高精地图是世界详细的数字模型，包括道路的几何形状、标志和交通信号等元素。它们已被广泛应用于辅助驾驶，尤其是在交叉路口复杂的城市环境中。但是，高精地图的绘制成本高昂且维护难度大，限制了智能汽车的运行区域。为消除智能汽车对高精地图的依赖，“无图驾驶”的需求正在不断增长。
观看最新一期的DRIVE Labs：
【视频请至微信公众号观看】
00:00:22
无图驾驶需求不断增长，消除对高精地图的依赖
00:00:37
RoadNet 实时预测道路几何形状
00:01:03
通过消除信息瓶颈改进无图驾驶
00:01:38
通过紧密的模块集成进一步改进
00:02:26
为端到端辅助驾驶堆栈提供直接路径
本期 DRIVE Labs 介绍了 NVIDIA 的创新技术，通过消除信息瓶颈、提高任务准确性并加速模型的训练和推理，从而增强无图驾驶。
RoadNet是一个单个 BEV Transformer 模型，能实时感知各种道路的几何信息，检测车道线、路径、道路边界等路面元素。RoadNet 的输出可以通过基于拓扑的上下文融合进行优化，整合感知信号以增强车道几何的准确性。
在 NVIDIA 最新研究中，将基于 Transformer 和图形神经网络的下游模型与在线建图模型结合，直接访问 BEV 特征。这样不仅减少了对高精地图的依赖，还将推理时间最多缩短 73%，准确性提高多达 29%。
这一方法为无图驾驶提供了向端到端驾驶系统转变的直接路径，推进更高效、可扩展且适应性强的驾驶技术发展。
相关资料
轨迹预测中生成并利用在线地图的不确定性
本文扩展了多种最先进的在线地图估计方法，增加了对不确定性的预测，并展示了如何将在线地图与轨迹预测更紧密地结合起来。
论文链接：
https://arxiv.org/abs/2403.16439
项目页面：
https://github.com/alfredgu001324/MapUncertaintyPrediction
通过直接关注 BEV 特征加速在线建图与行为预测
本文提出公开在线地图估计方法中的丰富内部特征，并展示这些信息如何将在线地图与轨迹预测更紧密地结合。
论文链接：
https://arxiv.org/abs/2407.06683
- NVIDIA 中国汽车团队招聘
- https://qr15.cn/ClR2ij
热门跟贴