深度剖析Tesla自动驾驶技术方案
1.特斯拉摄像头布局
2.特斯拉图像数据预处理
3.backbone网络:Designing Network Design Spaces
4. neckwork : EfficientDet: Scalable and Efficient Object Detection
PANet比FPN更准是因:在FPN自顶向下的单一路径流的基础上又额外增加了自底向上的路径流,也因此带入更高的参数与计算;
BiFPN移除了只有一个输入的节点(最上层和最下层),因为网络的目的是融合特征,所以没有融合能力的节点直接连接就可以。
BiFPN将输入直接连接到输出节点,在不增加计算的情况下,融合了更多特征。
BiFPN将基础结构进行了多层堆叠,能够融合出更高纬度的特征。
5.BEV Fusion:FSD感知的空间理解能力
6.Video Neural Net Architecture:时空序列Feature构建
7.Occupancy Network:BEV从2D走向3D
8.FSD Lanes Neural Network:预测车道的拓扑连接关系
9. Object Perception:感知预测其他交通参与者
决策规划
1.复杂场景:与高频、多样交通参与者的交互规划
2. 传统优化方法:【联合多物体轨迹规划】:多物体MPC
8维度状态表征轨迹(位置,Heading,s速度,横纵向加速度,横纵向jerk)
优化cost: 找到自车ego和他车Obj各自的轨迹,使得所有物体都能尽可能的抵达goal,同时横纵向jerk尽可能小(舒适度)
约束条件:
物体各自的轨迹最近距离大于安全距离
两两物体的轨迹早到、迟到约束
缺点:实时性太差(每一种组合耗时10ms是Tesla能做到的极限),存在组合爆炸。目标是整体规划耗时50ms(20hz)。
3. 交互树搜索:并行的路径规划和评估修剪
场景重建&自动标注
场景仿真:基于真实道路信息,创造自动驾驶场景
数据引擎:挖掘corner case数据
微信扫码关注该文公众号作者
戳这里提交新闻线索和高质量文章给我们。
来源: qq
点击查看作者最近其他文章