谷歌中国工程师提出颠覆性算法模型

答的关键问题，这也就是自动驾驶领域中的行为预测问题。

自动驾驶公司 Chris Urmson 去年曾在一次采访中表示，感知和预测能力很关键，如果有一个模型能预测未来 5 秒会发生什么，这将能很大程度加速自动驾驶的发展。

行为预测的难点在于周围行人、车辆的不确定性和各种规则之外的行为。这些状况难以进行确定性的预测，只能通过训练数据分析各种行为的可能性来达到更加合理的预测效果。另一个难点是盲区与遮挡问题。

面对这种情况时，人类司机通常会基于自己的驾驶经验对周围信息产生一个预期。这种经验之举显示出，行为预测的基础在于对环境的认识和理解。

在这一方面，来自 Waymo 和谷歌的一个中国工程师团队提出了一个全新模型 VectorNet。

在该模型中，团队首次提出了一种抽象化认识周围环境信息的做法：用向量（Vector）来简化地表达地图信息和移动物体，这一做法抛开了传统的用图片渲染的方式，达到了降低数据量、计算量的效果。

 

测试当中，该模型的行为预测精准度比现有方法提升了近 20%，而在占用内存和计算量上则减少了约 8 成。

目前该论文已经被计算机视觉领域三大国际顶会之一的 CVPR 接收，Waymo 也在其博客文章中明确表示该技术提高了其行为预测的精准度。

抽象地 “认识” 世界

正如 Waymo 在博客中指出，该研究的突破性意义在于首次提出了用向量的方式来抽象化表达这个世界。

以无人车为例，周围的环境信息可以大致分为两类。一是地图特征，其中包括车道线、斑马线、红绿灯、速度标示、停车指示牌等等固有的道路要素；第二大类，就是无人车周围的物体运动轨迹。

VectorNet 论文中提到，在用向量表达的方法中，向量本身可以被输入多方面的信息。其中包括：1、向量的起点位置；2、向量的终点位置；3、向量对应的道路要素，比如这是条车道线、红路灯等；4、向量对应要素的属性，比如限速标示要求的速度大小、红绿灯会指示车辆的前行和停下等。

（编辑：宣城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!