智能车竞赛

【飞桨开发者说】吴东昱，北京钢铁侠科技深度学习算法工程师，主要研究深度学习、无人驾驶等。 我在观察历届智能车竞赛以及教学实验中发现，采用传统视觉算法的视觉智能车只能在特定赛道中行驶，一旦赛道环境改变，必须修改大量的代码才能运行。算法适应性差是制约智能车场景化适配的重要因素。而“AI智能车”借助深度学习算法，通过真实数据采集到模型新训练恰恰能够解决这一问题。基于飞桨平台，我们快速研制出了“无人驾驶智能车”，已经实现了道路检测以及交通标识识别（红绿灯/限速牌/人行道/停车位）等功能。在本文中，我将为大家揭秘“基于飞桨的无人驾驶智能车”的具体实现过程和效果。 第一步：如图1所示，在智能车硬件配置上，高性能处理器是实现深度学习算法运行的必备条件，目前通用流行的高性能处理器如：intel CPU、NVDIA GPU、百度Edgeboard系列、NXP i.MX8系列，在这里我们选择了基于百度Edgeboard系列的高性能板卡作为智能车的主处理器。 图1.智能车硬件框架 第二步：在解决了处理器的问题之后，要实现智能车对道路和交通标识的识别就要面临深度学习框架和深度学习算法的选择。目前通用流行的深度学习框架有Tensorflow、飞桨（PaddlePaddle）、Caffe、PyTorch等。我们选择了飞桨，飞桨作为国产化的深度学习框架，配合一站式开发平台AI Studio

【飞桨开发者说】吴东昱，北京钢铁侠科技深度学习算法工程师，主要研究深度学习、无人驾驶等。 我在观察历届智能车竞赛以及教学实验中发现，采用传统视觉算法的视觉智能车只能在特定赛道中行驶，一旦赛道环境改变，必须修改大量的代码才能运行。算法适应性差是制约智能车场景化适配的重要因素。而“AI智能车”借助深度学习算法，通过真实数据采集到模型新训练恰恰能够解决这一问题。基于飞桨平台，我们快速研制出了“无人驾驶智能车”，已经实现了道路检测以及交通标识识别（红绿灯/限速牌/人行道/停车位）等功能。在本文中，我将为大家揭秘“基于飞桨的无人驾驶智能车”的具体实现过程和效果。 第一步：如图1所示，在智能车硬件配置上，高性能处理器是实现深度学习算法运行的必备条件，目前通用流行的高性能处理器如：intel CPU、NVDIA GPU、百度Edgeboard系列、NXP i.MX8系列，在这里我们选择了基于百度Edgeboard系列的高性能板卡作为智能车的主处理器。 图1.智能车硬件框架 第二步：在解决了处理器的问题之后，要实现智能车对道路和交通标识的识别就要面临深度学习框架和深度学习算法的选择。目前通用流行的深度学习框架有Tensorflow、飞桨（PaddlePaddle）、Caffe、PyTorch等。我们选择了飞桨，飞桨作为国产化的深度学习框架，配合一站式开发平台AI Studio

【飞桨开发者说】吴东昱，北京钢铁侠科技深度学习算法工程师，主要研究深度学习、无人驾驶等。 我在观察历届智能车竞赛以及教学实验中发现，采用传统视觉算法的视觉智能车只能在特定赛道中行驶，一旦赛道环境改变，必须修改大量的代码才能运行。算法适应性差是制约智能车场景化适配的重要因素。而“AI智能车”借助深度学习算法，通过真实数据采集到模型新训练恰恰能够解决这一问题。基于飞桨平台，我们快速研制出了“无人驾驶智能车”，已经实现了道路检测以及交通标识识别（红绿灯/限速牌/人行道/停车位）等功能。在本文中，我将为大家揭秘“基于飞桨的无人驾驶智能车”的具体实现过程和效果。 第一步：如图1所示，在智能车硬件配置上，高性能处理器是实现深度学习算法运行的必备条件，目前通用流行的高性能处理器如：intel CPU、NVDIA GPU、百度Edgeboard系列、NXP i.MX8系列，在这里我们选择了基于百度Edgeboard系列的高性能板卡作为智能车的主处理器。 图1.智能车硬件框架 第二步：在解决了处理器的问题之后，要实现智能车对道路和交通标识的识别就要面临深度学习框架和深度学习算法的选择。目前通用流行的深度学习框架有Tensorflow、飞桨（PaddlePaddle）、Caffe、PyTorch等。我们选择了飞桨，飞桨作为国产化的深度学习框架，配合一站式开发平台AI Studio

【飞桨开发者说】吴东昱，北京钢铁侠科技深度学习算法工程师，主要研究深度学习、无人驾驶等。 我在观察历届智能车竞赛以及教学实验中发现，采用传统视觉算法的视觉智能车只能在特定赛道中行驶，一旦赛道环境改变，必须修改大量的代码才能运行。算法适应性差是制约智能车场景化适配的重要因素。而“AI智能车”借助深度学习算法，通过真实数据采集到模型新训练恰恰能够解决这一问题。基于飞桨平台，我们快速研制出了“无人驾驶智能车”，已经实现了道路检测以及交通标识识别（红绿灯/限速牌/人行道/停车位）等功能。在本文中，我将为大家揭秘“基于飞桨的无人驾驶智能车”的具体实现过程和效果。 第一步：如图1所示，在智能车硬件配置上，高性能处理器是实现深度学习算法运行的必备条件，目前通用流行的高性能处理器如：intel CPU、NVDIA GPU、百度Edgeboard系列、NXP i.MX8系列，在这里我们选择了基于百度Edgeboard系列的高性能板卡作为智能车的主处理器。 图1.智能车硬件框架 第二步：在解决了处理器的问题之后，要实现智能车对道路和交通标识的识别就要面临深度学习框架和深度学习算法的选择。目前通用流行的深度学习框架有Tensorflow、飞桨（PaddlePaddle）、Caffe、PyTorch等。我们选择了飞桨，飞桨作为国产化的深度学习框架，配合一站式开发平台AI Studio

【飞桨开发者说】吴东昱，北京钢铁侠科技深度学习算法工程师，主要研究深度学习、无人驾驶等。 我在观察历届智能车竞赛以及教学实验中发现，采用传统视觉算法的视觉智能车只能在特定赛道中行驶，一旦赛道环境改变，必须修改大量的代码才能运行。算法适应性差是制约智能车场景化适配的重要因素。而“AI智能车”借助深度学习算法，通过真实数据采集到模型新训练恰恰能够解决这一问题。基于飞桨平台，我们快速研制出了“无人驾驶智能车”，已经实现了道路检测以及交通标识识别（红绿灯/限速牌/人行道/停车位）等功能。在本文中，我将为大家揭秘“基于飞桨的无人驾驶智能车”的具体实现过程和效果。 第一步：如图1所示，在智能车硬件配置上，高性能处理器是实现深度学习算法运行的必备条件，目前通用流行的高性能处理器如：intel CPU、NVDIA GPU、百度Edgeboard系列、NXP i.MX8系列，在这里我们选择了基于百度Edgeboard系列的高性能板卡作为智能车的主处理器。 图1.智能车硬件框架 第二步：在解决了处理器的问题之后，要实现智能车对道路和交通标识的识别就要面临深度学习框架和深度学习算法的选择。目前通用流行的深度学习框架有Tensorflow、飞桨（PaddlePaddle）、Caffe、PyTorch等。我们选择了飞桨，飞桨作为国产化的深度学习框架，配合一站式开发平台AI Studio