精华内容
下载资源
问答
  • 2022-02-11 15:01:00

    传统Mobileyes(Intel旗下):硬件和算法绑定,开放度底,但进入智能驾驶领域早,有先发优势。

    Xilix(AMD旗下),以FPGA立足,方便DL算法的硬件化个性定制。开发度高,但需要软件人员熟悉硬件编程语言VHDL,有一定门槛。

    Qualcomm:从6155,到820a,到8155,到8295,逐渐从智能座舱,拓展到智能驾驶。在无线通讯领域的巨头,在V2X领域有先天优势。开放度高,但价格高,使用/生产的资金成门槛高。

    Nvidia:以GPU独步天下,因智能驾驶使用DL算法在GPU有先天优势,加上Telsa的量产车上已用过nvidia的芯片。nvidia在智能领域有实战经验,加上自身芯片研发水平和芯片量产能力较强,当前成为智能驾驶芯片的领头羊。开发度高,但价格高,同样存在使用/生产的资金门槛高的问题。

    传统汽车芯片厂家方面,NXP(freescale),Ti,Renesas,ST, Infinien,

    NXP因受Qualcomm收购影响,芯片的roadmap没有跟上主流,

    Ti在当前的ADAS领域TDA4独领风骚,但后续roadmap太保守,落后于后来的Qualcomm和Nvidia

    Renesas,R-Car系列芯片是其尖端产品。性价比是日系的专长,和其他传统汽车芯片厂商一样,保守,低估了市场对汽车芯片研发上激进情况。但其仍是当前汽车MCU芯片领头羊

    ST,欧系产品,传统的车载芯片厂商,中规中矩。

    Infinien:tricore产品独步市场,当前高等级驾驶,都会用到的芯片。

    更多相关内容
  • 自动驾驶是汽车产业与人工智能、高性能计算、大数据、物联网等新一代信息技术以及交通出行、城市管理等多领域深度融合的产物,对降低交通拥堵、事故率,帮助城市构建安全环境
  • 汽车工程师学会(SAE)是一个汽车标准机构,它将汽车的自动驾驶能力划分为六个水平,从最基本的系统到100%的自动驾驶。这些水平有助于衡量某款自主汽车的技术有多先进。这开辟了许多研究和发展领域,尽管这些领域...
  • 1.1感知领域目前研究热点: 动作识别、行人手势识别、人体姿态估计(骨架提取) 复杂道路场景语义理解与场景识别(模式识别)(城市道路路口、郊区直行路段……) 动态场景理解和多目标跟踪(MOT):目标外观模型、...

    1.1感知领域目前研究热点:

    动作识别、行人手势识别、人体姿态估计(骨架提取)

    复杂道路场景语义理解与场景识别(模式识别)(城市道路路口、郊区直行路段……)

    动态场景理解和多目标跟踪(MOT):目标外观模型、目标运动估计、目标检测、数据关联

    高精度语义分割(人、车、广告牌与标志牌、车尾灯与红绿灯、可行驶区域、树木、天空……)

    可行驶区域检测方法类别:

    基于直接特征的可行驶区域检测

    基于直接特征的可行驶区域检测:基于颜色、基于纹理、基于边缘

    基于间接特征的可行驶区域检测:消失点(灭点)法,在透视变换中,视场中的平行线都会都会相交于一点,即灭点,是平行透视变换的一个交点

    基于深度学习的可行驶区域检测:

    语义分割(像素级分类任务)

    基于FCN(全卷积网络)的可行驶区域分割(编码器-解码器架构来完成可行驶区域的模型-kittiseg)。

    FCN(全卷积网络):全卷积网络采用端到端训练方法建立深度模型,完成语义分割任务。

    FCN与CNN差异:传统的CNN是将传统的特征提取过程和分类器合并在一起,一般在卷积层最后有全连接层,最后一个全连接层充当分类器,输出一堆向量,对应可能的输出。而在 FCN中,用1✖️1的卷积代替卷积神经网络中的全连接层。FCN中上采样是采用反卷积的方式实现的,为了保证上采样的优化效果,用双线性插值对其初始化。

    场景流(scene flow)、光流与事件相机

    场景流:空间中每一点的位置信息和其相对于摄像头的运动,采用光流估计与深度估计的结合,只关注深度变化量,不关注深度绝对值

    场景流应用方向:补充和改进视觉测距和SLAM算法,用于人机交互、虚拟现实和增强现实

    光流估计:一种二维运动场,是空间中每一点沿摄像头平面的运动状态

    光流估计方法:LK(Lucus-Kanade)算法(一种稀疏光流算法)、Flownet方法(一种基于深度学习的光流计算方法)

    深度估计:表达的是空间中每一点到摄像头中的距离,其变化量是物体沿垂直摄像头方向的变化

    深度估计方法:基于激光雷达的深度估计,基于光学图像的深度估计(双目深度估计、单目深度估计)

    立体视觉(三维障碍物检测:识别目标物体的长宽高,空间信息、朝向信息偏转角等)

    多模态与多传感器融合感知

    新型数据集采集(数据处理、调节参数、训练及测试;事故集训练,汽车零部件集训练,常见货物集训练)

    基于V2X的道路环境感知技术(路侧感知技术、车路协同技术)

    优点:覆盖面更广、有效避免盲区、对隐私信息的安全性保护更好

    包括:V2V,V2I(infrastructure),V2P,V2N(Network)

    方法演变:视觉双阶段到单阶段处理,有锚框到无锚框,点云分割处理精细化

    整体趋势:感知精度提升,处理速度加快,对边缘场景的处理更周全

    1.2 感知领域常用方法与发展趋势

    1.2.1计算机视觉领域:

    趋势1:应用场景增多:

    使用双目视觉获取场景中深度信息

    检测点云数据对应物体种类

    车身运动估计:在视频中估计每个像素的运动方向和运动速度

    物体检测、识别、追踪:行人、车辆、交通标志、信号灯;车门开闭、尾灯亮灭、红绿灯识别

    场景分割:车道线检测、道路边缘检测、可行驶区域检测;语义分割(场景上加标签):路面、栏杆、行人、车辆、树木

    同步地图构建与自身定位(SLAM)

    趋势2:图像分割方法不断迭代与融合:

    基于阈值的分割方法

    概念:通过设定不同特征阈值,把图像像素点分为不同灰度级的目标区域;特点:传统方法,实现简单、计算量小、性能较稳定

    基于区域的分割方法

    区域生长法:从单个像素出发逐步合并;区域分裂合并法:从全局出发,逐步分割至所需区域

    基于边缘检测的分割方法

    原理:通常不同区域之间的边缘上像素灰度值的变化往往比较剧烈

    一阶导数算子:Robert算子、Prewitt算子、Sobel算子

    二阶导数算子:拉普拉斯算子

    基于深度模型的分割方法

    趋势3:基于图像的障碍物检测精度与速度提升:

    基于图像的障碍物检测方法分类:

    一阶段检测算法:YOLO、SSD(Single Shot Multibox Detector)

    优点:算法速度快,输入图像经过一次推理,便能得到图像中所有物体的位置和所属类别及相应的置信概率

    YOLO核心思想:

    YOLO检测网络包括24个卷积层和2个全连接层。卷积层用来提取图像特征,全连接层用来预测图像位置和类别概率值。

    原理:YOLO将输入图像分成S✖️S个格子,每个格子负责监测落入该格子的物体。若某个物体的中心位置的坐标落入某个格子,那么这个格子就负责检测出这个物体。每个格子输出B个标注框(包含物体的矩形区域),以及C个属于某种类别的概率信息。最终只选择IOU(Intersection Over Union, 预测标注框与物体真实区域的交集面积(以像素为单位,用真实区域的像素面积归一化到[0,1]区间)最高的标注框作为物体的检测输出,即每个格子最多只预测出一个物体。

    缺陷:当每个格子包含多个物体时,例如牲畜群和鸟群,也仅能检测出一个。

    SSD:直接在图像中不同位置进行边界框的采样,然后使用卷积层进行特征提取后直接进行分类和回归,极大提升了检测速度。

    二阶段检测算法:RCNN、Fast RCNN、Faster RCNN(2016年最初提出)

    优点:准确度高;当前文献大多在Faster RCNN基础上改进

    检测结果分为两部分求解:物体类别(分类问题)、物体位置(即标注框,bounding box)

    RCNN、Fast RCNN:采用分离的选择性搜索模块(独立于网络之外的选择性搜索方法)求取候选框(可能会包含物体的矩形区域),训练过程分成多个模块进行。先产生候选框后进行分类和回归

    Faster RCNN:使用RPN(Region Proposal Network)卷积网络替代了之前的选择性搜索模块。

    1.2激光雷达感知领域:

    1.2.1基于激光雷达的障碍物检测方法进展:

    基于几何特征和网格

    几何特征法:采用聚类算法将数据聚类并与障碍物的几何特征(直线、矩形、圆等)进行对比,对障碍物进行检测和分类

    基于网格的方法:将激光雷达的数据投影到网格地图中,然后利用无向图相关方法对点云进行处理,适用于障碍物形状复杂的非结构化道路。网格的大小和结构可以自定义,用网格分布图像来表示障碍物,分辨率越高的网格,表示的障碍物越复杂,但同时需要较高的计算复杂度和内存。

    VoxelNet障碍物检测

    改进点:将原始点云作为输入,消除了对点云进行手动提取特征的过程,提出了统一的端到端三维检测网络。

    组成模块:特征学习网络、中间卷积层、区域建议网络

    特征学习网络:将点云划分为体素Voxel形式,通过VFE层提取特征,得到体素级的特征向量,步骤包括:体素划分、分组、随机抽样、堆叠体素特征编码、稀疏张量表示

    1.2.2基于PointNet的点云分割和语义分割:

    常用方法:

    基于三维点云数据的深度学习:

    体素(volumetric)法、多视角投影、点云网络(PointNet)、融合使用二维图像与三维点云数据的方法(如:F-PointNet)

    PointNet++法:主要完成三维检测和分割任务,此方法直接在点云数据上应用深度学习模型,主要应用了点云数据的无序性和空间不变性

    缺陷:局部特征提取表现不好

    无序性:点云数据是由可任意排列组合的数据组成的集合。使用深度学习模型的一个前提是需要保证不论点云的顺序如何,都应该提取到相同的特征。(PointNet方法中使用最大池化对称函数来提取特征,即在每一维的特征都选取N个点中对应的最大特征值)

    空间不变性:点云数据所表示的目标经过一定的空间变换(旋转、平移等)后应该保持不变,在坐标系中即为点云数据坐标发生变化后,不论其用何种坐标系表示,网络都能正确的识别目标。

    PointNet++方法:提出了一种分层网络结构(包括采样层(sampling layer)、组合层(grouping layer)和特征提取层(PointNet layer)),在不同尺度下提取特征作为局部特征,并通过多层网络结构得到深层特征。

    感知领域待解决瓶颈:

    2.1棘手复杂场景瓶颈 :

    人车混流的问题(如何应对行人与人类司机驾驶强随机性)

    可解释的AI-如何打开黑箱

    腾讯研究院-可解释AI发展报告 2022

    https://docs.qq.com/pdf/DSmVSRHhBeFd0b3Zu

    无地图路段的自动驾驶决策规划(无车道路段的车道拟合,下雪遮盖路段车道线还原)

    异形障碍物和未训练障碍物识别(异形路锥、台湾特斯拉撞上白色卡车顶)

    (深度学习(有监督学习)本身的局限就是识别给它的东西,没给过的无法识别。人类本身可以通过猜测,联想等方式预估道路上的障碍物,因果与此结合的新可能性)

    (Idea:自动联想,拼接归类;对于路上未知障碍物,任意组合交通因素的一部分,e.g.车轮:各方向各角度,牲畜,感知到的实体障碍物等)未知障碍物聚类

    故意攻击的标示牌遮挡(物理遮挡,噪音图叠加)

    小面积重叠压线感知不到造成的剐蹭(理想one高速碰撞)

    对于“鬼探头”场景的解决方案尚无好的解决方案(Idea:根据场景预判,结合V2X)

    对世界各地不同交通状况的泛化能力

    其他瓶颈:

    感知硬件限制:

    定位和物体识别技术还不成熟,无论是激光雷达还是摄像技术都有一定的技术局限性。

    突发情况的不可预测性造成的不确定性:

    大城市车流量庞大,计算机要计算的数据量庞大,现有的人工智能技术很难做到面面俱到。车辆拥堵的大型城市,每天要处理的突发状况非常多,而且由于路况复杂,车流密集,给予人工智能的反应时间非常短。千奇百怪的突发情况面前,人工智能的大数据优势很多时候派不上用场,每一场事故都有可能以闻所未闻的姿态出现。

    展开全文
  • 环境感知在自动驾驶汽车、视频监控等相当一部分深度视觉应用中占据了核心地位。 如果一辆车子要实现自动驾驶,那么障碍物感知绝对是最基础也是最核心的功能。 Apollo 障碍物感知系统分为3D 检测、ROI 滤波、识别...

