自动驾驶

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 来源： https://urlify.cn/IFzQRb 转载自 ：GitHubDaily GitHub 镜像访问 GitHub文件加速 Github 加速下载 加速你的 Github 谷歌浏览器 GitHub 加速插件(推荐) GitHub raw 加速 GitHub + Jsdelivr 通过 Gitee 中转 fork 仓库下载 通过修改 HOSTS 文件进行加速 为什么 github 下载速度这么慢？ 如何提高 github 的下载速度？ 1. GitHub 镜像访问 这里提供两个最常用的镜像地址： https://github.com.cnpmjs.org https://hub.fastgit.org 也就是说上面的镜像就是一个克隆版的 GitHub，你可以访问上面的镜像网站，网站的内容跟 GitHub 是完整同步的镜像，然后在这个网站里面进行下载克隆等操作。 2. GitHub 文件加速 利用 Cloudflare Workers 对 github release 、archive 以及项目文件进行加速，部署无需服务器且自带CDN. https://gh.api.99988866.xyz https://g.ioiox.com 以上网站为演示站点，如无法打开可以查看开源项目：gh-proxy-GitHub

近期华为宣布推出云手机业务，一些媒体人士认为这将摆脱对芯片的依赖，华为的手机业务将因此得以延续，这可能是一种误解，云手机无法替代现有的手机终端。 云服务替代终端的概念其实并不新鲜，在PC时代就曾提出类似的概念以云PC取代PC，然而20多过去了，PC依然存在，而云PC依然是鲜见。 导致如此结果是随着互联网的发展，业界发现PC终端依然非常重要，原因是随着终端计算能力的不断提升，许多数据在终端进行计算更高效，并且能提供个性化的计算服务。 特别是对于自动驾驶等高度重视时延的场景来说，云计算无法满足时延的要求，当下自动驾驶技术依然高度依赖终端侧的计算服务。 以这次提出云手机概念的华为来说，它一直都强调云计算技术，然而在AI技术上它一直都在加强手机端的AI计算能力，依靠其推出的麒麟芯片所拥有的强大AI计算能力为消费者提供个性化的拍照服务。 华为提出的云手机仅仅是一种概念产品，其服务的对象主要是企业，例如那些APP开发企业需要长时间、大批量的集群应用，主要用于测试，而非个人使用的手机。 这可以说是华为为了发展自己的云计算服务而推出的产品，针对的是企业市场，与传统的手机基本不搭界，只不过由于目前华为手机所面临的窘境，一些无知人士偷换概念将它与传统的手机混淆以达到吸引眼球的目的。 对于华为来说，要延续手机业务还是需要解决芯片供应问题，为解决这一问题介入芯片制造行业或许将是它的出路

目录 高级综合HLS（high-level-synthesis）：软件算法在FPGA上实现硬件加速的综合工具 HLS简述 HLS应用背景 HLS基本要素 HLS优势 小结 高级综合HLS（high-level-synthesis）：软件算法在FPGA上实现硬件加速的综合工具 HLS（high-level-synthesis），高级综合，将C/C++/SystemC编写的软体算法综合成RTL编码（VHDL/HDL），以实现软件算法设计的硬件加速和硬件电路设计的抽象级设计&验证。 HLS简述 HLS（High-level-synthesis，高级综合）工具是指将C、C++或SystemC编写的C规范代码转换为寄存器传输级(RTL)实现，并将其综合到现场可编程门阵列(FPGA)上，以实现软件的硬件加速效果。而FPGA提供了一种大规模并行架构，在性能、成本和功耗方面都优于传统处理器。HLS的目标是通过让硬件设计人员在更高的抽象级别上描述设计，从而更有效地构建和验证硬件。 本文概述了HLS高级综合的应用背景、基本要素以及优势。 HLS应用背景 1. FPGA应用领域的拓展 随着当前各领域计算速度以及数据处理实时性的需求不断增长，FPGA的应用领域也在不断拓展。传统通信、工业控制等传统领域已经逐渐趋于成熟，然而近年来随着云计算/边缘计算、大数据、AI人工智能、物联网等的发展

