网站维护提醒php文件,电商网站开发价格,如何使用框架来建设网站,秦时明月的个人网站怎么做01 算法介绍
自主泊车是智能驾驶领域中的一项关键任务。传统的泊车算法通常使用基于规则的方案来实现。因为算法设计复杂#xff0c;这些方法在复杂泊车场景中的有效性较低。
相比之下#xff0c;基于神经网络的方法往往比基于规则的方法更加直观和多功能。通过收集大量专家…01 算法介绍
自主泊车是智能驾驶领域中的一项关键任务。传统的泊车算法通常使用基于规则的方案来实现。因为算法设计复杂这些方法在复杂泊车场景中的有效性较低。
相比之下基于神经网络的方法往往比基于规则的方法更加直观和多功能。通过收集大量专家泊车轨迹数据基于学习的仿人策略方法可以有效解决泊车任务。
在本文中我们采用模仿学习来执行从 RGB 图像到路径规划的端到端规划模仿人类驾驶轨迹。我们提出的端到端方法利用目标查询编码器来融合图像和目标特征并使用基于 Transformer 的解码器自回归预测未来的航点。
我们在真实世界场景中进行了广泛的实验结果表明我们提出的方法在四个不同的真实车库中平均泊车成功率达到了 87.8%。实车实验进一步验证了本文提出方法的可行性和有效性。
输入1.去完畸变的 RGB 图 2.目标停车位
输出路径规划 论文精读博客参考链接https://blog.csdn.net/qq_45933056/article/details/140968352
源代码https://github.com/qintonguav/ParkingE2E
02 算法部署后的 demo 效果展示 03 实现过程
3.1 算法整体架构 多视角 RGB 图像被处理图像特征被转换为 BEV鸟瞰图表示形式。使用目标停车位生成 BEV 目标特征通过目标查询将目标特征和图像 BEV 特征融合然后使用自回归的 Transformer 解码器逐个获得预测的轨迹点。
3.2 训练过程
注训练数据集是去完畸变的图像在数据处理时需要对 4 路鱼眼相机进行标定获取相机内外参对鱼眼图进行去畸变去完畸变的图像会被制作成训练集
获取去完畸变的 RGB 图像和目标停车位做为输入
去完畸变的 RGB 图像示例 目标停车位坐标示例
{
x: 83.93134781878057,
y: -7.080006849257972,
z: -7.404438257656194,
yaw: 20.95510451530132
}使用 EfficientNet 从 RGB 图像中提取特征将预测的深度分布 ddep 与图像特征 Fimg 相乘以获得具有深度信息的图像特征将图像特征投影到 BEV 体素网格特征的大小为 200×200对应实际空间范围 x∈[−10m 10m] y∈[−10m 10m]分辨率为 0.1 米中生成相机特征 Fcam。
BEV 视图示例 使用深度 CNN 神经网络提取目标停车位特征 Ftarget在 BEV 空间将相机特征 Fcam 和目标停车位特征 Ftarget 进行融合获取融合特征 Ffuse使用 Transformer 解码器以自回归方式预测轨迹点
预测的轨迹序列示例
[[-0.17014217376708984, -0.010008811950683594], [-0.3298116556863353, -0.011956165423615472], [-0.4854376561367579, -0.02052420170634236], [-0.6337416331734281, -0.03509474854381417], [-0.774850889165686, -0.05409092178920946], [-0.9106318371186677, -0.07662342910150008], [-1.0429499912911764, -0.10220288211346742], [-1.1730293341546085, -0.130403150090076], [-1.3014671109093938, -0.16081194272771432], [-1.4284175031869575, -0.19315076247807056], [-1.5537739117230407, -0.22739195648381574], [-1.6773593831451739, -0.2637573983721455], [-1.7991250198403412, -0.3025803813592571], [-1.9192866870681176, -0.34410827406410627], [-2.0383187092132995, -0.3883681895794497], [-2.1567872059422366, -0.43518302389208097], [-2.275088086162824, -0.4843281463722012], [-2.393198715763861, -0.5357188397161318], [-2.5105481374226417, -0.5894858888356189], [-2.6260817537118184, -0.6458681996255287], [-2.7385546018760474, -0.7049937228225489], [-2.84701611529502, -0.7667346960596122], [-2.9513409844272736, -0.8308041149223722], [-3.0525702187102848, -0.8970783878192974], [-3.1528531887709175, -0.9658913604113011], [-3.25493913830157, -1.0379629359384206], [-3.3612681922638727, -1.1139021444876271], [-3.4725675825974993, -1.193842039192509], [-3.58588491431963, -1.2783030155644421], [-3.69307804107666, -1.3711423873901367]]实现过程图标表示 3.3 推理过程