    本文章来自: Apollo开发者社区

    原创: 阿波君                  致敬

     

    环境感知在自动驾驶汽车、视频监控等相当一部分深度视觉应用中占据了核心地位。

    如果一辆车子要实现自动驾驶,那么障碍物感绝对是最基础也是最核心的功能。

     

    Apollo 障碍物感知系统分为 3D 检测、ROI 滤波、识别、运算、感知五大版块。

    其感知过程如下:

    首先LiDAR探测到信号,传递给ROI的Filter,滤波后的信号通过Obstacle Segmentation 和 Detection识别,

    然后进行 Tracking。

     

    Apollo在运算这一块采用的是NVIDIA GPU,运算能力强劲,可以实现10Hz的输出,最后是Obstacles感知。

    环境感知主要包括当前环境的语义分割静态动态的目标检测,采用人工智能技术中的深度卷积神经网络通过前期的数据训练以及特征提取,给出复杂环境中场景物体类别等信息,帮助计算机精准地理解周边的环境态势。

     

    TIPS

    本次直播课程是由深度学习资深研究者-杨阳博士从百度Apollo自动驾驶感知技术出发,讲解环境感知中深度学习的实用性与高效性。

    课程从Apollo 3.5感知技术介绍、自动驾驶中的目标检测与识别、深度学习在目标检测中的意义、Apollo中深度学习的应用、百度深度学习框架对目标检测的实操五个方面着手,全面解读深度学习在目标检测中的运用。

    以下是杨阳博士分享的全部内容,希望给各位开发者带来更多的帮助。

    以下,ENJOY

     

    首先,本次课程将以百度Apollo自动驾驶技术为出发点,详解百度深度学习技术在Apollo自动驾驶目标检测中的应用

    其次,基于百度深度学习框架对目标检测技术更进一步探讨,最后理论联系实际,通过一个典型案例体验百度深度学习在环境感知中的实用性与高效性。

     

     

     

    首先我们可以从安全驾驶角度来简单了解自动驾驶的重要性。

     

    为什么我们需要自动驾驶?

    这里罗列了一些自动驾驶的优势,除了减少交通事故、节省燃料外,还涉及到获得更多自主休息的时间。

    此外,自动驾驶技术还有很多其它优点,例如可以轻轻松松停车,让老人开车相对更安全一些。

     

     

    表中给出了全球对于自动驾驶技术的评级,包括从纯粹的人工驾驶L0级到高度的自动驾驶L4级。

    不过目前各国重点研发的还是有条件的自动驾驶,例如L3级的自动驾驶以及高度的自动驾驶L4级,完全的自动驾驶(L5级)目前还没有办法做到。

     

    自动驾驶技术的评级

    一些企业推出了有条件的自动驾驶,还有一些停留在部分自动驾驶L2级和辅助自动驾驶L1级的测试阶段,暂未投入到商用。

    Apollo今年刚刚推出了L4级的自动驾驶车辆以及相关解决方案,相信未来在L5级的自动驾驶领域,我国一定会有所突破,及早实现L5级自动驾驶。

     

    接下来探究自动驾驶车辆基本组成,以百度Apollo3.5的无人驾驶车辆为例,明确整个自动驾驶车辆包括哪些部分。

    首先,车辆顶端应配置360度3D扫描雷达,以及前排摄像头阵列、后排摄像头阵列,同时还包含GPS天线、前置雷达等。这些都是用来对周围环境进行感知的。

     

                                                                      无人驾驶车辆的基本组成

     

    感知结果得到实时处理后,就会产生大量数据,从而汇总到车后端的实时处理系统中,也就是计算和存储系统。随后汽车便可在行进过程中对车辆周围环境的完全感知。

    如今的Apollo3.5传感器部分以及计算存储系统相当完善的。从Apollo完整框架分析,我们可以看到上端是云端服务,下端三层属于车端服务。

     

    全新的Apollo3.5技术框架对其中14个模块进行了升级,主要分布在硬件系统以及软件系统中。

    例如,3.5版本感知算法加上全新的传感器升级,可以达到360度无死角的全面覆盖。

     

     最                                                                   新发布的Apollo 3.5 总体框架

     

    云端服务方面,涉及例如高精度地图、仿真数据平台、安全模块等。

     

    全新的基于多场景的决策和预测架构,使开发变得更加灵活与友好,所以一些开发者完全可以选择这种软件平台和硬件平台来进行相应开发,同时我们也将90%仿真驱动开放,大力提升开发者们的效率以及研发安全性。

     

    Apollo对于自动驾驶具备至关重要的四个模块进行了相应升级,包括规划预测感知以及定位

     Apollo 3.5 更新的四大软件模块

     

    增加盲区检测传感器以及雷达后,Apollo3.5在感知能力上也得到了升级。

    用于盲区检测的传感器套件以及新的128线的激光雷达,拓展了检测范围,配合3D定位算法以及目标检测算法,表现更强大。

     Apollo 3.5 感知能力有了升级

     

     

     

    所谓目标检测,就是区分图像/视频中的目标与其他部分。

    例如图中的建筑物、树林、盒子以及瓶子等,同画面产生了明显区分。

    如何让计算机像人类一样明确区分目标/非目标呢?

    这就涉及目标检测。让计算机能够区分出这些,是目标检测的第一步

     

    目标检测的第二步是让计算机识别刚才区分出来的画面究竟是什么,从而确定视频或图像中目标的种类

    例如为了实现自动驾驶的目标,最初需要让计算机认识交通目标,才能让其成为真正的AI老司机。

     

      自动驾驶中物体识别系统

     

    如何建立一个高准确率、高召回率的物体识别系统?这是无人车感知的一个核心问题,而、物体检测更是重中之重,要求我们针对不同传感器,设计不同的算法来准确检测障碍物。

     

    例如Apollo技术框架中为3D设计了CNSEG深度学习算法,还包括为二级图像设计的YOLO3D深度学习算法等。

    已Apollo为例,我们要求完成单帧障碍物的检测,并借助传感器内外参数标定转换矩阵,将检测结果统一影射到车身的座标系中,这种物体检测算法既快速又准确。

     

     以Apollo为例展示不同传感器的物体检测

     

    有些小伙伴可能产生疑问,描述了这么多种方法,为什么一定要使用深度学习呢?

    或许将深度学习与传统图像处理PK下,就能明了其中缘由。

     

    业界共知,传统的目标检测与识别算法分为三部分,包含目标特征提取、目标识别以及目标定位。其中,涉及的典型算法就是基于组件检测的DPM算法

    实际上DPM算法就是训练出物体的梯度模型,然后对实际物体进行套用。

    但很显然,人为提取出来模型种类还是有限的,面对现实中纷繁多变的大千世界,即便是后来人为成功提取了更多特征因素,也很难做到对图像中全部细节进行详细描述。

    由于传统目标检测算法主要基于人为特征提取,对于更复杂或者更高阶的图像特征很难进行有效描述,所以限制了目标检测的识别效果,这一点可以被认定是人为特征提取导致传统算法的性能瓶颈。

     

                                                                      传统图像处理和深度学习的区别

     

    同传统的图像处理方法不同,采用深度学习的方法进行图像处理,最大的区别就是特征图不再通过人工特征提取,而是利用计算机,这样提取出来的特征会更丰富全面。

     

    深度学习就是通过集联多层的神经网络形成一个很深的层,当层数越多,提取出来的特征也就越多而且越丰富。

    所以在目标检测和识别的过程中,最主要使用的深度学习特征提取模型就是深度卷积网络,英文简称CNN。

    为什么CNN图像处理的方式比以前更好呢?究其原因,根本还是在于对图像特征提取。

     

    例如,当我们使用多层进行特征提取的时候,其实有些层是针对图像的边缘轮廓来提取的,有些则是针对质地或者纹理来进行的,还有些是针对物体特征进行操作。不同的层有不同的分割方式。

    卷积神经网络的每一层如果能够准确提取出所需特征,最后判断时将会容易不少。因此,决定CNN的目标检测和识别的关键就在于对每一层如何设计。

    著名的卷积神经网络AlexNet,由多伦多大学的Hinton教授团队于2012年提出后,立马轰动了计算机的视觉领域,对其他相关行业也产生了深远影响。

     

    AlexNet在整个算法处理的步骤,其实与之前提到的一般CNN的处理方式没有本质区别,而且在国际上每年都会举办图像检测算法的比赛,AlexNet就在某届图像检测比赛中获得了冠军。

    那一年AlexNet横空出世,把当年的Top5错误率硬生生降到了17%以下。

     

      传统图像处理和深度学习的区别

     

    深度学习能够在目标检测中大显身手,针对当前目标检测的方法又有哪些?

    简单将当前的方法进行分类,其实可以归纳为三种算法方案:

     

    第一种是对于候选区域的目标检测算法,典型的网络是R-CNN和FasterR-CNN;

     

    第二个方案则是基于回归的目标检测算法,典型实现是YOLO和SSD;

     

    最后一种是基于增强学习的目标检测算法,典型表现为深度Q-Learning学习网络,但这几种算法其实各有各的优缺点。

     

     深度学习目标检测方法分类

     

    今天的话题是目标检测,自然就会提及在多种算法门派中如何进行选择,以及在自动驾驶领域中适合其研发的算法以及框架是什么的问题。

     

     

     

    深度学习框架可以尝试使用百度PaddlePaddle。

    就目前而言,市面上深度学习框架很多,包括Tensorflow、Caffe、PyTorch、MXNet等在内,而PaddlePaddle是众多深度学习框架中唯一一款国内自主研发的框架。

    它支持分布式计算,即多GPU多台机器并行计算,同时还支持FPGA,与其他一些仅支持GPU的框架不同,支持FPGA是PaddlePaddle的一个亮点。

     

                                               国内自主研发的深度学习框架—PaddlePaddle

     

    FPGA特有的流水线结构降低了数据同内存的反复交互,从而大大降低了运行功耗,这对于深度学习进行大规模的推断有诸多好处。

    如果能将这一特性扩展到自动驾驶领域,对于未来降低汽车的发热问题显然有很大帮助。

    而PaddlePaddle中的PaddleMobile框架以API的方式支持移动端设备,这样就可以利用手机来完成想要的功能。

     

     

     

    先前提到的三种方案,首先来看候选区域目标检测算法。这类算法的典型案例是FasterR-CNN。

    FasterR-CNN工作的基本步骤可归纳:首先提取图像中的候选区域,随后针对这些候选区域进行分类判断,对选出的区域做位置回归,随之进行目标定位,最后输出一个定位结果。

     

    总体来说,首先要先选择、再判断,最后剔除不想要的。

    这类似于找工作,选择这种方法进行图像目标检测可以做到精准定位以及识别,所以精度较高,不过由于需要反复进行候选区域的选择,所以算法的效率被限制。

     

                                                                            候选区域目标检测算法

    值得注意的一点,FasterR-CNN引入了一种称为区域生成网络RPN的概念,用来进行算法加速。

    可以看到,RPN实际上是在分类和特征图,也就是卷积层出来之后的特征图之间,这样就解决了端到端的问题。

    同时,我们可以利用GPU来进行网络加速,从而提升检测的速率,这也是为什么FasterR-CNN和R-CNN相比多了一个Faster的原因。

     

    此外,候选区域检测这类算法在VOC2007数据集上,也可以达到检测精度为73.2%的准确率。

    前面候选区域的目标检测算法主要是利用对于候选区域进行目标提取。

    接下来介绍的第二个算法就是刚才提到的回归目标检测算法,它的特点是SingleShot,也就是只需观测一次图片就能进行目标的检测以及识别,因此算法的效率非常高。

     

    在此罗列了一个称之为SSD的典型回归目标检测算法。

     

    这个算法分为四个步骤

     

    第一步 通过深度神经网络提取整个图片的特征;

     

    第二步 对于不同尺度的深度特征图设计不同大小的特征抓取盒;

     

    第三步 通过提取出这些抓去盒中的特征进行目标识别;

     

    最后,在识别出的这些结果中运用非极大值抑制选择最佳的目标识别结果。

     

                                                                            回归目标检测算法

    所以SSD算法核心思想与第一种算法类型类似,都是从深度神经网络的不同层提取特征,分别利用这些特征进行回归预测。

    当然基于回归的目标检测算法是不能同候选区域目标检测算法那样特别精确的,尤其是对画面中一些小目标,同样给出SSD算法在VOC2007数据集上准确度的数值,为68%。

     