摘要： 想了解时下流行的自动驾驶相关AI模型吗？接下来就用华为云的ModelArts和百度的Easy DL带你体验一下AI平台是怎么进行模型训练的。 华为ModelArts自动学习 VS 百度Easy DL 在华为云论坛上看到了人车识别的实验。 想看下时下流行的自动驾驶相关的AI模型是怎么样子的。 也想看看现阶段各大AI平台是怎么进行模型训练的。 那接下来就用华为云的ModelArts和百度的Easy DL体验一下吧。 华为ModelArts-自动学习-物体检测 链接： https://console.huaweicloud.com/modelarts/?region=cn-north-4#/exeml 数据导入 只支持8MB数据的上传。如果需要上传更多文件，需要使用OBS Browser或者到OBS服务界面上传。 模型训练 可以选择增量训练、训练测试数据分割比例。 模型测试 点击部署后，可以直接上传图片进行测试。 百度Easy DL-经典版-物体检测模型 简介： https://ai.baidu.com/easydl/ 数据导入 通过本地方式上传，一次性可以上传100张的图片，上传过程可以显示上传进度(百分比)。 但是存在一个及其让人难受的Bug，当你一次性选择大于100张图片时，在你上传完所有图片后，会提示你数据超限，需要重新上传。 有几次上传完后，还会出现无法点击确认的情况

最近出现的许多内存问题都以3D Xpoint的形式出现在ReRAM，MRAM和PCRAM上。但是铁电RAM（FRAM）在小型利基设备中得到了成功。 去年对新兴内存年报，吹捧的ReRAM，MRAM和PCRAM的三个关键新兴的记忆保持在眼睛上。但它也指出，FRAM已在诸如大众运输卡，游戏系统和功率计之类的特定市场证明了自己，其主要吸引力在于执行写入操作时的低功耗。 FRAM 产品已经存在很长时间了，主要是作为缓冲应用程序的专用缓存。甚至还有一些灵活的FRAM器件，“但对于利基应用，它们的密度相对较低。 实际上，FRAM已经存在了35年。它的非易失性和低功耗是它继续受到关注的原因，因为它对许多应用程序都至关重要。由于其开关能量低，FRAM通常具有很大的吸引力，需要非常低的能量来切换这种材料，因此如果正在编程或提高比特率，则需要投入很少的能量来扭转这种极化。与其他技术相比，FRAM的开关能量最低。 但是它也面临挑战，包括高昂的处理成本，大的存储单元和更大的芯片尺寸。可扩展性对于超越小型密度利基应用来说是必不可少的。 FMC的FRAM技术使用氧化ha作为栅极绝缘体，因此可以采用标准的HKMG晶体管并对其栅极绝缘体进行改性，使其成为铁电体，从而制造出非易失性HKMG晶体管。 FRAM的有效扩展可能是使用氧化f，该氧化物通常用于帮助在标准CMOS逻辑工艺中制造高K栅极电介质层

点击上方“3D视觉工坊”，选择“星标” 干货第一时间送达 9月25日，启动资金高达10亿元的“科学探索奖”正式公布第二届获奖名单，50位青年科学家获奖。该奖项每年遴选50位获奖者，每人在未来5年获得每年60万元（税后）、累计300万元的现金资助，并可对奖金做自由支配。 值得一提的是，50位获奖者中，最年轻的是来自北京大学微纳电子学系的博士生导师黄芊芊，仅30岁。 除此之外，黄芊芊研究员在今年还获得“2019 IEEE Electron Devices Society Early Career Award”，以表彰她在超低功耗微纳电子新原理器件等方面的出色工作，和2020年度“求是杰出青年学者奖”。 而在2017年，她就入选未来女科学家计划；2018年获获国家优青项目资助；2020年获中国电子学会优秀科技工作者荣誉称号 ，这几乎把所有青年科学家所能获的奖项都囊括了，说明了她是一位非常优秀的科研工作者。 黄芊芊出生于 1989 年，2006 年从江西上饶一中考入北京大学信息科学技术学院。自从考入北京大学以来，黄芊芊一直在北京大学学习和工作。 她在本科毕业后直博，2015 年获得北京大学微电子学与固体电子学专业博士学位。 2017 年，黄芊芊北京大学博士后出站，同年正式成为北大微纳电子学系的研究员、博士生导师，当时年仅28岁。 也是在 2017 年

点击上方“3D视觉工坊”，选择“星标” 干货第一时间送达 这篇文章收录于ECCV2020，是一篇关于无碰撞空间区域分割的文章，整体效果很不错。最主要的核心思想是在表面发现估计器的设计，在得到表面法线后将其用于分割网络的编码器环节，并在特征融合部分，借鉴了DenseNet的思想，进行密集连接。网络的计算量和参数量文中并没有比较，应该做不到实时。 论文地址 ：https://arxiv.org/abs/2008.11351 代码地址： https://github.com/hlwang1124/SNE-RoadSeg Freespace无碰撞空间检测是自动驾驶汽车视觉感知的重要组成部分。近年来，数据融合data-fusion卷积神经网络CNN架构大大改善了语义场景分割算法的性能。通常，可以将自由空间假设为一个地面平面，在这个平面上，各点具有相似的表面法线。因此，在本文中，首先介绍了一个名为 表面法线估计器（ surface normal estimator ，SNE）的新型模块，该模块可以从密集的深度/视差图像中高精度和高效率地推断出表面法线信息 。此外，提出了一种称为RoadSeg的数据融合CNN架构， 该架构可以从RGB图像和推断出的表面法线信息中提取并融合特征，以进行准确的自由空间检测。 同时，出于研究目的，我们发布了在不同光照和天气条件下收集的大规模合成自由空间检测数据集

