日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測(cè)試網(wǎng)

  • 公眾號(hào)

    • 汽車測(cè)試網(wǎng)

    • 在線課堂

    • 電車測(cè)試

如何為自動(dòng)駕駛汽車構(gòu)建行為預(yù)測(cè)模型:使用Lyft Level 5的預(yù)測(cè)數(shù)據(jù)集訓(xùn)練機(jī)器學(xué)習(xí)運(yùn)動(dòng)預(yù)測(cè)模型

2020-10-19 20:43:10·  來源：汽車電子與軟件  作者：Luca Bergamini  
　
預(yù)測(cè)自動(dòng)駕駛汽車（AV）周圍的實(shí)體的行為是實(shí)現(xiàn)全自動(dòng)駕駛的關(guān)鍵難題之一。使用我們的預(yù)測(cè)數(shù)據(jù)集和L5級(jí)工具包，您可以在一個(gè)閑暇的下午或周末開始構(gòu)建行為預(yù)測(cè)模
預(yù)測(cè)自動(dòng)駕駛汽車（AV）周圍的實(shí)體的行為是實(shí)現(xiàn)全自動(dòng)駕駛的關(guān)鍵難題之一。使用我們的預(yù)測(cè)數(shù)據(jù)集和L5級(jí)工具包，您可以在一個(gè)閑暇的下午或周末開始構(gòu)建行為預(yù)測(cè)模型，即使您之前沒有任何有關(guān)自動(dòng)駕駛汽車的經(jīng)驗(yàn)。如果成功了，您可以幫助推動(dòng)自動(dòng)駕駛行業(yè)整體向前發(fā)展，如果您的解決方案在我們的Kaggle競(jìng)爭(zhēng)中取得優(yōu)勝，您甚至可以贏得我們30000美元獎(jiǎng)金的一部分。
什么是行為預(yù)測(cè)？為什么它這么重要？
 
讓我們從自動(dòng)駕駛汽車的工作原理開始。在自動(dòng)駕駛堆棧中，構(gòu)建自動(dòng)駕駛系統(tǒng)的第一步是感知（識(shí)別我們周圍的事物）。接下來的兩個(gè)任務(wù)是預(yù)測(cè)（決定下一步會(huì)發(fā)生什么）和計(jì)劃（決定自動(dòng)駕駛汽車將來要做什么）。我們正專注于第二項(xiàng)任務(wù)。
自動(dòng)駕駛汽車需要能夠?qū)ξ磥碜龀鲱A(yù)測(cè)——這是人類駕駛員一直在潛意識(shí)里做的事情。想象一下，當(dāng)一輛自動(dòng)駕駛汽車在路上直行，并嘗試左轉(zhuǎn)，而這時(shí)有另一輛車從相反的方向駛來。為了讓自動(dòng)駕駛汽車安全地執(zhí)行此操作，它需要確定另一輛車是右轉(zhuǎn)還是繼續(xù)直行并干擾它的左轉(zhuǎn)。這就是行為預(yù)測(cè)。
 
盡管感知技術(shù)在自動(dòng)駕駛行業(yè)已經(jīng)發(fā)展得較為成熟了，但預(yù)測(cè)和規(guī)劃仍需改進(jìn)。那么為什么這兩部分在自動(dòng)駕駛堆棧中的問題還沒解決呢？
目前，行為預(yù)測(cè)和規(guī)劃的模型主要是使用基于規(guī)則的系統(tǒng)建立的。然而，未來是不確定的，規(guī)則可能并不總是隨不確定性而變化。當(dāng)您將其他實(shí)體添加到組合中時(shí)，規(guī)則的數(shù)量和制定規(guī)則的成本將成倍增長(zhǎng)。深度監(jiān)督學(xué)習(xí)方法可以解決這一問題，但需要大量數(shù)據(jù)來正確捕捉道路上罕見和意外的行為。好消息是：我們的預(yù)測(cè)數(shù)據(jù)集是同類數(shù)據(jù)集中最大的，并且包含了這些罕見的行為。
 
訓(xùn)練你的模型
要訓(xùn)練你的模型，你需要：
1．下載Lyft L5級(jí)預(yù)測(cè)數(shù)據(jù)集
2．獲取任務(wù)的輸入和輸出數(shù)據(jù)
3．定義模型
4．訓(xùn)練模型
為了簡(jiǎn)化這些步驟，我們準(zhǔn)備了一個(gè)Jupyter筆記本。
1．下載L5級(jí)預(yù)測(cè)數(shù)據(jù)集
訪問我們的預(yù)測(cè)數(shù)據(jù)集網(wǎng)頁(yè)注冊(cè)并下載數(shù)據(jù)集。該數(shù)據(jù)集包括我們?cè)诩永Ｄ醽喼菖谅灏柾惺惺占某^16000英里的1000小時(shí)的行駛數(shù)據(jù)。我們已經(jīng)在內(nèi)部生產(chǎn)感知堆棧中運(yùn)行了數(shù)據(jù)集，因?yàn)楹茈y從原始數(shù)據(jù)開始構(gòu)建預(yù)測(cè)模型。這意味著您可以立即開始為交通環(huán)境中的實(shí)體（在我們的感知輸出中，已經(jīng)進(jìn)行了辨別）構(gòu)建運(yùn)動(dòng)預(yù)測(cè)模型了，并根據(jù)我們的正確標(biāo)注來把握您的進(jìn)度。
除了數(shù)據(jù)之外，我們還提供一張航空地圖和由五級(jí)自動(dòng)駕駛研究人員注釋的高清晰度語(yǔ)義地圖。
 