    虽然比候选区域目标检测算法低那么一点点,但是基本上性能没有太大损失,此外,由于它是SingleShot,算法的效率也是相当高的。

    前面提及的两种类型算法,对于图中目标的边框、尺寸都是固定的,也就是说检测算法中目标边框虽然数目特别多,但一旦边框确定就无法改变,因此并不能适应场景变化。

     

    为了检测出不同目标、不同场景,就需要准备出多种区域选择框。由于检测目标在画面中的大小更是差别巨大,如果能够根据不同的情况在目标候选区域进行边框调整,就可以做到适应各种各样的环境了。

    回到第三种算法的介绍,增强学习算法的场景适应性算是比较强的。增强学习算法目标检测可被看成不断动态调整候选区域边框的过程,这种算法的典型代表是Q-Learning学习算法。

     

                                                                          增强学习目标检测算法

    首先,通过图像进行特征提取,可以通过CNN网络来完成;

     

    第二,主动搜索。目的是根据不同的目标和场景调整搜索的步长,并且结合历史动作反馈的信息,凭借深度Q-Learning学习网络来预测下一步的动作,也就是通过算法中设定一定的奖励机制来判断这个特征提取边框的大小变化以及上下左右移动是否有效。

    当网络中预测下一步动作完成后,再开始进行识别并最后输出结果。因此,这类算法的核心思想可以看成是由原来不可以改变大小的、静态的特征抓取框,变成了现在可变的动态抓取框,但这类算法目前在VOC2007数据集上准确度的数值是46.1%,比较低。

     

    数值低的原因主要是在进行边框调整过程中,很容易造成特征抓取框和标定的区域差距比较大,这样会严重影响模型的训练效果,从而造成性能的下降;

    此外由于要进行主动搜索和多次边框的调整,所以算法的计算也比较耗时。

    不过这种算法唯一的好处是相对灵活,俗称百搭。

     

    最后总结下,可以看到,从速度上回归目标检测算法是最快的,原因在于只需看一次图片就能够“一见钟情”;

    而从精度角度而言,后续区域目标检测算法已经可以达到很高的精度水平了,然而回归目标检测算法的能力也能够做到和候选区域算法比较接近的程度。

     

    以上我们介绍的,都是典型的基本算法。从框架支持的角度来看,开发者很容易搭建候选区域检测算法和回归目标检测算法框架。

    由于增强学习这种算法的动态变化比较大,直接用框架来实现目前是有一定难度的,但如果大家对深度学习框架有所了解,其实目前已经有可支持深度Q-Learning网络的模型。

     

     三种算法比较

     

    三种算法介绍完毕之后,究竟哪种算法最适合人们熟知的自动驾驶场景呢?当然是回归目标检测算法。

    虽然在理论上候选区域目标检测算法能够做到精确度特别高,但由于需要反复观测画面,所以大大降低了检测速度,特别是在自动驾驶领域中,需要进行高速反应来完成目标识别,在这个层面并不适合。

     

     

     

    第一点,关于车道线的检测。

    目前百度Apollo采用了称为分离车道线网络的结构,图像通过一个D9和一个空间卷积神经网络S-CNN完成对于道路上车道线的检测和识别,整个网络的核心是下面展示的S-CNN,网络中用来增强对于行车时车道的检测能力。

     

    S-CNN首先将特征图的行和列分别看成多个层级的形式。

    同时采用顺序卷积,非线性激活函数以及求和操作形成一个深度神经网络,好处是将原来CNN隐藏层之间空间关系关联起来,从而更好处理画面中连续相关的目标,这个算法特别对于行车时车道的目标检测任务,精度很高,准确率高达96.53%。

     

                                                                                  行车时车道的目标检测

    可以看出,传统情况下都是在实际检测过程中有一些干扰,使得在检测过程中原来需要正确检测出的像素点和其他的像素点发生了关联,受到的周围环境干扰比较大。

    不过S-CNN就不一样了,这是深度挖掘了前后线条间的相关性,避免这种情况出现,所以可以清晰的看到图上检测出来的电线杆和车道线都是比较粗和连续的。

     

    针对百度Apollo和当前版本的百度Apollo对于车道线检测效果的对比,很直观看到,采用刚才提出的算法以后,对于自动驾驶的视觉系统而言,性能提升非常明显。

    原来路边车道线模糊或者根本看不到车道线的地方现在通过引入新的分离的车道线检测技术以后,可以看出Apollo在行使过程中可以准确检测出车道线了。

     

                                                                              百度Apollo Demo

     

    在Apollo2.5和3.0中,基于YOLO设计了一些单物摄像头下的物体检测神经网络,称为Mult-Task YOLO 3D。

    因为它的最终输出是单目摄像头3D障碍物检测的信息,最后会输出多于2D图像检测的全部信息,所以可以看到与普通的CNN网络检测出来的效果并不一样,这是立体的检测结果,也就是说检测出来的那个框结果是立体的。

     

                                                              百度Apollo中 Mult-Task YOLO 3D

     

    不同之处在于首先就是3D框输出,其次它也会输出相对障碍物所检测出来的一些偏转角。

    此外现在的Apollo3.5还包含物体的分割信息,具有物体分割的功能。其中包括车道线的信息,用来提供给定位模块等。

    在Apollo检测的事例中可以看到,算法其实对于路边的行人判断还是比较准确的,可以在一堆繁忙的公路上清晰看到最终要检测出来的某个行人。

     

    此外,Apollo单目摄像头下的障碍物检测速度是比较快的,特别是对繁忙路段和高速场景都是比较适配,检测速度达到了30Hz,也就是说每秒钟可以检测30张图像。

    除此之外,Apollo还有一些相关功能,例如典型目标的检测,包含了基于经典计算机视觉障碍的物体识别和基于深度学习的障碍物识别。

    基于经典计算机视觉的障碍物识别的计算复杂度比较低,单核CPU可以达到实现,同时因为复杂度比较低,训练也比较快。

    此外,深度学习主要依赖GPU,当速度比较快,而且训练数据足够多的时候,可以得到最好的准确度。

     

     

     

    为了方便开发者们的理解,我们以百度PaddlePaddle为例为大家介绍实际目标检测中的可喜效果。

    首先提出PaddlePaddle官方仓库里的MobileNet+SSD的检测效果。该模型可以从官方仓库上下载,整个模型也非常适合移动端场景,算法的流程和前面介绍的比较类似。

     

    最初采用G网络MobileNet来抽取特征,随后利用前面介绍的SDD中的堆叠卷积盒来进行特征识别,不同位置检测不同大小、不同形状的目标,最后再利用非极大值抑制筛选出最合适的识别结果,整个模型最重要的是对候选框信息的获取,包括框的位置、目标类别、置信概率三个信息在内。

     

                                                            PaddlePaddle仓库中目标检测模型分析

     

    具体如何获取这些框的相关信息呢?

    实际上PaddlePaddle已经提供了封装好的API,使用时直接调用即可。

    我们调用这个函数,就是Multi_box_head,从MobileNet最后一层进行连接,用来生成SSD中的特征抓取盒,其中包含所谓的四个返回值,分别是候选框边界的精细回归、框内出现物体的置信度、候选框原始位置、候选框原始位置方差。

     

    实际上就是候选框的位置以及关于这些位置相对偏移的量。

    如果把这些值进行输出可视化,首先给出的是出现物体的置信度,通常用框进行识别的过程中,一般认为框里只近似保留一种,最后只会出现一类判断结果。

    第一个值如果是最大的,就被认为属于背景类,也就是说第一个张量,它的这个框的目标就是背景。

    接着把所有背景选出来之后,再把这些背景去掉,剩下来的自然而然就是画面中要识别出来的目标。

     

                                                                                输出可视化解释

     

    接下来利用Detection_output这一层,加入一个可视化的边框的操作,可以看到,蓝色的表示人,红色的表示摩托车,最后利用非极大值抑制的操作,把这些框当中多余的框全部去掉,只保留最贴近检测效果的框,也就是最后想要的结果。

    可以看到,经过非极大值抑制后,同类的折叠框一般只保留概率较高的、重叠较小的,这就完成了最终的目标检测。

     

     

    展开全文
  • Paper:自动驾驶领域SAE标准之《道路机动车辆驾驶自动化系统相关术语的分类和定义》官方英文原文翻译与解读(二) 目录 自动驾驶领域SAE标准之《道路机动车辆驾驶自动化系统相关术语的分类和定义》官方英文...

    Paper:自动驾驶领域SAE标准之《道路机动车辆驾驶自动化系统相关术语的分类和定义》官方英文原文翻译与解读(二)

     

     

     

     

     

    目录

    自动驾驶领域SAE标准之《道路机动车辆驾驶自动化系统相关术语的分类和定义》官方英文原文翻译与解读(二)

    4. TAXONOMY OF DRIVING AUTOMATION

    5.1 LEVEL or CATEGORY 0 - NO DRIVING AUTOMATION   1级或0级-无驾驶自动化

    5.2 LEVEL or CATEGORY 1 - DRIVER ASSISTANCE  一级或一级-驾驶员协助

    5.3 LEVEL or CATEGORY 2 - PARTIAL DRIVING AUTOMATION  级或二类-部分驾驶自动化

    5.4 LEVEL or CATEGORY 3 - CONDITIONAL DRIVING AUTOMATION  级或3类-条件驾驶自动化

    5.5 LEVEL or CATEGORY 4 - HIGH DRIVING AUTOMATION   级或4类高驾驶自动化

    5.6 LEVEL [CATEGORY] 5 - FULL DRIVING AUTOMATION   级[类]5 -全驾驶自动化

    6. SIGNIFICANCE OF OPERATIONAL DESIGN DOMAIN (ODD)  操作设计域的意义(ODD)

    7. DEPRECATED TERMS   弃用的条款

    7.1 Autonomous, Self-Driving, Driverless, Unmanned, Robotic   自动驾驶,自动驾驶,无人驾驶,无人驾驶,机器人

    7.2 Automated or Autonomous Vehicle   自动驾驶或自动驾驶车辆

    7.3 Control  控制

    8. ADDITIONAL DISCUSSION   额外的讨论

    8.1 Level are assigned, rather than measured  等级是指定的,而不是测量的

    8.2 Levels are Mutually Exclusive 级别是相互排斥的

    8.3 User request to perform the DDT when a level 3, 4 or 5 ADS is engaged  当3级、4级或5级广告被激活时,用户要求执行DDT

    8.4 Driving vs. DDT   驾驶vs. DDT

    8.5 Comparison of J3016 driving automation levels with BASt and NHTSA levels   J3016驾驶自动化水平与BASt、NHTSA水平比较

    9. NOTES  说明

    9.1 Revision Indicator  修订指示器


     

     

    相关文章
    Paper:自动驾驶领域SAE标准之《道路机动车辆驾驶自动化系统相关术语的分类和定义》官方英文原文翻译与解读(一)
    Paper:自动驾驶领域SAE标准之《道路机动车辆驾驶自动化系统相关术语的分类和定义》官方英文原文翻译与解读(二)
     

    自动驾驶领域SAE标准之《道路机动车辆驾驶自动化系统相关术语的分类和定义》官方英文原文翻译与解读(二)

           SAE技术标准委员会规定:“本报告由SAE发布,旨在推动技术和工程科学的发展。本报告的使用完全是自愿的,它的适用性和适合于任何特定的使用,包括任何专利侵权引起的,是用户的唯一责任。“SAE至少每五年审核一次每份技术报告,在此期间,报告可能会被修订、重申、稳定或取消。SAE诚邀您的书面评论和建议。
    SAE官网https://www.sae.org/standards/

    • J3016™  SEP2016
    • 发布2014 - 01
    • 修改2016 - 09
    • 取代J3016 JAN2014

     