在 RViz 界面软件中使用“2D-Nav-Goal”来选择目标停车位
目标停车位停车轨迹示例
position:
x: -6.49
y: -5.82
z: 0.0
orientation:
x: 0.0
y: 0.0
z: 0.0
w: 1.0目标停车位停车轨迹示例position:x: -6.49y: -5.82z: 0.0orientation:x: 0.0y: 0.0z: 0.0w: 1.0获取起始位姿将以起始点为原点的世界坐标转化为车辆坐标
起始轨迹位姿示例
position:
x: -0.16161775150943924
y: 0.018056780251669124
z: 0.006380920023400627
orientation:
x: -0.0002508110368611588
y: 0.0008039258947159855
z: 0.010172557118261405
w: 0.9999479035823092组合数据输入到 transformer 进行推理预测轨迹序列
预测的轨迹序列示例
[[-0.17014217376708984, -0.010008811950683594], [-0.3298116556863353, -0.011956165423615472], [-0.4854376561367579, -0.02052420170634236], [-0.6337416331734281, -0.03509474854381417], [-0.774850889165686, -0.05409092178920946], [-0.9106318371186677, -0.07662342910150008], [-1.0429499912911764, -0.10220288211346742], [-1.1730293341546085, -0.130403150090076], [-1.3014671109093938, -0.16081194272771432], [-1.4284175031869575, -0.19315076247807056], [-1.5537739117230407, -0.22739195648381574], [-1.6773593831451739, -0.2637573983721455], [-1.7991250198403412, -0.3025803813592571], [-1.9192866870681176, -0.34410827406410627], [-2.0383187092132995, -0.3883681895794497], [-2.1567872059422366, -0.43518302389208097], [-2.275088086162824, -0.4843281463722012], [-2.393198715763861, -0.5357188397161318], [-2.5105481374226417, -0.5894858888356189], [-2.6260817537118184, -0.6458681996255287], [-2.7385546018760474, -0.7049937228225489], [-2.84701611529502, -0.7667346960596122], [-2.9513409844272736, -0.8308041149223722], [-3.0525702187102848, -0.8970783878192974], [-3.1528531887709175, -0.9658913604113011], [-3.25493913830157, -1.0379629359384206], [-3.3612681922638727, -1.1139021444876271], [-3.4725675825974993, -1.193842039192509], [-3.58588491431963, -1.2783030155644421], [-3.69307804107666, -1.3711423873901367]]将预测的轨迹序列发布到 rviz 进行可视化 04 评估指标
端到端实车评估在实车实验中我们使用以下指标来评估端到端停车性能。 关键词解释
PSR停车成功率
NSR无车位率
PVR停车违规率
APE平均位置误差
AOE平均方向误差
APS平均停车得分
APT平均停车时间
05 局限性
由于数据规模和场景多样性的限制我们的方法对移动目标的适应性较差训练过程需要专家轨迹 .(img-7orUMtby-1731052248424)]
关键词解释
PSR停车成功率
NSR无车位率
PVR停车违规率
APE平均位置误差
AOE平均方向误差
APS平均停车得分
APT平均停车时间
05 局限性
由于数据规模和场景多样性的限制我们的方法对移动目标的适应性较差训练过程需要专家轨迹与传统的基于规则的停车方法相比仍有差距
