「自動駕駛新青(qing)年講座」由智東西(xi)公開課全新企(qi)劃，將(jiang)邀(yao)請全球(qiu)知名(ming)高校、頂(ding)尖研究(jiu)機構以及優秀企(qi)業的新青(qing)年，主講在環境感知、精準定位、決策規劃、控制執行等自動駕駛關鍵技(ji)術上的最新研究(jiu)成果和開發(fa)實踐。
有興趣分(fen)享的朋友，可(ke)以與(yu)智東(dong)西公開課教研團隊進行(xing)郵件（class@sanyasheying.cn）聯系(xi)。
汽(qi)(qi)車(che)雷(lei)達(da)(da)在全天候(hou)條件下(xia)以可(ke)(ke)承受的成(cheng)本提供(gong)可(ke)(ke)靠的環境感知，但(dan)由于雷(lei)達(da)(da)探測點的稀疏性，它(ta)幾(ji)乎無法提供(gong)語義和幾(ji)何信息。隨著近(jin)年(nian)來(lai)汽(qi)(qi)車(che)雷(lei)達(da)(da)技(ji)術(shu)的發展，通過使用汽(qi)(qi)車(che)雷(lei)達(da)(da)進(jin)行實例分(fen)割(ge)成(cheng)為可(ke)(ke)能(neng)。其數據(ju)包含雷(lei)達(da)(da)橫截面和微多普勒效應等上下(xia)文信息，可(ke)(ke)以在視野模糊時(shi)提供(gong)檢測。
來(lai)自瑞典Silo AI公(gong)司 Lead AI Engineer的劉嘉楠等人(ren)提(ti)出了一種基于估計語義信息聚類的高效(xiao)方法，以(yi)實現稀疏(shu)雷達探測點的實例分割。該方法在(zai)主流(liu)的RadarScenes數(shu)據集上果驗證了其有效(xiao)性，在(zai)IoU閾(yu)值為0.5的情(qing)況(kuang)下，平(ping)均覆蓋(gai)率達到89.53%，平(ping)均平(ping)均精度達到86.97%。更顯著的是，它消耗的內存(cun)僅在(zai)1MB左右，推理時間小(xiao)于40ms，確保了在(zai)現實世界系(xi)統中的實用性。
同時，針對雷達(da)探測(ce)點的(de)高質量注釋(shi)由于(yu)其(qi)模(mo)糊(hu)性(xing)和稀疏性(xing)而難(nan)以實(shi)(shi)(shi)(shi)現(xian)(xian)的(de)問題，劉嘉楠等人提出了(le)一種對比學(xue)習方法，用(yong)于(yu)實(shi)(shi)(shi)(shi)現(xian)(xian)基于(yu)雷達(da)檢(jian)測(ce)點的(de)實(shi)(shi)(shi)(shi)例分割。實(shi)(shi)(shi)(shi)驗(yan)表明(ming)，當地面實(shi)(shi)(shi)(shi)況信(xin)息(xi)僅可用(yong)于(yu)一小部分訓(xun)練數據時，該(gai)方法仍能實(shi)(shi)(shi)(shi)現(xian)(xian)與(yu)以100%地面實(shi)(shi)(shi)(shi)況信(xin)息(xi)的(de)監(jian)督(du)方式訓(xun)練的(de)方法相當的(de)性(xing)能。
不僅(jin)如此，劉嘉楠等人(ren)還提(ti)出(chu)了一(yi)種基于(yu)(yu)RFS的(de)跟(gen)蹤器(qi)(qi)GNN-PMB，即使用全局最近鄰（GNN-PMB）的(de)泊(bo)松多(duo)伯努利濾波器(qi)(qi)，用于(yu)(yu)基于(yu)(yu)LiDAR的(de)MOT（多(duo)目標跟(gen)蹤）任(ren)務。這個GNN-PMB跟(gen)蹤器(qi)(qi)使用簡(jian)單，但可以在nuScenes數(shu)據(ju)集上(shang)獲(huo)得有競爭(zheng)力的(de)結(jie)果。具體而言，所提(ti)議的(de)GNN-PMB跟(gen)蹤器(qi)(qi)的(de)性能優于(yu)(yu)大多(duo)數(shu)最先進的(de)僅(jin)LiDAR跟(gen)蹤器(qi)(qi)以及基于(yu)(yu)LiDAR和相(xiang)機(ji)融合(he)的(de)跟(gen)蹤器(qi)(qi)，在提(ti)交時在nuScenes跟(gen)蹤任(ren)務排行榜(bang)1上(shang)所有僅(jin)LiDAR跟(gen)蹤器(qi)(qi)中排名(ming)第三。