    4. TAXONOMY OF DRIVING AUTOMATION

    The terms defined above inform a taxonomy of driving automation consisting of six discrete and mutually exclusive levels (see section 8.2). Central to this taxonomy are the respective roles of the (human) user and the driving automation system in relation to each other. Because changes in the functionality of a driving automation system change the role of the (human) user, they provide a basis for categorizing such systems. For example:
    • If the driving automation system performs the sustained longitudinal and/or lateral vehicle motion control subtasks of the DDT, the driver does not do so, although s/he is expected to complete the DDT. This division of roles corresponds to levels 1 and 2.
    • If the driving automation system performs the entire DDT, the user does not do so. However, if a DDT fallback-ready user is expected to take over the DDT when a DDT performance-relevant system failure occurs or when the driving automation system is about to leave its operational design domain (ODD), then that user is expected to be receptive and able to resume DDT performance when alerted to the need to do so. This division of roles corresponds to level 3.
    • Lastly, if a driving automation system can perform the entire DDT and DDT fallback either within a prescribed ODD or in all driver-manageable on-road driving situations (unlimited ODD), then any users present in the vehicle while the ADS is engaged are passengers. This division of roles corresponds to levels 4 and 5.
    上面定义的术语将自动驾驶分为六个独立且互斥的级别(见8.2节)。这种分类法的中心是(人类)用户和驾驶自动化系统各自的角色。因为驱动自动化系统的功能变化会改变(人类)用户的角色,所以它们为分类这样的系统提供了基础。例如:
    • 如果驾驶自动化系统执行持续的纵向和/或横向车辆运动控制的DDT的子任务,司机不这样做,尽管他/她被期望完成DDT。这种角色划分对应于级别1和级别2。
    • 如果驾驶自动化系统执行整个DDT,用户不这样做。然而,如果DDT fallback-ready用户预计将接管DDT DDT performance-relevant系统故障发生时或者当驾驶自动化系统即将离开其操作设计域(ODD),然后用户预计将接受和能够恢复DDT性能当提醒需要这样做。这种角色划分对应于级别3。
    • 最后,如果驾驶自动化系统可以在规定的奇数或所有司机可管理的道路驾驶情况下(无限奇数)执行整个DDT和DDT后退,那么在广告参与时,车辆中的任何用户都是乘客。这种角色划分对应于级别4和级别5。
    The vehicle also fulfills a role in this driving automation taxonomy, but the role of the vehicle does not change the role of the user in performing the DDT.
    In this way, driving automation systems are categorized into levels based on:
    1. Whether the driving automation system performs either the longitudinal or the lateral vehicle motion control subtask of the DDT.
    2. Whether the driving automation system performs both the longitudinal and the lateral vehicle motion control subtasks of the DDT simultaneously.
    3. Whether the driving automation system also performs the OEDR subtask of the DDT.
    4. Whether the driving automation system also performs DDT fallback.
    5. Whether the driving automation system is limited by an ODD.
    Table 1 (below) summarizes the six levels of driving automation in terms of these five elements.
    驾驶自动化分类中,车辆也扮演一个角色,但车辆的角色并不改变用户在执行DDT时的角色
    通过这种方式,驱动自动化系统被分为以下级别:
    1. 驾驶自动化系统是否执行纵向或横向车辆运动控制的DDT子任务。
    2. 驱动自动化系统是否同时执行DDT的纵向和横向车辆运动控制子任务。
    3.驱动自动化系统是否也执行DDT的OEDR子任务。
    4. 驾驶自动化系统是否也会执行DDT回退。
    5. 驱动自动化系统是否受到奇数的限制。
    表1(下表)从这五个方面总结了驾驶自动化的六个级别。

    Table 1 - Summary of levels of driving automation
    SAE’s levels of driving automation are descriptive and informative, rather than normative, and technical rather than legal. Elements indicate minimum rather than maximum capabilities for each level. In this table, “system" refers to the driving automation system or Automated Driving System (ADS), as appropriate.

    表1 -驾驶自动化水平的摘要
    SAE的驾驶自动化水平是描述性和知识性的,而不是规范性的,技术性的而不是法律的。元素表示每个级别的最小而不是最大能力。本表中“系统”指驾驶自动化系统或自动驾驶系统(ADS),视情况而定。

    持续的横向和纵向车辆运动控制、OEDR、DDT fallback、ODD

    • 0、没有驾驶自动化
      整个DDT的性能由驾驶员决定,即使主动安全系统增强了性能。
    • 1、驾驶员辅助
      驾驶自动化系统持续执行车辆横向或纵向运动控制任务(但不能同时执行),并期望驾驶员执行剩余的运动控制任务。
    • 2、部分驱动自动化
      驾驶自动化系统对车辆横向运动控制和纵向运动控制的子任务进行持续和奇数特定的执行,期望驾驶员完成OEDR子任务并监督驾驶自动化系统。
    • 3、有条件的驾驶自动化
      一个ADS对整个DDT的持续和特定的性能,期望DDT后备用户能够接受ADS发出的干预请求,以及其他车辆系统中与DDT性能相关的系统故障,并将作出适当的响应。
    • 4、高度驾驶自动化
      通过一个完整的DDT和DDT后备广告的持续和特定的性能,而不期望用户会响应干预请求。
    • 5、全驾驶自动化
      持续的和无条件的(也就是,不是特定于奇数的)执行一个完整的DDT和DDT的广告,而不期望用户会响应一个干预的请求。

     

     

     

    Figure 8 - Simplified logic flow diagram for assigning driving automation level to a feature

    图8 -为一个特性分配驱动自动化级别的简化逻辑流程图
    执行完整的DDT和DDT回退没有ODD的限制? 

    • →全自动驾驶,5级

    执行完整的DDT和DDT回退,在一个有限的ODD范围内? 

    • →高度动自动化,4级

    执行完整的DDT,但不执行DDT回退,在一个有限的ODD范围内?

    • →有条件的自动化,3级

    执行纵向和横向车辆运动控制(在持续的基础上),但不完成OEDR?

    • →部分的自动化,2级

    执行纵向或横向车辆运动控制(在持续的基础上),但不完成OEDR?

    • →驾驶员辅助,1级

    执行没有DDT或者DDT回退?

    • →没有驱动自动化,0级

     

    Figure 8 shows a simplified logic diagram for classifying driving automation features. Note that the information required to answer the questions posed in this figure cannot be empirically derived (see 8.1).
    Table 2 (below) details the six levels of driving automation with reference to the roles (if any) that the user and the driving automation system play in performing the DDT and the DDT fallback. (NOTE: This assignment of roles refers to technical aspects of vehicle operation rather than to legal aspects.)
    The descriptions provided in column 2 of Table 2 indicate the role (if any) of the user in performing part or all of the DDT and/or performing the DDT fallback, while the descriptions provided in column 3 indicate the role (if any) of the driving automation system in performing the same. As in Table 1, "system" refers to the driving automation system or ADS, as appropriate.
    Note that the foregoing roles are determined by the design of the driving automation system in combination with the instructions provided to the user, regardless of malfunction in a particular driving automation system or a user’s mis-performance of their role in a given circumstance. (See 8.1.)
    图8显示了对驱动自动化特性进行分类的简化逻辑图。注意,回答本图中所提出的问题所需的资料不能根据经验得出(见8.1)。
    表2(下)详细列出了驾驶自动化的六个级别,并参照用户和驾驶自动化系统在执行DDT和DDT后备方案时所扮演的角色(如果有的话)。(注:此角色分配是指车辆运营的技术方面,而不是法律方面。)
    提供的描述在表2的第2列中显示用户的角色(如果有的话)在执行部分或全部执行DDT的DDT和/或回退,而第三列中提供的描述显示的作用(如果有的话)驾驶自动化系统在执行相同的。如表1所示,“系统”指的是驾驶自动化系统或ADS(视情况而定)。
    请注意,上述角色是由驱动自动化系统的设计和提供给用户的说明共同决定的,无论在特定的驱动自动化系统中发生故障或用户在给定的环境中错误地执行其角色。(参见8.1)。

    Table 2 - Roles of human driver and driving automation system by level of driving automation   表2 -按驾驶自动化程度划分的人类驾驶员和驾驶自动化系统的角色

    AutomationRole of UserRole of Driving Automation System

    DRIVER PERFORMS THE DYNAMIC DRIVING TASK (DDT)    

    DRIVER执行动态驱动任务(DDT)

    Level 0 - No Driving AutomationDriver (at all times):
    • Performs the entire DDT
    Driving Automation System (if any):
    • Does not perform any part of the DDT on a sustained basis (although other vehicle systems may provide warnings or support, such as momentary emergency intervention)
    Level 1 - Driver AssistanceDriver (at all times):
    • Performs the remainder of the DDT not performed by the driving automation system
    • Supervises the driving automation system and intervenes as necessary to maintain safe operation of the vehicle
    • Determines whether/when engagement or disengagement of the driving automation system is appropriate
    • Immediately performs the entire DDT whenever required or desired
    Driving Automation System (while engaged):
    • Performs part of the DDT by executing either the longitudinal or the lateral vehicle motion control subtask
    • Disengages immediately upon driver request
    Level 2 - Partial Driving Automation
     
    Driver (at all times):
    • Performs the remainder of the DDT not performed by the driving automation system
    • Supervises the driving automation system and intervenes as necessary to maintain safe operation of the vehicle
    • Determines whether/when engagement and disengagement of the driving automation system is appropriate
    • Immediately performs the entire DDT whenever required or desired
    Driving Automation System (while engaged):
    • Performs part of the DDT by executing both the lateral and the longitudinal vehicle motion control subtasks
    • Disengages immediately upon driver request

    AUTOMATED DRIVING SYSTEM (ADS) PERFORMS THE ENTIRE DYNAMIC DRIVING TASK (DDT)

    自动驾驶系统执行整个动态驾驶任务(DDT)

    Level 3 – Conditional Driving Automation
     
    Driver (while the ADS is not engaged):
    • Verifies operational readiness of the ADS-equipped vehicle
    • Determines when engagement of ADS is appropriate
    • Becomes the DDT fallback-ready user when the ADS is engaged
    DDT fallback-ready user (while the ADS is engaged):
    • Is receptive to a request to intervene and responds by performing DDT fallback in a timely manner
    • Is receptive to DDT performance-relevant system failures in vehicle systems and, upon occurrence, performs DDT fallback in a timely manner
    • Determines whether and how to achieve a minimal risk condition
    • Becomes the driver upon requesting disengagement of the ADS
    ADS (while not engaged):
    • Permits engagement only within its ODD
    ADS (while engaged):
    • Performs the entire DDT
    • Determines whether ODD limits are about to be exceeded and, if so, issues a timely request to intervene to the DDT fallback-ready user
    • Determines whether there is a DDT performance-relevant system failure of the ADS and, if so, issues a timely request to intervene to the DDT fallback-ready user
    • Disengages an appropriate time after issuing a request to intervene
    • Disengages immediately upon driver request
    Level 4 - High Driving AutomationDriver/dispatcher (while the ADS is not engaged):
    • Verifies operational readiness of the ADS-equipped vehicle
    • Determines whether to engage the ADS
    • Becomes a passenger when the ADS is engaged only if physically present in the vehicle
    Passenger/dispatcher (while the ADS is engaged):
    • Need not perform the DDT or DDT fallback
    • Need not determine whether and how to achieve a minimal risk condition
    • May perform the DDT fallback following a request to intervene
    • May request that the ADS disengage and may achieve a minimal risk condition after it is disengaged
    • May become the driver after a requested disengagement
    ADS (while not engaged):
    • Permits engagement only within its ODD
    ADS (while engaged):
    • Performs the entire DDT
    • May issue a timely request to intervene
    • Performs DDT fallback and transitions automatically to a minimal risk condition when:
    • A DDT performance-relevant system failure occurs or
    • A user does not respond to a request to intervene or
    • A user requests that it achieve a minimal risk condition
    • Disengages, if appropriate, only after:
    • It achieves a minimal risk condition or
    • A driver is performing the DDT
    • May delay user-requested
    Level 5 - Full Driving Automation
     
    Driver/dispatcher (while the ADS is not engaged):
    • Verifies operational readiness of the ADS-equipped vehicle
    • Determines whether to engage the ADS
    • Becomes a passenger when the ADS is engaged only if physically present in the vehicle
    Passenger/dispatcher (while the ADS is engaged):
    • Need not perform the DDT or DDT fallback
    • Need not determine whether and how to achieve a minimal risk condition
    • May perform the DDT fallback following a request to intervene
    • May request that the ADS disengage and may achieve a minimal risk condition after it is disengaged
    • May become the driver after a requested disengagement
    ADS (while not engaged):
    • Permits engagement of the ADS under all driver-manageable on-road conditions
    ADS (while engaged):
    • Performs the entire DDT
    • Performs DDT fallback and transitions automatically to a minimal risk condition when:
    • A DDT performance-relevant system failure occurs or
    • A user does not respond to a request to intervene or
    • A user requests that it achieve a minimal risk condition
    • Disengages, if appropriate, only after:
    • It achieves a minimal risk condition or
    • A driver is performing the DDT
    • May delay a user-requested disengagement

    Table 3, below, describes a user’s role with respect to an engaged driving automation system operating at a particular level of driving automation at a particular point in time. A user occupying a given vehicle can have one of three possible roles during a particular trip: 1) driver, 2) DDT fallback-ready user or 3) passenger. A remote user of a given vehicle (i.e., who is not seated in the driver’s seat of the vehicle during use) can also have one of three possible roles during a particular trip: 1) remote driver, 2) DDT fallback-ready user or 3) dispatcher.
    下面的表3描述了用户在某一特定时间点在某一特定级别的驾驶自动化系统上所扮演的角色。在一个特定的旅程中,占用一个给定车辆的用户可以有三种可能的角色之一:1)司机,2)DDT后备用户或3)乘客。一个特定车辆的远程用户(即在使用过程中没有坐在驾驶座位上的人)在特定旅程中也可以有以下三种可能的角色:1)远程司机,2)DDT后备用户或3)调度员。

