-
公开(公告)号：CN113454636B
公开(公告)日：2024-10-29
申请号：CN201980085815.5
申请日：2019-12-27
申请人： 辉达公司
发明人： 杨轶林 , B·S·S·朱雅瓦拉普 , P·贾妮斯 , 叶肇庭 , S·奥 , M·帕克 , D·赫雷拉·卡斯特罗 , T·科伊维斯托 , D·尼斯特
摘要： 在各种示例中，训练深度神经网络(DNN)以便仅使用图像数据在部署中准确地预测对象和障碍之间的距离。可以使用来自任何数量的深度预测传感器的传感器数据产生和编码DNN的地面实况数据训练DNN，所述深度预测传感器例如不限于RADAR传感器，LIDAR传感器和/或SONAR传感器。在各种实施例中可以使用相机自适应算法，以使DNN适用于与具有不同参数(例如改变视场)的相机生成的图像数据。在一些示例中，可以对DNN的预测执行后处理安全边界操作，以确保预测落入安全允许的范围内。
-
公开(公告)号：CN113228042B
公开(公告)日：2024-09-06
申请号：CN201980085630.4
申请日：2019-12-27
申请人： 辉达公司
发明人： 杨轶林 , B·S·S·朱雅瓦拉普 , P·贾妮斯 , 叶肇庭 , S·奥 , M·帕克 , D·赫雷拉·卡斯特罗 , T·科伊维斯托 , D·尼斯特
摘要： 在各种示例中，训练深度神经网络(DNN)以便仅使用图像数据在部署中准确地预测对象和障碍之间的距离。可以使用来自任何数量的深度预测传感器的传感器数据产生和编码DNN的地面实况数据训练DNN，所述深度预测传感器例如不限于RADAR传感器，LIDAR传感器和/或SONAR传感器。在各种实施例中可以使用相机自适应算法，以使DNN适用于与具有不同参数(例如改变视场)的相机生成的图像数据。在一些示例中，可以对DNN的预测执行后处理安全边界操作，以确保预测落入安全允许的范围内。
-
公开(公告)号：CN113632095A
公开(公告)日：2021-11-09
申请号：CN202080021666.9
申请日：2020-03-16
申请人： 辉达公司
摘要： 神经网络可用于确定倾斜多边形的角点(例如，作为锚框角点的位移值)，其准确地描绘了图像中定义停车位的区域。此外，神经网络可以输出预测锚框的角点对应于停车位入口的可能性的置信值。置信值可用于选择锚框和/或倾斜多边形的角点的子集，以便定义停车位的入口。使用CNN预测的倾斜多边形的角点与停车位的地面实况角点之间的最小聚合距离可以用于简化关于是否应将锚框用作训练的正样本的确定。
-
公开(公告)号：CN113454636A
公开(公告)日：2021-09-28
申请号：CN201980085815.5
申请日：2019-12-27
申请人： 辉达公司
发明人： 杨轶林 , B·S·S·朱雅瓦拉普 , P·贾妮斯 , 叶肇庭 , S·奥 , M·帕克 , D·赫雷拉·卡斯特罗 , T·科伊维斯托 , D·尼斯特
摘要： 在各种示例中，训练深度神经网络(DNN)以便仅使用图像数据在部署中准确地预测对象和障碍之间的距离。可以使用来自任何数量的深度预测传感器的传感器数据产生和编码DNN的地面实况数据训练DNN，所述深度预测传感器例如不限于RADAR传感器，LIDAR传感器和/或SONAR传感器。在各种实施例中可以使用相机自适应算法，以使DNN适用于与具有不同参数(例如改变视场)的相机生成的图像数据。在一些示例中，可以对DNN的预测执行后处理安全边界操作，以确保预测落入安全允许的范围内。
-
公开(公告)号：CN112825134B
公开(公告)日：2024-08-27
申请号：CN202011294650.3
申请日：2020-11-18
申请人： 辉达公司
IPC分类号： G06V20/56 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/08 , G01S13/931 , G01S17/931 , G01C21/16
摘要： 本发明公开了自主机器应用中使用RADAR传感器检测障碍物的深度神经网络，在各个示例中，可以训练一个或更多个深度神经网络(例如，卷积神经网络)，以从三维(3D)空间的RADAR数据中检测移动或静止障碍物。在一些实施例中，可以从LIDAR数据生成用于一个或更多个神经网络的地面真实训练数据。更具体地，可以用RADAR和LIDAR传感器观察场景，以收集特定时间片的RADAR数据和LIDAR数据。RADAR数据可以用于输入训练数据，并且与RADAR数据相同或最接近的时间片相关联的LIDAR数据可以用识别要检测的对象的地面真实标签来注释。LIDAR标签可以传播到RADAR数据，并且可以省略包含少于一些阈值数量的RADAR检测的LIDAR标签。(剩余的)LIDAR标签可用于生成地面真实数据。
