自动驾驶

本文转载自知乎，已获作者授权转载。 链接： https://zhuanlan.zhihu.com/p/157530787 很高兴和大家分享一下我们刚刚被 ECCV 2020 接收的新工作： 一种超快速的车道线检测算法 （ Ultra Fast Structure-aware Deep Lane Detection ），能够达到SOTA水平的性能，同时保持超高的检测速度。轻量级的版本可以在接近SOTA的性能情况下达到 300+FPS 的检测速度。 代码和模型已开源 。话不多说，先放demo。 1 前言 车道线检测是自动驾驶中的一个基础模块，其实也是一个由来已久的任务，早期已有很多基于传统图像处理实现的车道线检测算法。但随着大家研究的深入，车道线检测任务所应对的场景越来越多样化，逐步已经脱离了对于“白、黄色线条”这种低阶理解。目前更多的方式是寻求对于 语义上 车道线存在位置的检测，即使它是模糊的、被光照影响的、甚至是完全被遮挡的，如下图所示。 图1 目前车道线检测的难点为寻找语义上的线，而不是局限于表观存在的线 对于上图这类问题，基于传统图像处理的方法几乎无法实现检测，因此有了一些方法开始尝试一种最直接的深度学习方案——把车道线检测视为分割任务。虽然深度分割方法效果强于传统方法，但存在两个关键问题 速度慢 因为分割是逐像素分类的，要对图像中每一个像素点进行分类

这份Visual Studio Code Mac版快捷键，根据官方文档翻译所得 原文PDF下载地址： https://code.visualstudio.com/shortcuts/keyboard-shortcuts-macos.pdf visual studio code官方下载地址：https://code.visualstudio.com Visual Studio Code 是微软研发的一款带有GUI 的代码编辑器,功能强大,操作简单便捷,还有着良好的用户界面,设计得很人性化。 笔者推荐你作为自动化测试开发的首选IDE - by 苦叶子 Mac 键盘符号说明 图标 Mac键盘 ⌘ Command ⇧ Shift ⇪ Caps Lock ⌥ Option ⌃ Control ↩ Return/Enter ⌫ Delete ⌦ 向前删除键（Fn+Delete） ↑ 上箭头 ↓ 下箭头 ← 左箭头 → 右箭头 ⇞ Page Up（Fn+↑） ⇟ Page Down（Fn+↓） Home Fn + ← End Fn + → ⇥ 右制表符（Tab键） ⇤ 左制表符（Shift+Tab） ⎋ Escape (Esc) ⏏ 电源开关键 常用 Mac 快捷键 说明 ⇧⌘P, F1 显示命令面板 ⌘P 快速打开 ⇧⌘N 新建 窗口/实例 ⌘W 关闭 窗口/实例 编辑 Mac 快捷键 说明

来源：机器之心 本文 约2000字 ，建议阅读 5 分钟 最近，天才黑客 George Hotz 开源了一个小型深度学习框架 tinygrad，兼具 PyTorch 和 micrograd 的功能。tinygrad 的代码数量不到 1000 行，目前该项目获得了 GitHub 1400 星。 在深度学习时代，谷歌、Facebook、百度等科技巨头开源了多款框架来帮助开发者更轻松地学习、构建和训练不同类型的神经网络。而这些大公司也花费了很大的精力来维护 TensorFlow、PyTorch 这样庞大的深度学习框架。 除了这类主流框架之外，开发者们也会开源一些小而精的框架或者库。比如今年 4 月份，特斯拉人工智能部门主管 Andrej Karpathy 开源了其编写的微型 autograd 引擎 micrograd，该引擎还用 50 行代码实现了一个类 PyTorch api 的神经网络库。目前，micrograd 项目的 GitHub star 量达到 1200 星。 不久前，天才黑客 George Hotz（乔治 · 霍兹）开源了一个小型 Autograd Tensor 库 tinygrad，它介于 PyTorch 和 micrograd 之间，能够满足做深度学习的大部分要求。上线不到一个月，该项目在 GitHub 上已经获得 1400 星。 项目地址： https:/