    Table 3 - User roles while a driving automation system is engaged 
    表3 -驾驶自动化系统使用时的用户角色

    NOTE: A vehicle equipped with a level 4 or 5 ADS may also support a driver role. For example, in order to complete a given trip, a user of a vehicle equipped with a level 4 ADS feature designed to operate the vehicle during high-speed freeway conditions will generally choose to perform the DDT when the freeway ends; otherwise the ADS will automatically perform DDT fallback and achieve a minimal risk condition as needed. However, unlike at level 3, this user is not a DDT fallback-ready user while the ADS is engaged.注意:配备4级或5级ADS的车辆也可以支持驾驶员的角色。例如,为了完成给定的旅程,一辆配备了4级ADS功能的汽车的用户通常会在高速公路结束时选择执行DDT;否则,广告将自动执行DDT回退,并在需要时实现最小的风险条件。然而,与第3级不同的是,当广告被使用时,这个用户并不是DDT的后备用户。

     

     

     

     

    5. LEVELS OR CATEGORIES OF DRIVING AUTOMATION

    As discussed above, the level of driving automation is based on the functionality of the driving automation system, as determined by an allocation of roles in DDT and DDT fallback performance between that system and the (human) user (if any). The manufacturer of a driving automation system determines that system’s requirements, operational design domain (ODD), and operating characteristics, including the level of driving automation, as defined below. The manufacturer also defines the proper use of that system.
    The lower two levels of driving automation (1-2) refer to cases in which the (human) driver continues to perform part of the DDT while the driving automation system is engaged.
    The upper three levels of driving automation (3-5) refer to cases in which the Automated Driving System (ADS) performs the entire the DDT on a sustained basis while it is engaged.
     
      
      

     

    5.1 LEVEL or CATEGORY 0 - NO DRIVING AUTOMATION   1级或0级-无驾驶自动化

    The performance by the driver of the entire DDT, even when enhanced by active safety systems.

    整个DDT的性能由驾驶员决定,即使主动安全系统增强了性能。

     

     

    5.2 LEVEL or CATEGORY 1 - DRIVER ASSISTANCE  一级或一级-驾驶员协助

    The sustained and ODD-specific execution by a driving automation system of either the lateral or the longitudinal vehicle motion control subtask of the DDT (but not both simultaneously) with the expectation that the driver performs the remainder of the DDT.
    NOTE: A level 1 feature performing either the lateral or the longitudinal vehicle motion control subtask of the DDT is capable of only limited OEDR within its dimension (lateral or longitudinal), meaning that there are some events that the driving automation system is not capable of recognizing or responding to. Therefore, the driver must supervise the driving automation system performance by completing the OEDR subtask of the DDT as well as performing the other dimension of vehicle motion control. See Figure 1 (discussing the three primary subtasks of the DDT).

    驾驶自动化系统持续执行车辆横向或纵向运动控制任务(但不能同时执行),并期望驾驶员执行剩余的运动控制任务。
    注:1级特性进行横向或纵向车辆运动控制子任务的DDT的能力有限OEDR在其维度(横向或纵向),也就是说,有些事件的驾驶自动化系统不能识别或回应。因此,驾驶员必须通过完成DDT的OEDR子任务以及执行车辆运动控制的其他维度来监督驾驶自动化系统的性能。请参见图1(讨论DDT的三个主要子任务)。

     

     

     

    5.3 LEVEL or CATEGORY 2 - PARTIAL DRIVING AUTOMATION  级或二类-部分驾驶自动化

    The sustained and ODD-specific execution by a driving automation system of both the lateral and longitudinal vehicle motion control subtasks of the DDT with the expectation that the driver completes the OEDR subtask and supervises the driving automation system.
    NOTE: A level 2 driving automation feature is capable of only limited OEDR, meaning that there are some events that the driving automation system is not capable of recognizing or responding to. Therefore the driver supervises the driving automation system performance by completing the OEDR subtask of the DDT. See Figure 1 (discussing the three primary subtasks of the DDT).
    驾驶自动化系统对车辆横向运动控制和纵向运动控制的子任务进行持续和奇数特定的执行,期望驾驶员完成OEDR子任务并监督驾驶自动化系统。
    注:2级驾驶自动化功能的OEDR是有限的,这意味着有些事件是驾驶自动化系统无法识别或响应的。因此,驾驶员通过完成DDT的OEDR子任务来监督驾驶自动化系统的性能。请参见图1(讨论DDT的三个主要子任务)。

     

     

     

     

    5.4 LEVEL or CATEGORY 3 - CONDITIONAL DRIVING AUTOMATION  级或3类-条件驾驶自动化

    The sustained and ODD-specific performance by an ADS of the entire DDT with the expectation that the DDT fallback-ready user is receptive to ADS-issued requests to intervene, as well as to DDT performance-relevant system failures in other vehicle systems, and will respond appropriately.
    NOTE 1: The DDT fallback-ready user need not supervise a level 3 ADS while it is engaged but is expected to be prepared to resume the DDT when the ADS issues a request to intervene, such as when a DDT performance-relevant system failure occurs.
    NOTE 2: A level 3 ADS’s DDT fallback-ready user is also expected to be receptive to evident DDT performance-relevant system failures in vehicle systems that do not necessarily trigger an ADS-issued request to intervene, such as a broken body or a suspension component.
    NOTE 3: In the event of a DDT performance-relevant system failure in a level 3 ADS or in the event that the ADS will soon exit its ODD, the ADS will issue a request to intervene within sufficient time for a typical person to respond appropriately to the driving situation at hand.
    NOTE 4: An “appropriate” response by a DDT fallback-ready user to a request to intervene may entail bringing the vehicle to a minimal risk condition or continuing to operate the vehicle after the ADS has disengaged.
    EXAMPLE: An ADS feature capable of performing the entire DDT in low-speed, stop-and-go freeway traffic.

    一个ADS对整个DDT的持续和特定的性能,期望DDT后备用户能够接受ADS发出的干预请求,以及其他车辆系统中与DDT性能相关的系统故障,并将作出适当的响应。
    注1:DDT后备用户不需要监督3级广告,但当广告发出干预请求时,如发生与DDT性能相关的系统故障时,需要准备恢复DDT。
    注2:3级ADS的DDT备用用户也应能接受明显的与DDT性能相关的系统故障,而这些故障不一定会触发ADS发出的干预请求,如车身损坏或悬挂组件。
    注3:在发生DDT performance-relevant系统故障在三级广告或广告的事件将很快退出ODD,广告将会干预发出一个请求在足够的时间内对一个人来说适当的应对手头的驾驶情况。
    注4:对于干预请求,DDT后备用户的“适当”回应可能包括将车辆置于最低风险状态,或在广告退出后继续操作车辆。
    例如:ADS的一个功能是在高速公路低速走走停停的交通中执行整个DDT。
    5.5

     

     

    5.5 LEVEL or CATEGORY 4 - HIGH DRIVING AUTOMATION   级或4类高驾驶自动化

    The sustained and ODD-specific performance by an ADS of the entire DDT and DDT fallback, without any expectation that a user will respond to a request to intervene.
    NOTE 1: The user does not need to supervise a level 4 ADS feature or be receptive to a request to intervene while the ADS is engaged. A level 4 ADS is capable of automatically performing DDT fallback, as well as achieving a minimal risk condition if a user does not resume performance of the DDT. This automated DDT fallback and minimal risk condition achievement capability is the primary difference between level 4 and level 3 ADS features. This means that the user of an engaged level 4 ADS feature is a passenger who need not respond to requests to intervene or to DDT performance-relevant system failures.
    NOTE 2: Level 4 ADS features may be designed to operate the vehicle throughout complete trips (e.g., a closed campus shuttle feature), or they may be designed to operate the vehicle during only part of a given trip, after ODD requirements are met (e.g., a high-speed freeway cruising feature), For example, in order to complete a given trip, a user of a vehicle equipped with a level 4 ADS feature designed to operate the vehicle during high-speed freeway conditions will generally choose to perform the DDT when the freeway ends; otherwise the ADS will automatically perform DDT fallback and achieve a minimal risk condition as needed. However, unlike at level 3, this user is not a DDT fallback-ready user while the ADS is engaged. (see Example 2, below).
    EXAMPLE 1: A level 4 ADS feature capable of performing the entire DDT during valet parking (i.e., curb-to-door or vice versa) without any driver supervision.

    EXAMPLE 2: A level 4 ADS feature capable of performing the entire DDT during sustained operation on a motorway or freeway (i.e., within its ODD). (Note: The presence of a user in the driver’s seat who is capable of performing the DDT is envisioned in this example, as driver performance of the DDT would have been necessary before entering, and would again be necessary after leaving, the motorway or freeway. Thus, such a feature would alert the user that s/he should resume vehicle operation shortly before exiting the ODD, but if the user fails to respond to such an alert, the ADS will nevertheless perform the DDT fallback and achieve a minimal risk condition automatically.)
    EXAMPLE 3: A dispatcher may engage a level 4 ADS-DV, which is capable of following a pre-defined route within a confined geographical area (e.g., residential community, military base, university campus).

    通过一个完整的DDT和DDT的广告的持续和特定的性能,没有任何期望用户会响应干预的请求。
    注1:用户不需要监督4级广告功能,也不需要接受在广告投入时进行干预的请求。4级ADS能够自动执行DDT的回退,并在用户不恢复DDT性能的情况下实现最小的风险。自动DDT撤退和最低风险条件下的能力是4级和3级ADS功能的主要区别。这意味着使用4级广告功能的用户是不需要响应干预请求或与性能相关的系统故障的乘客。
    注2:四级广告特性可能是运营车辆在设计完成旅行(举例来说,一个封闭的校园穿梭特性),也可以用来操作车辆只在给定行程的一部分,ODD的需求得到满足后(如高速公路巡航功能),例如,为了完成一个给定的旅行,在高速公路结束时,配备了4级ADS功能的车辆的用户通常会选择执行DDT;否则,广告将自动执行DDT回退,并在需要时实现最小的风险条件。然而,与第3级不同的是,当广告被使用时,这个用户并不是DDT的后备用户。(参见下面的示例2)。
    例子1:4级ADS功能能够在代客泊车(即从路边到门口或从路边到门口)期间执行整个DDT,而不需要任何司机的监督。

    例子2:关卡4的ADS能够在高速公路或高速公路的持续运行中执行整个DDT(游戏邦注:即在其奇数范围内)。(注:在这个例子中,可以想象驾驶座位上有一个能够使用DDT的人,因为司机在进入高速公路之前必须使用DDT,离开高速公路后也必须使用。因此,这样的功能会提醒用户,他/她应该在离开奇数之前不久恢复车辆操作,但如果用户没有响应这样的警报,广告将执行DDT回退,自动实现最小的风险条件。)
    例3:调度员可能会使用4级ADS-DV,它能够在一个有限的地理区域内(如居民区、军事基地、大学校园)遵循预先定义的路线。

     

     

    5.6 LEVEL [CATEGORY] 5 - FULL DRIVING AUTOMATION   级[类]5 -全驾驶自动化

    The sustained and unconditional (i.e., not ODD-specific) performance by an ADS of the entire DDT and DDT fallback without any expectation that a user will respond to a request to intervene.
    NOTE 1: “Unconditional/not ODD-specific” means that the ADS can operate the vehicle under all driver-manageable on-road conditions. This means, for example, that there are no design-based weather, time-of-day, or geographical restrictions on where and when the ADS can operate the vehicle. However, there may be conditions not manageable by a driver in which the ADS would be unable to complete a given trip (i.e., white-out snow storm, flooded roads, glare ice, etc.) until or unless the adverse conditions clear. At the onset of such unmanageable conditions the ADS would perform the DDT fallback to achieve a minimal risk condition (e.g., by pulling over to the side of the road and waiting for the conditions to change).
    NOTE 2: In the event of a DDT performance-relevant system failure (of an ADS or the vehicle), a level 5 ADS automatically performs the DDT fallback and achieves a minimal risk condition
    NOTE 3: The user does not need to supervise a level 5 ADS, nor be receptive to a request to intervene while it is engaged.
    EXAMPLE: A vehicle with an ADS that, once programmed with a destination, is capable of operating the vehicle throughout complete trips on public roadways, regardless of the starting and end points or intervening road, traffic, and weather conditions.