-
公开(公告)号：CN112825136B
公开(公告)日：2024-05-14
申请号：CN202011297922.5
申请日：2020-11-18
申请人： 辉达公司
IPC分类号： G06V20/56 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/08 , G01S13/931 , G01S17/931 , G01C21/16
摘要： 本发明公开了自主机器应用中使用RADAR传感器检测障碍物的深度神经网络，在各种示例中，在高速公路和城市场景中，可以训练一个或更多个深度神经网络(例如，卷积神经网络)以从三维(3D)空间的RADAR数据中检测运动和静止障碍物。可以对RADAR检测进行累积，自我运动补偿，正射投影，然后将其输入到一个或更多个神经网络中。一个或更多个神经网络可包括具有特征提取器和几个预测不同输出的头部的公共干线，例如预测置信度图的类置信度头部和预测检测到的对象的对象实例数据的实例回归头部。可以对输出进行解码、过滤和/或聚类以形成识别检测到的对象实例的位置、大小和/或方向的边界形状。可以将检测到的对象实例提供给自主车辆驱动栈，以实现自主车辆的安全计划和控制。
-
公开(公告)号：CN112825134A
公开(公告)日：2021-05-21
申请号：CN202011294650.3
申请日：2020-11-18
申请人： 辉达公司
IPC分类号： G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G01S13/931 , G01S17/931 , G01C21/16
摘要： 本发明公开了自主机器应用中使用RADAR传感器检测障碍物的深度神经网络，在各个示例中，可以训练一个或更多个深度神经网络(例如，卷积神经网络)，以从三维(3D)空间的RADAR数据中检测移动或静止障碍物。在一些实施例中，可以从LIDAR数据生成用于一个或更多个神经网络的地面真实训练数据。更具体地，可以用RADAR和LIDAR传感器观察场景，以收集特定时间片的RADAR数据和LIDAR数据。RADAR数据可以用于输入训练数据，并且与RADAR数据相同或最接近的时间片相关联的LIDAR数据可以用识别要检测的对象的地面真实标签来注释。LIDAR标签可以传播到RADAR数据，并且可以省略包含少于一些阈值数量的RADAR检测的LIDAR标签。(剩余的)LIDAR标签可用于生成地面真实数据。
-
-
公开(公告)号：CN113228042A
公开(公告)日：2021-08-06
申请号：CN201980085630.4
申请日：2019-12-27
申请人： 辉达公司
发明人： 杨轶林 , B·S·S·朱雅瓦拉普 , P·贾妮斯 , 叶肇庭 , S·奥 , M·帕克 , D·赫雷拉·卡斯特罗 , T·科伊维斯托 , D·尼斯特
摘要： 在各种示例中，训练深度神经网络(DNN)以便仅使用图像数据在部署中准确地预测对象和障碍之间的距离。可以使用来自任何数量的深度预测传感器的传感器数据产生和编码DNN的地面实况数据训练DNN，所述深度预测传感器例如不限于RADAR传感器，LIDAR传感器和/或SONAR传感器。在各种实施例中可以使用相机自适应算法，以使DNN适用于与具有不同参数(例如改变视场)的相机生成的图像数据。在一些示例中，可以对DNN的预测执行后处理安全边界操作，以确保预测落入安全允许的范围内。
-
公开(公告)号：CN112825136A
公开(公告)日：2021-05-21
申请号：CN202011297922.5
申请日：2020-11-18
申请人： 辉达公司
IPC分类号： G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G01S13/931 , G01S17/931 , G01C21/16
摘要： 本发明公开了自主机器应用中使用RADAR传感器检测障碍物的深度神经网络，在各种示例中，在高速公路和城市场景中，可以训练一个或更多个深度神经网络(例如，卷积神经网络)以从三维(3D)空间的RADAR数据中检测运动和静止障碍物。可以对RADAR检测进行累积，自我运动补偿，正射投影，然后将其输入到一个或更多个神经网络中。一个或更多个神经网络可包括具有特征提取器和几个预测不同输出的头部的公共干线，例如预测置信度图的类置信度头部和预测检测到的对象的对象实例数据的实例回归头部。可以对输出进行解码、过滤和/或聚类以形成识别检测到的对象实例的位置、大小和/或方向的边界形状。可以将检测到的对象实例提供给自主车辆驱动栈，以实现自主车辆的安全计划和控制。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.021 秒)