中国人常说“授之以鱼不如授之以渔”。如果说教授编程是授之以鱼，那么教授计算机科学就是授之以渔。为什么说学习计算机科学比学会编程要重要得多？来听听Yevgeniy Brikman的解释。 现如今，似乎每个人都在学习编程：Bill Gates、Mark Zuckerberg和Chris Bosh这些名人在Code.org网站上告诉人们每个人都拥有编程的能力；CoderDojo项目在世界各地大张旗鼓；英国已经把编程作为小学官方课程。 不过，我认为这样有点误入歧途了。但请不要误会——我也确实认为代码能够让世界变得更美好——但编程本身并不是我们的目的。计算机和程序只是工具，它们是我们通向终点的桥梁。 我们真正的目标应该是教会人们如何思考。换句话说，我们应该教人们计算机科学，而不只是编程。在这篇文章里，我将会解释这两者之间的区别，以及为什么在这两者当中选择正确的一方对于迈向成功来说如此重要。 我们不妨先问自己一个问题：为什么我们要关心编程或计算机科学？ 欢迎来到真实的世界 或许你正在使用Chrome或Firefox阅读这篇文章，这些浏览器可能运行在Windows或macOS上，而你可能正在使用笔记本或台式机。你今天可能花了一些时间阅读电子邮件、查看朋友圈的状态，或者在视频网站上看了一些视频。我们的生活在很大程度上依赖了计算机：我们的医疗记录保存在数据库里；我们的简历可能放在了LinkedIn上

简介： 今年年初，图森未来的无人驾驶卡车还上了“钢铁侠”的扮演者小罗伯特·唐尼主持的科技聚集剧集《The Age of A.I.》（《AI时代》），在剧中不仅顺利完成无人驾驶的行驶任务，还与围追堵截的摄像车“斗智斗勇”，在摄像车各种找拍摄角度的情况下，自动自我调整，化险为夷，避让既礼貌又安全！ 图森未来（TuSimple）成立于2015年，是一家专注于L4级无人驾驶卡车技术研发与应用的人工智能企业，已经实现卡车在干线物流场景和半封闭枢纽场景下的无人干预驾驶。图森未来品牌旗下产品——图森未来 L4 级别无人驾驶卡车能够实现环境感知、定位导航、决策控制等自动驾驶核心功能，可应用于高速公路货运和港内集装箱码头运输及其相似场景。 公司于2019年9月完成总额2.15亿美元D轮融资，资方：UPS、鼎晖资本、万都中国、累计融资超过3亿美元，最新估值超过12亿美元，是卡车无人驾驶头部企业，也是全球第一家无人驾驶卡车独角兽企业。 图森未来的业务主要在美国和国内两地展开，在美国主要是高速公路干路货运场景，国内业务开始以连接枢纽场景的干线物流货运为主。 在美国，图森未来已经向包括UPS、USPS、McLane、U.S. Xpress在内的18家客户提供无人驾驶物流服务。 今年年初，图森未来的无人驾驶卡车还上了“钢铁侠”的扮演者小罗伯特·唐尼主持的科技聚集剧集《The Age of A.I.》（

又是一个风口的猪吗？ 1、一天暴涨33% 11月23日夜晚，国内三大造车新势力在美股继续＂狂飙突进＂。导致美国交易量前10的公司，有几乎一半都是中概念股。 暴涨之后全球市值最高的15家车企中，有 5 家都是中国企业，其中 4 家新能源汽车，仅仅成立。 这里面排名的第2的丰田成立于1937年；排名第3的大众1937年成立；戴姆勒1926年；通用1908年；宝马成立于1916年；法拉利1929年； 可以这样说，排名前10的传统汽车公司基本上成立了100年左右；我们下来再看看新能源汽车大厂。 特斯拉成立于2003年；比亚迪1995年；蔚来2014年；小鹏2014年；理想2015年；前两个20年左右，后面3家新势力仅仅成立5-6年。 大家如果对这个对比还感受不够明显的话，再给大家分享一组数据。 今年以来， 特斯拉市值暴涨了 10倍： 稍微再涨一点，马斯克就要成为世界首富了。 蔚来汽车市值暴涨了10倍；小鹏汽车暴涨了3倍；理想汽车暴涨了2倍，比亚迪暴涨了2倍！ 这里说一下上汽集团，在上面表中排名第12，这篇文章快发的时候，上汽集团又快涨停了。 上汽集团是一家比较古老的传统公司，股价一直不温不火，这两天就因为传闻和阿里搞新能源汽车，几天时间股价瞬间要翻倍！ 个人感觉其中确实存在泡沫，但是资本市场的极度认可，也说明了一些问题。 新能源的世界，真的已经来了吗？ 2、新能源车时代 大家知道从今年以来

YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。然而在4月23日，继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。YOLO V4是YOLO系列一个重大的更新，其在COCO数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10% 和12%，并得到了Joseph Redmon的官方认可，被认为是当前最强的实时对象检测模型之一。 正当计算机视觉的从业者们正在努力研究YOLO V4的时候，万万没想到，有牛人不服。6月25日，Ultralytics发布了YOLOV5 的第一个正式版本，其性能与YOLO V4不相伯仲，同样也是现今最先进的对象检测技术，并在推理速度上是目前最强。 从上图的结果可以看出，YOLO V5确实在对象检测方面的表现非常出色，尤其是YOLO V5s 模型140FPS的推理速度非常惊艳。 YOLO V5和V4集中出现让很多人都感到疑惑，一是YOLO V5真的有资格能被称作新一代YOLO吗？二是YOLO V5的性能与V4相比究竟如何，两者有啥区别及相似之处？ 在本文中我会详细介绍YOLO V5和YOLO V4的原理，技术区别及相似之处