2．為任務(wù)獲取輸入和輸出
預(yù)測(cè)數(shù)據(jù)集以不同的時(shí)間戳記錄自動(dòng)駕駛汽車周圍的世界。每個(gè)時(shí)間戳包括：
1. 幀
幀是自動(dòng)駕駛汽車本身的記錄。包含它的位置和旋轉(zhuǎn)，以及在那一瞬間檢測(cè)到的所有實(shí)體和紅綠燈的列表。
2. 實(shí)體
實(shí)體是真實(shí)世界中可移動(dòng)的實(shí)體。實(shí)體通過類別（汽車、行人等）和位置信息進(jìn)行標(biāo)記。實(shí)體也有唯一的身份，通過連續(xù)的幀進(jìn)行追蹤。
獲取幀和實(shí)體的信息非常簡(jiǎn)單，只需運(yùn)行以下代碼片段：
 
在處理自動(dòng)駕駛數(shù)據(jù)時(shí)，一個(gè)常見的選擇是使用俯視圖（BEV）柵格化來輸入系統(tǒng)，該輸入由場(chǎng)景的自頂向下的視圖組成。這簡(jiǎn)化了模型的構(gòu)建，因?yàn)檩斎牒洼敵龅淖鴺?biāo)空間是相同的。
獲得俯視圖和用來訓(xùn)練DCNN的輸出軌跡，只需要運(yùn)行以下代碼：
 
3．定義模型
定義一個(gè)使用輸入和輸出進(jìn)行訓(xùn)練的模型。您可以通過調(diào)整標(biāo)準(zhǔn)CNN架構(gòu)（例如ResNet50）來創(chuàng)建一個(gè)簡(jiǎn)單的基線。盡管您可以保留原網(wǎng)絡(luò)的核心部分，但您需要更改其輸入和輸出層以匹配您的設(shè)置。
為此，將第一個(gè)卷積層中的通道數(shù)與俯視圖中的通道數(shù)匹配。一個(gè)3通道的卷積層不足以將不同層次的不同語(yǔ)義信息柵格化。下一步，確保輸出數(shù)與您未來的預(yù)測(cè)范圍（下面的示例中使用XY位移表示）相匹配。對(duì)于50步的視野，最后一層網(wǎng)絡(luò)總共需要100個(gè)神經(jīng)元。
 
在Pythorch中，是下面這樣的：
 
4．訓(xùn)練模型
現(xiàn)在一切準(zhǔn)備就緒，您可以根據(jù)數(shù)據(jù)訓(xùn)練基線模型了。將俯視圖輸入該模型，預(yù)測(cè)未來的軌跡。您可以設(shè)置均方誤差（MSE）標(biāo)準(zhǔn)，并使用ADAM優(yōu)化器優(yōu)化網(wǎng)絡(luò)。在Pythorch中，是下面這樣：
 
我們也可以在幾次迭代后，在以自動(dòng)駕駛汽車為中心的俯視圖光柵上繪制預(yù)測(cè)的軌跡。
進(jìn)一步訓(xùn)練你的模型
以下是一些改進(jìn)和測(cè)試模型的一些想法和小技巧：
l  如果你想提高速度并想用EfficientNet來取代ResNet，只需更換第一層和最后一層。
l  想看看實(shí)體的歷史記錄是否可以提高性能嗎？這只是一個(gè)改變一個(gè)配置值的問題，一切都是現(xiàn)成的。
l  如果光柵看起來太粗糙，可以提高其分辨率，甚至可以更改其縱橫比。
l  每個(gè)實(shí)體僅一條軌跡不足以捕捉不確定性？我們已經(jīng)提供了多模型預(yù)測(cè)的評(píng)分標(biāo)準(zhǔn)，因此您可以直接了解您的模型是否有改進(jìn)。
 
作者：Luca Bergamini，軟件工程師；Vladimir Iglovikov，軟件工程師；Filip Hlasek，工程經(jīng)理；Peter Ondruska，L5級(jí)自動(dòng)駕駛研究主管。
翻譯：涅槃汽車
 
 
分享到：
 
反對(duì) 0 舉報(bào) 0 收藏 0 評(píng)論 0
滬ICP備11026917號(hào)-25