9月8日晚6點，「自動駕駛新青年講座」第7講，瑞典Silo AI公司 Lead AI Engineer劉嘉楠將以《可工程化的非視覺類傳感器自動駕駛實例分割與多目標跟蹤算法》為(wei)主題(ti)，講解他們在自動駕駛(shi)感知任務中的(de)基于(yu)毫米波雷達(da)的(de)實例分割，以及基于(yu)激光雷達(da)的(de)多目標跟蹤的(de)一些工程上可行的(de)最新方案。
講者
劉嘉楠，瑞典(dian)(dian)Silo AI公(gong)司(si)(si) Lead AI Engineer；曾于瑞典(dian)(dian)愛立信(xin)公(gong)司(si)(si)從事(shi)4G/5G基帶(dai)統計信(xin)號處理算(suan)法(fa)(fa)設計與(yu)(yu)開發；隨后于瑞典(dian)(dian)歷任安波(bo)福等多家Tier1與(yu)(yu)OEM公(gong)司(si)(si)高(gao)級算(suan)法(fa)(fa)工程(cheng)師，從事(shi)及領導基于毫米波(bo)雷達/激(ji)光雷達與(yu)(yu)攝(she)像頭融合的感(gan)知算(suan)法(fa)(fa)研(yan)發；現于瑞典(dian)(dian)Silo AI公(gong)司(si)(si)任職Lead AI Engineer，負責自(zi)動駕駛路面與(yu)(yu)座艙內環境感(gan)知算(suan)法(fa)(fa)以及MRI圖像重(zhong)建與(yu)(yu)病理分(fen)析(xi)算(suan)法(fa)(fa)的研(yan)發工作(zuo)；2007年(nian)本科畢(bi)業于華中(zhong)科技大(da)學(xue)，2009年(nian)、2012年(nian)碩士分(fen)別(bie)畢(bi)業于澳大(da)利亞墨爾本大(da)學(xue)與(yu)(yu)瑞典(dian)(dian)隆德大(da)學(xue)。
第7講
主 題
《可(ke)工(gong)程化(hua)的非(fei)視覺類傳感器自動駕駛(shi)實例分割與(yu)多目標跟(gen)蹤算(suan)法》
提 綱
1、非視覺類傳感器自動駕駛感知算法的工程化挑戰
2、實用的毫米波雷達實例分割算法解析
3、高(gao)效的3D多目標(biao)跟蹤算法GNN-PMB
直 播 信 息
直播時間：9月8日18:00
直播(bo)地(di)點(dian)：智東西公開(kai)課知(zhi)識(shi)店鋪
成果
?論文標題
《Deep Instance Segmentation with AutomotiveRadar Detection Points》
《Contrastive Learning for AutomotivemmWave Radar Detection Points Based Instance Segmentation》
《GNN-PMB: A Simple but Effective Online3D Multi-Object Tracker without Bells and Whistles》
?論文地址
//arxiv.org/abs/2110.01775
//arxiv.org/abs/2203.06553
//arxiv.org/abs/2206.10255
?GNN-PMB開源地址
//github.com/chisyliu/GnnPmbTracker
