| by YoungTimes | No comments

自动驾驶白皮书-《自动驾驶安全百问》

[……]

继续阅读

Read More
| by YoungTimes | No comments

自动驾驶白皮书-《中国自动驾驶安全读本》

中国汽车技术研究中心有限公司联合百度发展研究中心和百度智能驾驶事业群组共同发布《中国自动驾驶安全读本》和《自动驾驶安全百问》。

《中国自动驾驶安全读本》通过自动驾驶开创智慧交通新时代、未来新出行、自动驾驶是如何实现的、自动驾驶老司机是如何养成的、自动驾驶安全设计体系、自动驾驶适合率先应用的领域及安全保障、自动驾驶需要的法律法规和其它配套保障七个部分系统解读了中国自动驾驶现状,为自动驾驶领域的各个入局者提供安全说明书。

以下为中国自动驾驶安全读本全文:

[……]

继续阅读

Read More
| by YoungTimes | No comments

机器学习-Mean Shift聚类算法

Mean Shift算法建立在核密度估计(kernel density estimation,KDE)的基础之上,它假设数据点集是从Probability Distribution中采样获取的,Kernel Density Estimation是从数据点集估计Probability Distribution的非参数估计方法。

1.Kernel Density Estimation

给定n个数据点$x_i \in R^d$,使用Radially Symmetric Kernel的Multivariate Kernel Density Estimate的形式如下:

$\hat{f[……]

继续阅读

Read More
| by YoungTimes | No comments

Google Waymo自动驾驶安全技术报告(二)

Waymo的技术在公开道路上、封闭测试场、仿真器进行了广泛的测试,所以可以保证自动驾驶系统的每一部分在其ODD内都有强大、可靠、安全的处理能力。

Waymo的自动驾驶系统由三个相互独立、严格测试的子系统组成:

1)经过OEM认证的基础车辆系统;

2)传感器和计算机等内部硬件系统;

3)做出所有驾驶决策的自动驾驶软件系统;

这些子系统组合起来构成一个完整的自动驾驶系统,然后我们对其进行进一步的测试和验证。对各个系统的测试和验证可以确保自动驾驶车辆满足我们对系统设定的所有安全要求。

3. Testing and Validation Methods

3.[……]

继续阅读

Read More
| by YoungTimes | No comments

Real-Time Object Detection-YOLO V1学习笔记

YOLO之前的Object Detection方法主要是通过Region Proposal产生大量的Bounding Box,再用Classifier判断每个Bounding Box是否包含Object,以及Object所属类别的Probability。

YOLO提出了一种新的Object Detection方法,它将Object Detection作为一个空间分离的Bounding Box和对应Class Probability的Regression问题来处理。YOLO使用单个神经网络直接从整幅图像预测Bounding Box和Class Probability,也正因为整个检测过程[……]

继续阅读

Read More
| by YoungTimes | No comments

Google Waymo自动驾驶安全技术报告(一)

2017年10月Google Waymo向美国交通部提交了一份43页的安全报告,报告中详细说明了Waymo如何装备和训练自动驾驶车辆,从而避免驾驶中的一般和意外情况发生。这份报告对Waymo的自动驾驶技术进行了详细的解读,希望能够对自动驾驶从业者带来一些启发。

完整的waymo自动驾驶安全报告地址:
https://storage.googleapis.com/sdc-prod/v1/safety-report/waymo-safety-report-2017-10.pdf

自动驾驶技术的必要性

2013年在全球有120万人死于交通事故;2016年美国有37461人死于[……]

继续阅读

Read More
| by YoungTimes | No comments

Faster-RCNN中Anchor锚框生成

Anchor是Faster RCNN中的一个重要的概念,在对图像中的物体进行分类检测之前,先要生成一系列候选的检测框,以便于神经网络进行分类和识别。

1.什么是Anchor

论文中的描述如下:

An anchor is centered at the sliding window in question, and is associated with a scale and aspect ratio.

如图1所示,Anchor是以待检测位置为中心,以指定的大小和高宽比构成一组锚框。
假设Feature Map的宽度为W,宽度为H,在每个待检测的位置生成的锚框数目为K,[……]

继续阅读

Read More
| by YoungTimes | No comments

目标检测(Object Detection)的评估指标mAP

在Faster RCNN论文中与Fast RCNN的对比效果如下:

官方公布的Fast R-CNN在COCO test-dev数据集上的mAP@.5为35.9%,mAP@[.5,.95]为19.7;

作者在论文中自己实现的Fast R-CNN在COCO test-dev上的mAP@.5为39.3%,mAP@[.5,.95]为19.3%,之所以比官方公布的指标高,作者认为原因在于:

We conjecture that the reason for this gap is mainly
due to the definition of the negative samples[……]

继续阅读

Read More
| by YoungTimes | No comments

目标检测(Object Detection)-Faster RCNN中的ROI Pooling层

1.什么是ROI Pooling

ROI(Region Of Interest)是从目标图像中识别出的候选识别区域。在Faster RCNN中,候选识别区域(ROIs)是把从RPN(Region Proposal Network)产生的候选识别框映射到Feature Map上得到的。
ROI Pooling的作用就是把大小形状各不相同的候选识别区域归一化为固定尺寸的目标识别区域。

2.ROI Pooling算法

ROI Pooling不同于CNN 网络中的池化层,它通过分块池化的方法得到固定尺寸的输出。
假设ROI Pooling层的输出大小为$w_2 * h_2$,输入候选[……]

继续阅读

Read More
| by YoungTimes | No comments

计算几何-线段集的所有交点

1.问题描述

给定N条线段,计算这些线段彼此之间的所有交点。

2.Bentley Ottmann Algorithm

2.1 算法的前提假设:
a) 不存在两条线段的终点和交点有相同的x坐标;
b) 不存在多于两条的线段相交于一点;
c) 不存在两条线段完全相互重叠;

2.2 关键的观察结论:
a) 两条相交的线段必然是相邻近的;
b) 两条线段相交后,会交换位置,在上面的线段在经过交点后,会到另一条线段的下面;

扫描线算法的Events
所有线段的终点和交点(由于交点是动态计算出来,所以采用优先级队列记录Events)。

扫描线算法的Active Set
所有与扫描线相[……]

继续阅读

Read More