针对复杂道路条件下车道线因细长结构、占比小导致视觉特征模糊、定位精度不足,进而威胁自动驾驶道路安全的问题,提出一种融合点与线特征的图关系优化3D车道线检测方法GPLNet(graph-based point and lane optimization network)。通过...针对复杂道路条件下车道线因细长结构、占比小导致视觉特征模糊、定位精度不足,进而威胁自动驾驶道路安全的问题,提出一种融合点与线特征的图关系优化3D车道线检测方法GPLNet(graph-based point and lane optimization network)。通过骨干网络完成初步特征提取,再经联合查询嵌入生成模块获取具备几何约束的3D空间位置编码;利用图关系优化网络对车道点与线级别特征开展图关系计算及优化建模,强化车道线上下文感知能力;借助3D预测头实现车道线预测与损失函数计算。实验结果表明:所提方法整体性能优于现有主流3D车道线检测算法,且在低能见度车道线场景下检测精度更高,验证了该方法的有效性。展开更多
为解决现有算法选择方法需要复杂流程和专业知识的问题,提出了一种基于大语言模型的强化学习策略。该方法通过参数高效微调对大语言模型进行初始化,为后续的强化学习训练提供高质量的基础。利用指导策略对微调后的模型进行强化学习训练...为解决现有算法选择方法需要复杂流程和专业知识的问题,提出了一种基于大语言模型的强化学习策略。该方法通过参数高效微调对大语言模型进行初始化,为后续的强化学习训练提供高质量的基础。利用指导策略对微调后的模型进行强化学习训练,完成算法选择任务。实验结果表明,在图形类、回归类和控制图类3个场景中,AS-LLM(algorithm selection-large language model)的准确率分别比其它方法的平均准确率高2.23、6.22和5.57个百分点。该方法显著提升了算法选择性能和有效性,且更易于用户操作。展开更多
文摘针对复杂道路条件下车道线因细长结构、占比小导致视觉特征模糊、定位精度不足,进而威胁自动驾驶道路安全的问题,提出一种融合点与线特征的图关系优化3D车道线检测方法GPLNet(graph-based point and lane optimization network)。通过骨干网络完成初步特征提取,再经联合查询嵌入生成模块获取具备几何约束的3D空间位置编码;利用图关系优化网络对车道点与线级别特征开展图关系计算及优化建模,强化车道线上下文感知能力;借助3D预测头实现车道线预测与损失函数计算。实验结果表明:所提方法整体性能优于现有主流3D车道线检测算法,且在低能见度车道线场景下检测精度更高,验证了该方法的有效性。
文摘为解决现有算法选择方法需要复杂流程和专业知识的问题,提出了一种基于大语言模型的强化学习策略。该方法通过参数高效微调对大语言模型进行初始化,为后续的强化学习训练提供高质量的基础。利用指导策略对微调后的模型进行强化学习训练,完成算法选择任务。实验结果表明,在图形类、回归类和控制图类3个场景中,AS-LLM(algorithm selection-large language model)的准确率分别比其它方法的平均准确率高2.23、6.22和5.57个百分点。该方法显著提升了算法选择性能和有效性,且更易于用户操作。