    5持续的和无条件的(也就是,不是特定于奇数的)执行一个完整的DDT和DDT的广告,而不期望用户会响应一个干预的请求。
    注1:“无条件/非单双号”是指ADS可以在所有驾驶员可管理的道路条件下操作车辆。这意味着,例如,没有基于设计的天气,时间,或地理限制广告可以操作车辆的时间和地点。然而,在一些驾驶员无法控制的情况下,广告可能无法完成指定的行程(例如,白色的暴风雪、被水淹没的道路、耀眼的冰等),直到或除非恶劣的条件消失。在出现这种难以控制的情况时,广告会采取DDT补救措施,以达到最低风险(例如,将车停在路边,等待情况发生变化)。
    注2:如果发生与DDT性能相关的系统故障(ADS或车辆),5级ADS会自动执行DDT回退,并实现最低风险条件
    注3:用户不需要监督5级广告,也不需要接受在用户参与时进行干预的请求。
    例如:一种带有广告的车辆,一旦设定了目的地,就可以在公共道路上行驶,而不受起点和终点的影响,也不受道路、交通和天气的影响。

     

     

    6. SIGNIFICANCE OF OPERATIONAL DESIGN DOMAIN (ODD)  操作设计域的意义(ODD)

    Conceptually, the role of a driving automation system vis-à-vis a user in performance of part or all of the DDT is orthogonal to the specific conditions under which it performs that role: A specific implementation of adaptive cruise control, for example, may be intended to operate only at high speeds, only at low speeds, or at all speeds.
    For simplicity, however, J3016’s taxonomy collapses these two axes into a single set of levels of driving automation. Levels 1 through 4 expressly contemplate ODD limitations. In contrast, level 5 expressly disavows any such limitations.
    Accordingly, accurately describing a feature (other than at level 5) requires identifying both its level of driving automation and its operational design domain (ODD). As provided in the definitions above, this combination of level of driving automation and ODD is called a usage specification, and a given feature satisfies a given usage specification.
    Because of the wide range of possible ODDs, a wide range of possible features may exist in each level (e.g., level 4 includes parking, high-speed, low-speed, geo-fenced, etc.). For this reason, SAE J3016 provides less detail about the ODD attributes that may define a given feature than about the respective roles of a driving automation system and its user.
    ODD is especially important to understanding why an ADS is not level 5 merely because it operates an ADS-dedicated vehicle. Unlike a level 5 ADS, a level 4 ADS has a limited ODD. Geographic or environmental restrictions on an ADS-DV may reflect the ODD limitations of its ADS (or they may reflect vehicle design limitations).
    Figure 9 illustrates the orthogonality of ODD relative to levels of driving automation.
    从概念上讲,驾驶自动化系统的作用性能相对于用户的部分或全部DDT是正交的具体情况下,它执行角色:自适应巡航控制系统的具体实现,例如,也许是为了操作只有在高速,只在低速或速度。
    不过,为了简单起见,J3016的分类法将这两个轴合并为一组单独的驾驶自动化级别。等级1到等级4明确地考虑了奇数的限制。相比之下,第5级明确否认任何此类限制。
    因此,准确地描述一个特征(level 5除外)需要同时识别其驾驶自动化水平和操作设计领域(ODD)。如上面的定义所述,这种驱动自动化级别和奇数的组合称为使用规范,给定的特性满足给定的使用规范。
    因为可能性的范围很广,所以每个关卡都可能存在各种可能的功能(例如,第4个关卡包括停车、高速、低速、地理围栏等)。出于这个原因,SAE J3016提供的关于驱动自动化系统及其用户各自角色的详细信息比定义给定特性的奇数属性要少。
    ODD对于理解为什么ADS不是第5级的特别重要,因为它运行的是一个专门的ADS车辆。与5级广告不同的是,4级广告有一个有限的奇数。对ADS- dv的地理或环境限制可能反映了其广告的ODD限制(或者反映了车辆设计的限制)。
    图9说明了ODD相对于驾驶自动化水平的正交性。

    Figure 10 - Illustrates the significance of ODD relative to the levels.

    图10 -说明了奇数相对于水平的重要性。

    Figure 11 - ODD relative to levels

    图11 -奇数相对水平

     

     

    7. DEPRECATED TERMS   弃用的条款

    For the sake of clarity, this section identifies certain deprecated terms that are not used in this Recommended Practice either because they are functionally imprecise (and therefore misleading) and/or because they are frequently misused by application to lower levels of driving automation (i.e., levels 1 and 2) in which the driving automation system does not perform the entire DDT.为了清晰,本节确定某些弃用的术语是不习惯在这个推荐的做法,因为他们在功能上是不准确的(因此误导)和/或因为他们经常被应用于低水平的滥用驾驶自动化(即水平1和2)的驾驶自动化系统不执行整个DDT

     

    7.1 Autonomous, Self-Driving, Driverless, Unmanned, Robotic   自动驾驶,自动驾驶,无人驾驶,无人驾驶,机器人

    Vernacular terms such as those above are sometimes used—inconsistently and confusingly—to characterize driving automation systems and/or vehicles equipped with them. Because automation is the use of electronic or mechanical devices to replace human labor, based on the Oxford English Dictionary, automation (modified by “driving” to provide context) is the appropriate term for systems that perform part or all of the DDT. The use of other terms can lead to confusion, misunderstanding, and diminished credibility.
    7.1.1 Autonomous
    This term has been used for a long time in the robotics and artificial intelligence research communities to signify systems that have the ability and authority to make decisions independently and self-sufficiently. Over time, this usage was casually broadened to not only encompass decision making, but to represent the entire system functionality, thereby becoming synonymous with automated. This usage obscures the question of whether a so-called “autonomous vehicle” depends on communication and/or cooperation with outside entities for important functionality (such as data acquisition and collection). Some driving automation systems may indeed be autonomous if they perform all of their functions independently and self-sufficiently, but if they depend on communication and/or cooperation with outside entities, they should be considered cooperative rather than autonomous. Some vernacular usages associate autonomous specifically with full driving automation (level 5), while other usages apply it to all levels of driving automation, and some state legislation has defined it to correspond approximately to any ADS at or above level 3 (or to any vehicle equipped with such an ADS).
    Additionally, in jurisprudence, autonomy refers to the capacity for self-governance. In this sense, also, “autonomous” is a misnomer as applied to automated driving technology, because even the most advanced ADSs are not “self-governing.” Rather, ADSs operate based on algorithms and otherwise obey the commands of users.
    For these reasons, this document does not use the popular term “autonomous” to describe driving automation.
    7.1.2 Self-driving
    The meaning of this term can vary based on unstated assumptions about the meaning of driving and driver. It is variously used to refer to situations in which no driver is present, to situations in which no user is performing the DDT, and to situations in which a driving automation system is performing any part of the DDT.
    7.1.3 Driverless and Unmanned
    These terms are frequently misused to describe any vehicle equipped with a level 2 or higher driving automation system. Because “driver” can have many meanings, “driverless” can confuse rather than clarify. (Under J3016’s definitions, an engaged level 3, 4, or 5 ADS displaces a (human) driver.) The term “unmanned” suggests the absence of a person in a vehicle, which can also be misleading because it does not distinguish between a vehicle remotely operated by a human driver and an ADS-operated vehicle in which there are no occupants that have the ability to operate the vehicle.
    7.1.4 Robotic
    This term is sometimes used to connote level 4 or 5 driving automation, such as a closed-campus ADS-DV or a “robotic taxi,” but it is technically vague because any automation technology could be considered to be “robotic,” and as such it conveys no useful information about the ADS or vehicle in question.

    在描述自动驾驶系统和/或配备自动驾驶系统的车辆时,人们有时会不一致地、令人混淆地使用上述术语。根据《牛津英语词典》,自动化是使用电子或机械设备来取代人工劳动,因此自动化(通过“driving”来修饰以提供上下文)是对执行部分或全部DDT的系统的合适术语。使用其他术语会导致混淆、误解和降低可信度。
    安装7.1.1自治
    这个术语在机器人和人工智能研究领域已经使用了很长一段时间,用来表示有能力和权威独立自主地做出决定的系统。随着时间的推移,这种用法被随意地扩展到不仅包括决策制定,而且还代表整个系统功能,因此成为自动化的同义词。这种用法掩盖了一个问题,即所谓的“自动驾驶汽车”在重要功能(如数据采集和收集)上是否依赖于与外部实体的通信和/或合作。如果一些自动驾驶系统能够独立且自给自足地执行所有功能,那么它们可能确实是自主的,但如果它们依赖于与外部实体的通信和/或合作,那么它们就应该被视为协作而不是自主的。一些方言用法将自动驾驶与全自动驾驶(5级)联系起来,而其他用法将自动驾驶应用于所有级别的自动驾驶,一些州的立法将自动驾驶定义为接近于任何3级或以上的自动驾驶(或任何装备了自动驾驶的车辆)。
    另外,在法学中,自治是指自治的能力。从这个意义上说,“自动”也不适用于自动驾驶技术,因为即使是最先进的ADSs也不是“自动管理的”。相反,ADSs是基于算法运行的,而不是服从用户的命令。
    由于这些原因,本文档不使用“自动驾驶”这个流行术语来描述驾驶自动化。
    7.1.2无人驾驶
    这个术语的含义可能会因未说明的关于driving和driver含义的假设而有所不同。它被广泛地用于指没有司机在场的情况,没有用户执行DDT的情况,以及驾驶自动化系统执行DDT的任何部分的情况。
    7.1.3无人驾驶和无人驾驶
    这些术语经常被误用来描述任何配备了2级或更高驾驶自动化系统的车辆。因为“driver”可能有很多意思,“driverless”可能会让人混淆而不是澄清。(根据J3016的定义,敬业的3级、4级或5级广告取代了(人类)司机。)“无人驾驶”一词意味着车辆中没有人,这也可能具有误导性,因为它无法区分由人类驾驶员远程操作的车辆和没有人能够操作车辆的广告操作车辆。
    7.1.4机器人
    这个术语有时用来意味着4或5驾驶自动化水平,比如closed-campus ADS-DV或“机器人出租车,”但它在技术上是模糊的,因为任何自动化技术可以被认为是“机器人”,因此它不传达有用的信息的广告或车辆的问题。

     

     

    7.2 Automated or Autonomous Vehicle   自动驾驶或自动驾驶车辆

    This Recommended Practice recommends against using terms that make vehicles, rather than driving, the object of automation, because doing so tends to lead to confusion between vehicles that can be operated by a (human) driver or by an ADS and ADS-DVs, which are designed to be operated exclusively by an ADS. It also fails to distinguish other forms of vehicular automation that do not involve automating part or all of the DDT.
    Moreover, a given vehicle may be equipped with a driving automation system that is capable of delivering multiple driving automation features that operate at different levels; thus, the level of driving automation exhibited in any given instance is determined by the feature(s) engaged.
    As such, the recommended usage for describing a vehicle with driving automation capability is “level [1 or 2] driving automation system-equipped vehicle” or “level [3, 4, or 5] ADS-equipped vehicle.” The recommended usage for describing a vehicle with an engaged system (vs. one that is merely available) is “level [1 or 2] driving automation system-engaged vehicle” or “level [3, 4, or 5] ADS-operated vehicle.”