552. 无人驾驶与自动驾驶 无人驾驶与自动驾驶技术属于人工智能技术范畴，近年来有长足进步。无人驾驶与自动驾驶的实现的与路况密切有关。 根据国际自动机工程师学会2004年制度的“无人驾驶与自动驾驶技术界定标准”，将路况分成5级： 根据美国高速交通安全管理局（NHTSA）规定，无人驾驶技术也是分5个等级（见跟帖518,538）： L0 级，是人工驾驶 L1级，需要人类驾驶员（辅助驾驶） L2-3级，可实现半自动无人驾驶 L4-5级，可实现全自动驾驶 L4-5级区别在于：L4级需要在特定的道路和天气下的路况，L5级可以适应全路况。目前全球无人驾驶与自动驾驶技术正在主攻L4等级路况下行驶无人驾驶与自动驾驶。在全球还未能实现首款L5等级（或全路况）的自动驾驶。 553． 欲在L4等级路况下行驶，谷歌等公司Alphabet旗下的waymo公司提出了颠覆性的自动驾驶行为预测算法模型，即提出一个抽象化认识周围环境信息的VectorNet,用向量来表达地图信息和移动物体，并在该模型向量间加入了语义关系以帮助进行行为预测，使VectorNet具备很强实用性，提升自动驾驶行为程度，训练自动驾驶汽车在现有城市环境中L4-L5等级路况条件下进行导航（见跟帖327、328、486、495）。 百度尝试提出另一种思路，在2019年美国的一次自动驾驶技术的讨论中，提出了自动驾驶“中国方案”

点击上方 “ 小白学视觉 ”，选择加"星标"或“置顶” 重磅干货，第一时间送达 作者：黄浴 奇点汽车 首席科学家 整理：Hoh Xil 来源： https://zhuanlan.zhihu.com/p/78051407 导读： 边缘和轮廓的提取是一个非常棘手的工作，细节也许就会被过强的图像线条掩盖，纹理（texture）本身就是一种很弱的边缘分布模式，分级（hierarchical）表示是常用的方法，俗称尺度空间（scale space）。以前做移动端的视觉平台，有时候不得不把一些图像处理功能关掉，原因是造成了特征畸变。现在 CNN 模型这种天然的特征描述机制，给图像预处理提供了不错的工具，它能将图像处理和视觉预处理合二为一。 ——边缘提取—— 1. HED 整体嵌套边缘检测（ Holistically-Nested Edge Detection，HED 是一个深度学习的边缘提取的算法，两个特色：（1）整体图像训练和预测; （2）多尺度、多层特征学习。该深度模型利用全卷积网络，自动学习丰富的分层表示（基于侧面响应的深层监督指导）。 多尺度深度学习可分为四类，即多流学习（multi-stream）、跳网（skip-net learning）学习、多输入单模型以及独立网训练，如图所示：（a）多流架构; （b）跳网架构; （c）多尺度输入的单一模型; （d）不同网络独立训练; （e

Velodyne 的传感器 Power Olli——Local Motors 的自动驾驶出行解决方案 加州圣何塞--(美国商业资讯)-- Velodyne Lidar, Inc. (Nasdaq: VLDR)今日宣布与Local Motors达成一项多年销售协议，Local Motors是领先的数字汽车制造商，致力于开发可持续的出行解决方案，以服务全球社区。Local Motors使用Velodyne的激光雷达传感器来确保安全、可靠地运行该公司采用3D打印的自动驾驶电动班车Olli。 此新闻稿包含多媒体内容。完整新闻稿可在以下网址查阅： https://www.businesswire.com/news/home/20201119005268/en/ Local Motors将多个Velodyne Puck™ 传感器安装于Olli中，以在社区、校园和城市中心提供出行服务。该销售协议还使Local Motors能够将包括 Velarray H800 在内的其他Velodyne传感器整合到Olli设计中，因此该公司可以继续优化自动驾驶车辆的感知系统。 360度环视Puck传感器可以消除Olli在各种驾驶条件下导航时的盲点。这款传感器经过道路驾驶验证的耐用性以及可支持更安全导航的感应范围也是Local Motors做出决策的重要推动因素。 Puck时尚、紧凑的外形使Local