角關注實現(xiàn)自動駕駛汽車的各個挑戰(zhàn)以及NVIDIA DRIVE AV軟件團隊如何應對這些問題。
任務:
遠距離且高精度的車道線檢測
方法:
高精度神經(jīng)網(wǎng)絡LaneNet DNN
首先,自動駕駛汽車需要遠距離的車道線檢測范圍,也就是說自動駕駛系統(tǒng)需要感知距離本身車輛或者正在運行感知算法車輛更遠的車道線。
在圖像邊界附近檢測到更多的車道線像素,就意味著在實際行車場景中,可以將車道線檢測范圍增加數(shù)十米。
此外,車道線檢測解決方案必須是穩(wěn)健的。在自動駕駛車道線保持過程中,遺漏或不穩(wěn)定的車道線檢測都會造成車輛偏離車道。像素級冗余的檢測能夠減少遺漏或不穩(wěn)定的車道線檢測。
深度神經(jīng)網(wǎng)絡處理已經(jīng)成為一種重要的基于AI的車道線檢測技術。借助這種方法,人類可以對車道線和車道邊緣高清圖像進行標記。這些圖像可以用來訓練卷積神經(jīng)網(wǎng)絡模型,讓它能夠識別之前不可見數(shù)據(jù)中的車道線。
在卷積神經(jīng)網(wǎng)絡中保持精度
借助卷積神經(jīng)網(wǎng)絡會導致在深度神經(jīng)網(wǎng)絡輸出階段發(fā)生不可避免的像素丟失。盡管輸入圖像可能是高清的,但是當卷積神經(jīng)網(wǎng)絡處理這些圖像的時候,遞增的降采樣會造成大量的像素遺失。
這就導致了在高清輸入圖像中原本清晰標記車道線以及車道邊緣的各個像素,在深度神經(jīng)網(wǎng)絡輸出的階段變得模糊。那么,用以推斷車道線/車道邊緣的高精密關鍵空間信息將會遺失。
NVIDIA高精度LaneNet解決方案在卷積神經(jīng)網(wǎng)絡處理圖像時,能夠以一種可以保留高清信息的方式對實況道路圖像數(shù)據(jù)進行編碼。
這種編碼旨在為豐富的空間信息創(chuàng)建足夠的冗余,以便在卷積神經(jīng)網(wǎng)絡固有的降采樣過程中,保證這些信息不會遺失。高精度LaneNet的主要優(yōu)勢包括增加了車道線檢測的范圍,優(yōu)化了車道線邊緣檢測的準確率/召回率以及提升了車道線檢測的穩(wěn)健性。

高精度的LaneNet還能讓我們在使用低清圖像處理方式的同時,保留高清圖像當中豐富的可用信息。這就讓車內推斷可以進行更有效的計算。
借助LaneNet高精度車道線檢測,自動駕駛車輛能夠在道路上對自己進行更好的定位,同時也能感知規(guī)劃出一條更安全的行駛路徑。
廣告 最新資訊
-
“汽車爬坡試驗方法”將有國家標準
2026-03-03 12:44
-
十年耐久監(jiān)管時代:電池系統(tǒng)開發(fā)策略將如何
2026-03-03 12:44
-
聯(lián)合國法規(guī)R59對機動車備用消聲系統(tǒng)的工程
2026-03-03 12:08
-
聯(lián)合國法規(guī)R58對后下部防護裝置的工程化約
2026-03-03 12:07
-
聯(lián)合國法規(guī)R57對摩托車前照燈配光性能的工
2026-03-03 12:07





廣告


























