    7这推荐实践建议不要使用术语,使汽车,而不是开车,自动化的对象,因为这样做会导致混淆的车辆,可以由一个(人类)司机或一个广告和ADS-DVs,由一个设计为专门经营广告。它还未能区分其他形式的车辆自动化,不涉及自动化DDT的部分或全部。
    此外,给定的车辆可以配备驾驶自动化系统,该系统能够提供在不同水平上运行的多个驾驶自动化特征;因此,在任何给定情况下,驾驶自动化的水平都是由参与的功能决定的。
    因此,推荐使用描述车辆与驾驶自动化能力是“水平[1或2]驾驶自动化系统装备的车辆”或“水平[3,4,或5]ads装备的车辆。推荐使用“[1或2级]驾驶自动化系统接合的车辆”或“[3、4或5级]ads操作的车辆”来描述系统接合的车辆(相对于仅可用的车辆)。

     

     

    7.3 Control  控制

    In colloquial discourse, the term “control” is sometimes used to describe the respective roles of a (human) driver or a driving automation system (e.g., “the driver has control”). The authors of this Recommended Practice strongly discourage, and have therefore deliberately avoided, this potentially problematic colloquial usage. Because the term “control” has numerous technical, legal, and popular meanings, using it without careful qualification can confuse rather than clarify. In law, for example, “control,” “actual physical control,” and “ability to control” can have distinct meanings that bear little relation to engineering control loops. Similarly, the statement that the (human) driver “does not have control” may unintentionally and erroneously suggest the loss of all human authority.
    The preferred terms “DDT performance” (as explained in the definition of DDT above) and “operate” (also a defined term, above) reduce potential confusion by specifically describing what the (human) driver or driving automation system actually does in terms of performing part or all of the DDT. This Recommended Practice does use the terms lateral vehicle motion control and longitudinal vehicle motion control, both of which are explicitly defined in terms of specific engineering functions.
    If “control” is to be used in a particular driving automation context, it should be carefully qualified. To this end, the one using the term “should first describe the control system they actually intend: the goals, inputs, processes, and outputs to the extent they are determined by a human designer and the authority of the human or computer agents to the extent they are not.” See Bryant Walker Smith, Engineers and Lawyers Should Speak the Same Robot Language, in Robot Law (2015), available at newlypossible.org.
    在口语中,术语“控制”有时被用来描述(人类)司机或驾驶自动化系统各自的角色(例如,“司机有控制”)。这种推荐做法的作者强烈反对,并因此有意避免这种有潜在问题的口语用法。因为“控制”一词有许多技术、法律和通俗的含义,如果不仔细限定使用它,可能会造成混淆而不是澄清。例如,在法律上,“控制”、“实际物理控制”和“控制能力”可以有不同的含义,与工程控制回路没有什么关系。同样,(人类)驾驶员“没有控制权”的说法可能无意中错误地暗示失去了所有人类的权威。
    首选术语“DDT性能”(见上文DDT的定义)和“操作”(也是已定义的术语,见上文)通过具体描述(人类)驾驶员或驾驶自动化系统在执行部分或全部DDT时的实际操作,来减少潜在的混淆。这个推荐的实践确实使用了横向车辆运动控制和纵向车辆运动控制这两个术语,这两个术语在特定的工程功能中都有明确的定义。
    如果“控制”是在一个特定的驾驶自动化环境中使用,它应该经过仔细的限定。为此,使用术语“应该首先描述他们实际打算的控制系统:目标、输入、过程和输出(在一定程度上它们是由人类设计师和人类或计算机代理的权威(在一定程度上它们不是)决定的。《工程师和律师应该说同样的机器人语言》(2015),可在newpossible.org上查阅。

     

     

    8. ADDITIONAL DISCUSSION   额外的讨论

    8.1 Level are assigned, rather than measured  等级是指定的,而不是测量的

    It is not possible to describe or specify a complete test or set of tests which can be applied to a given ADS feature to conclusively identify or verify its level of driving automation. The level assignment rather expresses the design intention for the feature and as such tells potential users or other interested parties that the feature can be expected to function such that the roles of the user vs. the driving automation system while the feature is engaged are consistent with the assigned level, as defined in this document. The level assignment is typically based on the manufacturer’s knowledge of the feature’s/system’s design, development, and testing, which inform the level assignment. An ADS feature’s capabilities and limitations are communicated to prospective users through various means, such as in an owner’s manual, which explains the feature in detail, including how it should and should not be used, what limitations exist (if any), and what to do (if anything) in the event of a DDT performance-relevant system failure in the driving automation system or vehicle.描述或指定一个完整的测试或一组测试是不可能的,它可以应用到特定的ADS功能,以最终确定或验证其驾驶自动化水平。作业水平,而表达设计意图的功能,因此告诉潜在用户或其他感兴趣的特性可以将功能,这样用户的角色和驾驶自动化系统虽然功能是符合指定的水平,在这个文件中定义。关卡分配通常是基于制造商对功能/系统的设计、开发和测试的了解,并以此作为关卡分配的依据。一个广告特性的功能和限制沟通潜在用户通过各种途径,如在一个用户手册,详细解释了功能,包括如何应该和不应该被使用,存在哪些局限性(如果有的话),以及做什么(如果有的话)在发生DDT performance-relevant车辆驾驶自动化系统或系统故障。
     
    As such, the manifestation of one or more performance deficiencies in either the driving automation system or in the user’s use of it does not automatically change the level assignment. For example:
    • An ADS feature designed by its manufacturer to be level 5 would not automatically be demoted to level 4 simply by virtue of encountering a particular road on which it is unable to operate the vehicle.
    • The user of an engaged level 3 ADS feature who is seated in the driver’s seat of an equipped vehicle is the DDT fallback-ready user even if s/he is no longer receptive to a request to intervene because s/he has improperly fallen asleep.
    因此,在驾驶自动化系统或用户使用它的一个或多个性能缺陷的表现不会自动改变级别分配。例如:
    •由制造商设计的广告功能等级为5级,不会因为遇到一条无法操作车辆的特定道路而自动降为4级。
    •使用3级ADS功能的用户坐在装备车辆的驾驶员座位上,是DDT后备用户,即使她/他不再接受干预请求,因为她/他不恰当地睡着了。

     

    8.2 Levels are Mutually Exclusive 级别是相互排斥的

    The levels in this taxonomy are intentionally discrete and mutually exclusive. As such, it is not logically possible for a given feature to be assigned more than a single level. For example, a low-speed driving automation feature described by the manufacturer as being capable of performing the complete DDT in dense traffic on fully access-controlled freeways cannot be both level 3 and level 4, because either it is capable of automatically performing the DDT fallback and achieving a minimal risk condition whenever needed, or it relies (at least sometimes) on the driver to respond to a request to intervene and either perform the DDT or achieve a minimal risk condition on his or her own.
    It is, however, quite possible for a driving automation system to deliver multiple features at different levels, depending on the usage specification and/or user preferences. For example, a vehicle may be equipped with a driving automation system capable of delivering, under varying conditions, a level 1 ACC feature, a level 2 highway assistance feature, a level 3 freeway traffic jam feature, and a level 4 automated valet parking feature – in addition to allowing the user to operate the vehicle at level 0 with no driving automation features engaged. From the standpoint of the user, these various features engage sequentially, rather than simultaneously, even if the driving automation system makes use of much of the same underlying hardware and software technology to deliver all four driving automation features.
    这种分类法中的级别是故意分离和相互排斥的。因此,从逻辑上讲,一个给定的功能不可能被分配到多个关卡中。例如,低速驾驶自动化制造商所描述的功能是能够执行完整的DDT在浓密的完全访问权限控制的已命名的高速公路上交通不能3级和4级,因为它能够自动执行DDT后退,只要需要,达到最小的风险状况或者,它依赖于(至少有时)驾驶员对干预请求的响应,或者执行DDT,或者实现自己的最小风险条件。
    然而,驱动自动化系统很可能在不同的层次上交付多个特性,这取决于使用规范和/或用户偏好。例如,车辆可能会配备驾驶自动化系统交付的能力,在不同的条件下,1级ACC特性,二级公路援助功能,三级公路交通堵塞特性和四级自动代客泊车功能——除了允许用户操作车辆在0级没有驾驶自动化特性。从用户的角度来看,这些不同的功能是顺序连接的,而不是同时连接的,即使自动驾驶系统使用了大部分相同的底层硬件和软件技术来提供所有四种自动驾驶功能。

     

    8.3 User request to perform the DDT when a level 3, 4 or 5 ADS is engaged  当3级、4级或5级广告被激活时,用户要求执行DDT

    Vehicles equipped with an engaged level 3 ADS feature are expected to relinquish the DDT upon request by a DDT fallback-ready user. This expectation is a logical consequence of the DDT fallback-ready user’s need to be able to perform the DDT fallback whenever required, including in cases when a DDT performance-relevant vehicle system failure has occurred that the ADS may not be monitoring (such as a broken suspension component).
    Some vehicles equipped with level 4 or 5 driving automation features may not be designed to allow for driver operation (i.e. ADS-DV). In these types of vehicles, passengers may be able to demand a vehicle stop by, for example, pulling an emergency stop lever, and in response, the ADS would achieve a minimal risk condition.
    However, other vehicles equipped with level 4 or 5 driving automation features may also be designed for driver operation (i.e., at any lower level, including level 0). A user may request to operate these vehicles while the ADS is engaged without having been issued a request to intervene by the ADS. In these cases, the ADS may delay relinquishing of the DDT to ensure a smooth transition to the driver’s performance of the DDT, or to prevent a hazardous condition.
    For example:
    • A vehicle being operated by a level 4 ADS highway pilot feature that is negotiating a tight curve may not immediately disengage upon the user’s request, but may instead do so gradually as the user indicates through steering input that s/he is fully re-engaged in the DDT.
    • A level 4 ADS feature designed to operate a vehicle in a high-speed convoy with small gaps between vehicles may delay relinquishing performance of the DDT to a user upon his or her request to resume driving until after the ADS has safely maneuvered the vehicle out of the convoy, since (human) drivers may not be capable of safely operating a vehicle in a close-coupled convoy.
    配备了3级ADS功能的车辆应在DDT后备用户的要求下放弃使用DDT。这一预期是DDT备援用户需要在需要时执行DDT备援的逻辑结果,包括当与DDT性能相关的车辆系统出现故障,而广告可能没有监测到时(如悬架部件损坏)。
    一些配备了4级或5级驾驶自动化功能的车辆可能在设计上不允许驾驶员操作(即ADS-DV)。在这些类型的车辆中,乘客可以要求车辆停下来,例如,拉一个紧急停止杠杆,而作为回应,广告将实现最小的风险条件。
    然而,其他车辆配备4级或5驾驶自动化功能也可以用于司机操作(例如,在任何低水平,包括0级),用户可以请求操作这些车辆在广告投入不被广告发布请求干预。在这些情况下,DDT的广告可能会延迟放弃以确保顺利过渡到司机的DDT的性能,或防止危险的条件。
    例如:
    •由4级ADS高速公路驾驶员驾驶的车辆在通过一个狭窄的弯道时,可能不会根据用户的要求立即退出,但可能会逐渐退出,因为用户通过转向输入表明,他/她完全重新投入到DDT中。
    •四级广告特性设计运营车辆在高速小车队车辆可能会延迟放弃DDT的性能差距在他或她的用户请求广告后继续开车,直到安全机动车辆的车队,因为(人类)司机可能无法安全地操作一个短背的车队一辆汽车。

     

    8.4 Driving vs. DDT   驾驶vs. DDT

    Driving entails a variety of decisions and actions, which may or may not involve a vehicle being in motion, or even being in an active lane of traffic. The overall act of driving can be divided into three types of driver effort: Strategic, Tactical, and Operational (Michon, 1985). Strategic effort involves trip planning, such as deciding whether, when and where to go, how to travel, best routes to take, etc. Tactical effort involves maneuvering the vehicle in traffic during a trip, including deciding whether and when to overtake another vehicle or change lanes, selecting an appropriate speed, checking mirrors, etc. Operational effort involves split-second reactions that can be considered pre-cognitive or innate, such as making micro-corrections to steering, braking and accelerating to maintain lane position in traffic or to avoid a sudden obstacle or hazardous event in the vehicle’s pathway.
    The definition of DDT provided above (3.4) includes tactical and operational effort but excludes strategic effort. It is that portion of driving that specifically entails operating a vehicle in an active lane of traffic when the vehicle is either in motion or imminently so. (It should be noted that these terms—strategic, tactical and operational—may have different meanings in other contexts but are defined as above for the purposes of this document.) Indeed, this Recommended Practice defines “operate” to include both operational and tactical efforts.
    Object and event detection, recognition, classification, and response (aka, OEDR) form a continuum of activities often cited in the driver workload literature. In the case of driving automation systems, OEDR also includes driving events associated with system actions or outcomes, such as undiagnosed driving automation system errors or state changes.

    驾驶需要做出各种决定和行动,这些决定和行动可能涉及到车辆是否处于运动状态,甚至是否处于活跃的车道上。驾驶的整体行为可以分为三种类型的驾驶员努力:战略、战术和操作(Michon, 1985)。策略性的努力包括旅行计划,如决定是否去、何时去、去哪里、如何旅行、最佳路线等。战术努力包括在行驶过程中操纵车辆,包括决定是否及何时超车或变道,选择合适的速度,检查后视镜等。操作努力包括可被认为是预先认知或先天的瞬间反应,例如在交通中对转向、刹车和加速进行微小修正,以保持车道位置,或避免突然出现的障碍或道路上的危险事件。
    上文(3.4)中DDT的定义包括战术和作战努力,但不包括战略努力。这是驾驶的一部分,特别需要在车辆正在行驶或即将行驶时,在活跃车道上操作车辆。(需要注意的是,这些术语——战略、战术和作战——在其他上下文中可能有不同的含义,但在本文档中如上定义。)事实上,这个推荐的实践定义了“操作”,包括操作和战术努力。
    对象和事件检测、识别、分类和响应(又名OEDR)是驱动工作负载文献中经常引用的连续活动。对于驾驶自动化系统,OEDR还包括与系统操作或结果相关的驾驶事件,如未诊断的驾驶自动化系统错误或状态更改。

    8.5 Comparison of J3016 driving automation levels with BASt and NHTSA levels   J3016驾驶自动化水平与BASt、NHTSA水平比较

    Prior to the initial publication of J3016 in January 2014, there were two published documents that described levels of driving automation with respect to motor vehicles and/or driving: The US National Highway Traffic Safety Administration (NHTSA)’s “Preliminary Statement of Policy Concerning Automated Vehicles” (May 30, 2013) and the German Federal Highway Research Institute’s (Bundesanstalt für Strassenwesen, a.k.a. BASt) “Legal consequences of an increase in vehicle automation” Tom M. Gasser et al. (July 23, 2013). After thorough review of both documents, including discussions with both authoring organizations, SAE Task Force members were persuaded that the BASt levels were more in line with the Task Force’s operating principles, namely, that SAE J3016 should be:
    • Descriptive rather than normative, which is to say it should provide functional definitions.
    • Consistent with current industry practice.
    • Consistent with prior art – we should start with what has already been done and change only what is necessary.
    • Useful across disciplines, including engineering, law, media, public discourse.
    • Clear and cogent, which is to say we should avoid or define ambiguous terms.
    In keeping with these guiding principles, SAE largely adopted the BASt levels, but with several adjustments:
    • Added a sixth level (namely, level 5 – full driving automation) not described in the BASt levels.
    • Modified level names accordingly.
    • Added supporting terms and definitions, such as DDT, minimal risk condition, etc.
    • Described categorical distinctions that provide for a step-wise progression through the levels.
    • Provided explanatory text and examples to aid the reader in understanding the levels, definitions, and their derivation.