　　 本文解读的是论文《SNE-RoadSeg: Incorporating Surface Normal Information into Semantic Segmentation for Accurate Freespace Detection》，论文作者来自 加州大学圣地亚哥分校和 香港科技大学机器人学院 。 该论文解读首发于“AI算法修炼营”。 　　作者 | SFXiang 　　编辑 | 青暮 　　 　　 这篇文章收录于ECCV2020，是一篇关于无碰撞空间区域分割的文章，整体效果很不错。最主要的核心思想是在表面发现估计器的设计，在得到表面法线后将其用于分割网络的编码器环节，并在特征融合部分，借鉴了DenseNet的思想，进行密集连接。网络的计算量和参数量文中并没有比较，应该做不到实时。 　　论文地址：https://arxiv.org/abs/2008.11351 　　代码地址：https://github.com/hlwang1124/SNE-RoadSeg 　　Freespace无碰撞空间检测是自动驾驶汽车视觉感知的重要组成部分。近年来，数据融合data-fusion卷积神经网络CNN架构大大改善了语义场景分割算法的性能。通常，可以将自由空间假设为一个地面平面，在这个平面上，各点具有相似的表面法线。 　　因此，在本文中，首先介绍了一个名为表面法线估计器（

智能驾驶真能替代“老司机”吗？ 研究数据表明，近94%的致命车祸与驾驶员直接相关，例如疲劳、超速或其他违法行为，智能驾驶被视为可以显著降低事故率。 随着系统复杂性的不断提升，新技术将会引入新的安全风险，Uber自动驾驶汽车2018年3月在美国意外撞击致死一名行人，2016-2020四年间特斯拉三次因摄像头识别局限性撞向白色卡车，2020年3月沃尔沃向全球市场发出大规模召回通告，数量达70万辆，涉及9款在售车型，召回的原因是此前沃尔沃在丹麦进行的一项关于XC60的安全测试中，发现自动紧急制动系统（Autonomous Emergency Braking, AEB）没有按预期在发生碰撞时及时刹停车辆。无论是关于消费者购买自动驾驶车辆的决定因素调查，还是各国发布的自动驾驶车辆标准，“安全”始终是最受关注的焦点。 智能驾驶带来的安全问题越来越多，不管是交通事故还是召回事件，究其原因也不全是由于E/E系统故障失效而导致的；在自动驾驶系统中即使系统不发生故障，也可能因为复杂智能算法的不确定性导致功能的偏离、传感器或系统性能限制、驾驶员对车辆功能的误用，造成交通伤害。智能驾驶事故频发，公众的信心下降，对于智能驾驶的未来我们不禁会有这样的疑问：我还有机会吗？ 智能驾驶的“安全带”—SOTIF 我们知道ISO26262 功能安全旨在避免由E/E系统功能失效导致的不可接受的风险，主要是针对系统性失效

　　7月25日-26日，在中国科学技术协会、中国科学院、中国工程院、浙江省人民政府、杭州市人民政府、浙江省人工智能发展专家委员会指导下，由中国人工智能学会、杭州市余杭区人民政府主办，浙江杭州未来科技城管理委员会承办的2020全球人工智能技术大会在“数字之都”——杭州，成功举办。在7月26日举办的 交通系统群体智能决策与控制专题论坛 上CAAI 智能交通专委会秘书长、武汉理工大学副校长、教授 吴超仲 为我们带来了题为 “智能网联汽车精细化感知与深度融合” 的精彩演讲。 　　 　　 以下是吴超仲的演讲实录： 　　我今天报告的题目是《智能网联汽车精细化感知与深度融合》。报告分为四个部分，第一是研究的背景。智能网联汽车在国内外发展很快，在国际上也越来越受到重视。美国的交通运输部和智能交通联合项目办公室共同提出了2015—2019 的战略计划。这个计划实际上是车联网的一个升级版，注重于原来的网联汽车网联化与现在的自动驾驶并重的一个阶段。 　　在欧洲主要通过地平线的2020 计划来推进智能网联汽车的研发。同时，欧洲的道路交通咨询委员会在2019 年，也规划了2030 年前要从手动驾驶过渡到完全无人驾驶这样一个技术路线。 　　日本政府发布了战略性的创新项目——关于智能驾驶系统的研究计划，2025 年要在全国普及自动驾驶技术；而且还希望在2030 年之前，通过自动驾驶技术使交通死亡事故能够大幅降低