康奈爾大學研究人員鳥瞰識別物體 讓立體攝像頭成為自動駕駛汽車激光雷達的低成本替代品

(圖片來源:康奈爾大學官網)據國外媒體報道，目前，用于檢測自動駕駛汽車行駛路徑中三維物體的激光傳感器體積龐大、外形丑陋、價格昂貴、效率低下，但精度很高。這種激光探測和測距(lidar)傳感器通常安裝在車頂，增加了風阻，這對電動汽車來說是一個缺點，將增加一輛汽車的成本約1萬美元(約合人民幣67181元)。然而，盡管存在許多缺點，但大多數專家認為，激光雷達傳感器是自動駕駛汽車安全感知路上行人、汽車和其他危險的唯一可行方式。現在，康奈爾大學的研究人員發現了一種更簡單的探測物體的方法，通過在擋風玻璃兩側使用兩個廉價的相機，探測精度接近激光雷達，而成本只是激光雷達的幾分之一。研究人員發現，當從鳥瞰視角而非傳統的正面視角分析拍攝的圖像時，精確度提高了兩倍以上，從而使立體相機成為激光雷達的低成本替代品。康奈爾大學計算機科學系副教授、論文高級作者Kilian Weinberger表示:“自動駕駛汽車的一個基本問題是識別周圍的物體，這顯然是汽車在駕駛環境中導航的關鍵。一般認為，沒有激光雷達，就無法生產自動駕駛汽車。我們已經證明，至少在原則上，這是可能的。”激光雷達傳感器利用激光創建周圍環境的三維點地圖，通過光速測量物體的距離。立體相機和人眼一樣，使用兩個視角來確定深度，看起來很有前景。但是它們識別物體的準確率很低，傳統的觀點是太不準確。這篇論文的第一作者，康乃爾大學計算機科學系的博士生王艷和他的合作伙伴仔細查看了立體攝像機的數據。他們驚訝地發現，立體攝像機獲得的信息與激光雷達獲得的信息一樣準確，但他們發現，在分析立體攝像機的數據時，準確性存在差異。對于大多數自動駕駛汽車來說，攝像頭或傳感器捕捉的數據是通過卷積神經網絡進行分析的，卷積神經網絡是一種機器學習算法，可以通過使用過濾器識別與圖像相關的模式來識別圖像。這種卷積神經網絡已經被證明非常擅長識別標準彩色照片中的物體，但如果從正面識別，就會扭曲照片中的三維信息。因此，王和他的同事們將圖像從正面視角改為從鳥瞰視角觀察的點云，精確度提高了一倍以上。溫伯格表示，最終，立體攝像頭可能會成為低成本汽車識別物體的主要方法，或者是已經配備激光雷達識別物體的高端汽車的備用方法。

(圖片來源:康奈爾大學官網)據國外媒體報道，目前，用于檢測自動駕駛汽車行駛路徑中三維物體的激光傳感器體積龐大、外形丑陋、價格昂貴、效率低下，但精度很高。這種激光探測和測距(lidar)傳感器通常安裝在車頂，增加了風阻，這對電動汽車來說是一個缺點，將增加一輛汽車的成本約1萬美元(約合人民幣67181元)。然而，盡管存在許多缺點，但大多數專家認為，激光雷達傳感器是自動駕駛汽車安全感知路上行人、汽車和其他危險的唯一可行方式。現在，康奈爾大學的研究人員發現了一種更簡單的探測物體的方法，通過在擋風玻璃兩側使用兩個廉價的相機，探測精度接近激光雷達，而成本只是激光雷達的幾分之一。研究人員發現，當從鳥瞰視角而非傳統的正面視角分析拍攝的圖像時，精確度提高了兩倍以上，從而使立體相機成為激光雷達的低成本替代品。康奈爾大學計算機科學系副教授、論文高級作者基里安·溫伯格(Kilian Weinberger)表示:“自動駕駛汽車的一個基本問題是識別周圍的物體，這顯然是汽車導航的關鍵……駕駛環境中的te。一般認為，沒有激光雷達，就無法生產自動駕駛汽車。我們已經證明，至少在原則上，這是可能的。“激光雷達傳感器使用激光創建周圍環境的三維點地圖，并通過光速測量物體的距離。立體相機和人眼一樣，使用兩個視角來確定深度，看起來很有前景。但是它們識別物體的準確率很低，傳統的觀點是太不準確。這篇論文的第一作者，康乃爾大學計算機科學系的博士生王艷和他的合作伙伴仔細查看了立體攝像機的數據。他們驚訝地發現，立體攝像機獲得的信息與激光雷達獲得的信息一樣準確，但他們發現，在分析立體攝像機的數據時，準確性存在差異。對于大多數自動駕駛汽車來說，攝像頭或傳感器捕捉的數據是通過卷積神經網絡進行分析的，卷積神經網絡是一種機器學習算法，可以通過使用過濾器識別與圖像相關的模式來識別圖像。這種卷積神經網絡已經被證明非常擅長識別標準彩色照片中的物體，但如果從正面識別，就會扭曲照片中的三維信息。因此，王和他的同事們將圖像從正面視角改為從鳥瞰視角觀察的點云，精確度提高了一倍以上。溫伯格表示，最終，立體攝像頭可能會成為低成本汽車識別物體的主要方法，或者是已經配備激光雷達識別物體的高端汽車的備用方法。

標簽：發現

汽車資訊熱門資訊