    在2014年1月J3016首次发布之前,有两份公开的文件描述了机动车和/或驾驶方面的驾驶自动化水平:美国国家公路交通安全管理局(NHTSA)的“关于自动驾驶汽车政策的初步声明”(2013年5月30日)和德国联邦公路研究所(Bundesanstalt für Strassenwesen,又名BASt)的“车辆自动化程度提高的法律后果”Tom M. Gasser等人(2013年7月23日)。经过对这两份文件的全面审查,包括与两家撰写机构的讨论,SAE工作组成员相信,BASt级别更符合工作组的工作原则,即SAE J3016应该是:
    •描述性而非规范性,也就是说它应该提供功能定义。
    •与当前行业实践一致。
    •与现有技术一致-我们应该从已经做的开始,只改变必要的。
    •适用于工程、法律、媒体、公共话语等学科。
    •清晰而有说服力,也就是说我们应该避免或定义模棱两可的术语。
    为了与这些指导原则保持一致,SAE在很大程度上采用了BASt级别,但进行了一些调整:
    •增加了第6级(即5级——全自动驾驶),没有在BASt级别中描述。
    •修改相应的级别名称。
    •增加支持性术语和定义,如DDT,最小风险条件等。
    •描述了在关卡中逐步推进的分类区别。
    •提供解释性的文本和例子,帮助读者理解层次,定义,及其推导。

    After SAE J3016 was published in January, 2014, the International Organization of Motor Vehicle Manufacturers (Organisation Internationale des Constructeurs d’Automobiles, a.k.a., OICA) adopted the BASt levels and aligned them (in English) with SAE J3016, including adding a sixth level to represent “full driving automation.”
    However, BASt/SAE/OICA levels differ more fundamentally from the levels described by the National Highway Traffic Safety Administration (NHTSA) in its “Preliminary Statement of Policy Concerning Automated Vehicles” (May 30, 2013). NHTSA’s levels were intended to provide preliminary policy guidance to U.S. state and local governments contemplating legislation and/or regulation related to “automated/autonomous vehicles.” As such, NHTSA’s level descriptions are written in loosely descriptive terms using normative language and therefore do not provide the degree of definitional and functional clarity that are ultimately required to support the technical and policy discussions that lead to standards, norms and/or legal requirements.
    Moreover, NHTSA’s levels purport to apply to vehicles, rather than to driving automation, which, as explained above, leads to confusion. The NHTSA levels also include features and functions that do not serve to automate part or all of the DDT on a sustained basis, such as anti-lock brake systems (ABS), electronic stability control (ESC), and lane keeping assistance systems (LKAS). These intervention-type active safety systems are not driving automation system features, because, DDT performance (partial or complete) is not sustained between and across external events during driving. Rather, these active safety systems are momentarily activated during a specific driving safety hazard scenario and then quickly cut out again, and activation of such systems also does not change the driver’s role in terms of performing the DDT. (See Scope above.)
    Finally, it should be noted that crash avoidance features, including intervention-type active safety systems, may be included in vehicles equipped with driving automation systems at any level. For ADS-equipped vehicles (i.e., levels 3-5) that perform the complete DDT, crash avoidance capability is part of ADS functionality.

     

    2014年1月,SAE J3016发布后,国际汽车制造商组织(Organisation Internationale des Constructeurs d’automobiles,简称OICA)采用了BASt等级,并将其与SAE J3016进行了调整(英文),包括增加了第六个等级,代表“全驾驶自动化”。
    然而,BASt/SAE/OICA的水平与美国国家公路交通安全管理局(NHTSA)在其“自动驾驶汽车政策初步声明”(2013年5月30日)中所描述的水平有更根本的不同。NHTSA的标准旨在为美国各州和地方政府制定与“自动驾驶汽车”相关的立法和/或法规提供初步政策指导。因此,NHTSA的等级描述是用规范语言写成的松散的描述性术语,因此不能提供支持最终制定标准、规范和/或法律要求所需的技术和政策讨论所需的定义程度和功能清晰度。
    此外,NHTSA的标准据称只适用于汽车,而不适用自动驾驶系统,如上所述,这会导致人们的困惑。NHTSA的标准还包括一些不适合持续自动驾驶的部件和功能,如防抱死制动系统(ABS)、电子稳定控制系统(ESC)和车道保持辅助系统(LKAS)。这些干预型主动安全系统并不是驾驶自动化系统的特征,因为在驾驶过程中,DDT的性能(部分或全部)不会在外部事件之间或之间持续。相反,这些主动安全系统在特定的驾驶安全危险场景中会暂时激活,然后很快再次断开,而在执行DDT时,这些系统的激活也不会改变驾驶员的角色。(参见上面的范围。)
    最后,应该注意的是,防撞功能,包括干预型主动安全系统,可能包括在任何水平上配备驾驶自动化系统的车辆。对于装备了ADS的车辆(如3-5级),执行完整的DDT,碰撞躲避能力是ADS功能的一部分。

     

    9. NOTES  说明

    9.1 Revision Indicator  修订指示器

    A change bar (l) located in the left margin is for the convenience of the user in locating areas where technical revisions, not editorial changes, have been made to the previous issue of this document. An (R) symbol to the left of the document title indicates a complete revision of the document, including technical revisions. Change bars and (R) are not used in original publications, nor in documents that contain editorial changes only.位于文档左边的变更栏(l)是为了方便用户定位对前一期文档做过技术修改而非编辑性修改的地方。文件标题左侧的(R)符号表示文件的完整修订,包括技术修订。更改栏和(R)不用于原始出版物,也不用于仅包含编辑更改的文档。

    PREPARED BY THE SAE ON-ROAD AUTOMATED VEHICLE STANDARDS COMMITTEE
    由SAE道路自动驾驶汽车标准委员会编写

     

     

     

     

    展开全文
  • 随着自动驾驶汽车与人工智能的深度融合, 自动驾驶汽车可以实现高度智能,真正实现 Level 4+级的自动驾驶技术。 在享受科技成果的同时,我们也需要认识到, 自动驾驶技术可以带来无限憧憬,但也会给社会生活带来...
  • 自动驾驶技术目前已经在室内机器人、AGV 等领域形成部分商业应用,在楼宇配送、园区物流等领域也逐步兴起,物流无人车能见度越来越高。随着自动驾驶技术的不断发展升级,未来有望在更多的场景中 得到成熟应用,在...
  • 华为 CloudEngine系列产品 RESTfUlAPI参考手册pdf 华为 Telemetry.次开发指南p 华为园区网络自动化设计与部署手册pdf 华为自动驾驶网络专刊pdf
  • 随着科技发展突飞猛进,人们日常生活中自动化的部署已经无处不在,甚至继无人探测机、制造业机械化管理之后,无人驾驶汽车也新近在国内测试成功,运用技术手段提高效率并减少人力成本已成为智能化时代人们生活发展的...
  • 本文重点介绍自动驾驶汽车的概述及其在印度乃至全球的现状。 自动驾驶汽车对世界来说并不是一个新概念... 此外,本文还讨论了印度新兴的研究人员可以在哪些领域开展工作,以实现自动驾驶汽车的自动化水平提高到第三级。
  • 基于确保美国在自动驾驶技术领域的领先地位:自动驾驶汽车 4.0 (AV 4.0) 中所述的原则,该计划定义了三个目标,以实现自动驾驶系统 (ADS) 的这一愿景: 1. 促进协作和透明度——美国 DOT 将促进其合作伙伴和利益相关...
  • 初识自动驾驶

    千次阅读 2022-01-29 16:50:28
    本文是个人在阅读了《自动驾驶技术概论》之后,对于自动驾驶的一些认知,多数信息来源于书中的摘抄。 整体认知 定义 又称无人驾驶、电脑驾驶或轮式移动机器人,是依靠计算机与人工智能技术在没有人为操纵的...
  • L5级全自动驾驶(无人驾驶)的汽车无法在TO-C领域普及,技术层面的解析第二节进行。自动驾驶的适用场景限制,不同场景中汽车驾驶主体的区分! 等级的L5级自动驾驶汽车,其功能设定为仅限于场景而没有定义交通气象条
  • 这次合作,既是汽车制造商在自动驾驶领域的进一步布局,也是腾讯在自动驾驶领域的最新动态。 腾讯无人车进展 从2016年9月,腾讯自动驾驶团队成立之后,每隔一段时间便会有新的动态出现。 从最近的招聘需求
  • 自动驾驶是汽车产业与人工智能、高性能计算、大数据、物联网等新一代信息 技术以及交通出行、城市管理等多领域深度融合的产物,对降低交通拥堵、事故率,帮助城市构建安全、高效的未来出行结构,对汽车产业变革,...
  • 概念篇首先对自动驾驶汽车涉及到的相关概念进行介绍,包括自动驾驶汽车等级标准、智能汽车、无人驾驶汽车等;接着对自动驾驶汽车技术及其技术价值进行概括介绍;重点描绘了国外、国内无人驾驶汽车发展图谱。 自动...
  • 全球无人驾驶格局及技术方案比较 多传感器融合的基本原理和算法 基于多传感器前融合的L4技术方案解析 Roadstar.ai如何加速落地和商业
  • 随着现在深度学习的兴起,仿真在自动驾驶领域有了新的用武之地。自动驾驶平台通过仿真采集数据,可以把训练时间大大提高,远远超出路测的时间,加快模型迭代速度。先利用集群训练模型,然后再到实际的路测中去检验,...
  • 本文档介绍了基本的自动驾驶系统、传感器建模、场景建模、场景库设计、车辆动力学建模、测试评估与自动化测试执行等内容。其中着重介绍汽车领域SIL\HIL\DIL\VIL的系统架构,是自动驾驶仿真系统开发与测试理想的参考...
  • 激光雷达是目前自动驾驶系统中的核心传感器之一,但是由于其信息密度低、存在垂直盲区等问题,厂商大多在其L4级自动驾驶系统中搭配多组激光雷达,下图为通用(Cruise)的自动驾驶汽车,采用了多激光雷达以弥补lidar+...
  • 陈文博摘 要:在自动驾驶的感知系统中,图像传感器能够获取物体的类型、颜色等信息,相比其它传感器,信息更加丰富,但信息提取的难度较大。计算机视觉技术的出现为从图像数据里提取关键信息提供了基础。本文介绍了...
  • 自动驾驶领域开源数据集详细汇总

    千次阅读 2021-09-28 01:21:59
    1. KITTI数据集KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办,是目前最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo),...
  • 核心观点 2021年自动驾驶正加速向L3买进。...自动驾驶相关标准渐行渐近。LTE-V、5G等通信技术成为自动驾驶车辆通信标准的关键,将为自 动驾驶提供高速率、低时延的网络支撑。端、管、云服务体系逐渐推.
  •  汽车和自动驾驶技术领域的 11 家行业领导者宣布发布“自动驾驶安全第一”或 SaFAD(Safety First For Automated Driving),这是一个用于开发、测试和验证安全自动驾驶乘用车的综合性、有组织的框架。  这 11 家...
  • 领域,低时延高可靠的连接是智能汽车实现 L4/5 自动驾驶的关键。 5G 的 持续推进,有望推动车联网与自动驾驶腾飞。  车联网 C-V2X 有望后来居上, 2025 年市场规模近万亿。 车联网主要有 DSRC 和 C-V2X 两种...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 51,265
精华内容 20,506
关键字:

自动化相关领域自动驾驶