所在算法组主要是负责辅助驾驶相关功能实现和落地,主要有图像感知,规划控制,AI infra等,其中图像感知包括障碍物行人
检测,车道线检测,红绿灯检测等。
主要负责:车道线感知算法
项目经验:
车道线检测模型训练和优化
具体工作 :
▫ 项目简介:车上安装前视摄像头(包括广角和长焦)采集图片作为训练数据,经过模型训练和优化后,输出车道线和路沿点
集,为车道线后处理提供检测结果。
▫ 模型选择:综合目前有的车道线检测模型,模型在公开数据集指标,自建测试集指标,算子是否支持以及模型的性能几个方
面,选定车道线检测使用模型LaneAF。
▫ 模型侧优化:中心裁剪方案提升远处车道线误差,数据增强提升模型鲁棒性。
▫ 后处理优化:优化LaneAF原始的聚类方法减少车道线错连断开等情况,以及尝试使用联通域方法提升模型召回。
成果收益:
▫ 经过数据增强,模型准确率提升大约4个点,召回提升6个点,F1提升5个点;
▫ 使用中心裁剪方案后,BEV下车道线的横向误差下降百分比为13.34%;
▫ 优化原始聚类方法后,模型F1提升大概3个点;
车道线拟合和曲率半径输出
▫ 项目简介:在Apollo架构下,完成车道线后处理的拟合部分,根据模型输出得到的点集,采用ransac拟合,得到参数输出
给下游。根据拟合结果得到曲率半径,为PnC提供过弯道的辅助功能。
具体工作:
▫ 拟合:采用ransac拟合方案,对模型输出的点集经过BEV投影后得到的点集进行曲线拟合,输出拟合参数给下游。
▫ 曲率半径:分为两个部分,一个是实时输出当前车道线下曲率半径,另外一个是直道入弯是提前60米给出下游PnC弯道的曲
率半径,并保证不跳档。
成果收益:
▫ BEV下车道线横向误差下降3.75%;
▫ 80km/h 、90km/h 冲曲率半径300的弯道,路测通过。大约提前50米左右给出有效曲率半径。

北京
行人属性识别在性别和上下衣颜色款式属性上精度召回均达到90%以上,并作为基础服务上线;
hNm0JRRg202303030954
通用制服在各个制服类别中,精度大于0.95以上;注册方式对制服分类,通过注册的方式,可以使用更少的数据量,从而达
到和训练模型一样的效果,并且可以简单移植到不用的场景下;
团队合作,取得PRCV2020行人属性检索二等奖奖项;
以属性识别为基础撰写一篇专利;