Top
首页 > 正文

达摩院再获自动驾驶权威测评第一,车辆可识别“厘米级”障碍物

KITTI数据集是全球最权威的自动驾驶计算机算法评测数据集,为促进基于激光的语义分割研究,KITTI推出了细分数据集Semantic KITTI,通过全类别分割平均交并比(mIOU)和整体准确率(accuracy)两大指标,考察参赛者的技术能力。
发布时间:2020-05-08 16:27        来源:赛迪网        作者:

达摩院再获自动驾驶权威测评第一。5月8日消息,在自动驾驶权威数据集Semantic KITTI上,达摩院凭借全新算法在“单帧3D点云语义分割”排行榜获得第一。该技术用于达摩院的无人物流车后,大幅提升了车辆的环境精细化理解能力,使车辆能够识别“厘米级”障碍物。

KITTI数据集是全球最权威的自动驾驶计算机算法评测数据集,为促进基于激光的语义分割研究,KITTI推出了细分数据集Semantic KITTI,通过全类别分割平均交并比(mIOU)和整体准确率(accuracy)两大指标,考察参赛者的技术能力。达摩院团队在两项指标的评比中均拿下第一。

点云(Point Cloud)是拥有三维坐标、强度等信息的激光点的集合,是计算机视觉领域常用的三维数据表示方式。自动驾驶车辆通常借助激光雷达、摄像头、毫米波雷达等传感器识别环境信息。对于激光雷达获取的周围环境的3D点云,识别每个点的语义标签,就是“3D点云语义分割”。

图片2

△ 图左为原始点云,图右为经过语义分割的点云,自动驾驶车辆辨别出了行人、车辆、树木、建筑等物体。

除了行人、车辆等常规检测目标,道路周围的建筑、绿化、不明障碍物也会影响自动驾驶车辆的驾驶行为,3D点云语义分割技术的目标,便是帮助车辆更精细地理解道路环境。

达摩院自动驾驶实验室资深算法专家卿泉介绍,业界通用的点云局部上下文特征建模方法难以满足自动驾驶实时、精准的感知需求。达摩院提出的新算法以激光点为载体,结合每个3D点在鸟瞰、前视等视角下的邻域特征,通过多层级联编码进行特征学习,大大增强3D点的特征表示能力,由此提高了语义识别的准确性。

该算法应用于达摩院的无人物流车后,车辆对障碍物的精细化识别水平大幅提升。比如在行驶途中遇到临时拉起的警戒线,即便线宽仅有3厘米,物流车也能轻松识别并绕道而行。

每日必读

专题访谈

合作站点