Waymo和Uber提出了AI技术来改善自动驾驶系统

在一个关于自主驾驶研讨会在计算机视觉和模式识别(CVPR)2020会议，Waymo和尤伯杯提出研究，以提高可靠性-安全-他们自驾车系统。Waymo的首席科学家Drago Anguelov详细介绍了ViDAR，这是一种摄像机和以范围为中心的框架，涵盖了场景几何，语义和动力学。Uber先进技术集团首席科学家Raquel Urtasun展示了一对利用车辆到车辆通信进行导航，交通建模等功能的技术。

维达

WayDAR与Google的几个AI实验室之一Google Brain之间的协作ViDAR可以从运动中推断出结构。它通过利用运动视差(运动引起的位置变化)从图像序列(即车载摄像机捕获的帧)中学习3D几何形状。给定一对图像和激光雷达数据，ViDAR可以预测未来的摄像机视点和深度数据。

根据Anguelov的说法，ViDAR使用快门定时来解决滚动快门问题，这种相机捕获方法并非同时记录场景的所有部分。(这是手持拍摄或从行驶中的车辆拍摄时的“果冻效应”的原因。)除了支持多达五个摄像头之外，该缓解步骤还使框架能够避免在较高速度下发生位移，同时提高了精度。

在Waymo内部使用ViDAR来提供最新的以相机为中心的深度，例如运动(估计相机相对于场景的运动)和动力学模型。它带来了一个模型，该模型可以根据摄像机图像估算深度，并可以预测障碍物(包括行人)的行进方向，以及其他一些进步。

V2网络

优步(Uber)先进技术小组(ATG)的研究人员创建了一个名为V2VNet的系统，该系统使自动驾驶汽车能够有效地通过空中彼此共享信息。使用V2VNet，网络中的汽车交换包含数据集，时间戳和位置信息的消息，使用AI模型补偿时间延迟，并从数据集中智能地仅选择相关数据(例如，激光雷达传感器读数)。

为了评估V2VNet的性能，ATG??使用“激光模拟器”系统编译了大型的车对车语料库。具体来说，该团队从现实世界的激光雷达扫描中生成了5500个原木的重构(总共进行了46,796个训练和4,404个验证帧)，并从多达7辆车的角度进行了模拟。

多个实验的结果表明，与单车相比，V2VNet的错误率降低了68%。随着网络中车辆数量的增加，性能得到了提高，显示出远处和被遮挡的物体以及高速行驶的汽车“显着”改善。

目前尚不清楚V2VNet是否会在现实世界的汽车中投入生产，但Uber竞争对手Waymo的无人驾驶克莱斯勒Pacifica小型货车通过双调制解调器无线交换有关危险和路线变更的信息。Waymo首席技术官Dmitri Dolgov在去年的一次演讲中说：“ [我们的汽车]仍然必须依靠车载计算来处理对安全至关重要的任何事情，但是[5G]将成为加速器。”