听的一个直播，讲师为Apollo的王亮，讲的棒棒哒，以下是自己记录下的摘要，和slide的截图
传感器标定
十个camera
标定很辛苦，门槛挺高的，做好不容易。
3.0的时候
搭了一套系统，一键标定，Apollo量产
室外的话有柜子，也是轨道，可以工人操作
image.png
3.5 的 话搞成了一个更方便的，工程的问题，不用搞车间，只给了接口
radar没怎么自己搞，没有raw data 就用了厂商的
车辆的pitch角要估计
做的后融合
lidar 感知，三维的bird -eye view 五到六维的特征， 估计中心的offset
点云为什么用learning based 替换rule based。 距离近的时候，小的被合并 还有大的被分散。 128线的雷达，又重新标了点数据，finetune了。
蓝色三轮的，外卖的车 红色的是行人，和rule 的比干净很多
视觉很难 规划的时候要用3维的信息，but 2维怎么去推3维，反推简单（有几何关系，二维的话，只要在一条线上就满足）
线下的标注，要增加信息，车头车位，标注代价的提升，怎么选择怎么标注。要恢复什么信息，不只是二维框。最后还是要几何北京的去坐数学推导，不是二维上end_to_end.
前向12mm 6mm融合，两百米以外的大概。锥桶也可以检测出来,12mm可以到200米，6mm可以到120m的样子，然后融合起来，在 bird-eye view下
针对环视，旁边两个鱼眼
数据：
一定要保证数据，要mining,怎么利用数据，找 coner case data，要经过一些算法，做挖掘，之前的话所有的都标，现在的话选择标。实时系统，受时间限制，但是在服务器上，没有限制，那么是不是可以训练一个慢十倍的model，然后自动标注（这个方面有时候好得多比人工）
红绿灯例子
加数据，坏的灯，遮挡的，挖掘出来的数据 提升了五个点
auto labeling， 快速扩充传感器能力和适应性。
game engine simulation，仿真的话是美国那边做的，感知在用
还是数据，比如十个摄像头的环视，标注起来一两个月过去了，验证慢。用这个的话快速验证。比如仿真被车压的不行的道路。
开放出来的时候是learing base的，但是后面有加rule base的。 里面的有rule，算是一个可解释的系统。v2x上帝视角，比如红绿灯，大车后面有小车
只用radar加摄像头，感觉安全还是。。。阿波龙就是园区内，还是用了16线。
预测比感知还难，感知的灵敏度，毕竟中国的行人，车。提高帧率，要灵敏度。不停的去试探这个世界，多handle。
算力的要求，视觉很heavily ，要做线程上的调度，两个显卡，cpu还好，有推荐的公共机。 激光雷达，特别大的雨， 加数据，还是很难。
视觉还是mobileye牛逼，大写的服气。现在的话，降低了对地图的依赖，车的抖动，定位误差，直接用地图的话有偏差，感知也要有这个能力，两个互相校验，然后最后信哪个。高精度地图还是会要，只是没有那么依赖。
网友评论