面包芯语

一文聊聊自动驾驶轨迹预测发展现状

智驾最前沿 2023-02-08 08:30
破解工业通信时延困局 从电机控制到光伏逆变器：电流传感器的跨领域设计考量

--关注回复“SOA”--

↓↓领取：面向智能车辆开发的开放性SOA方案↓↓

何为轨迹预测

自动驾驶中，轨迹预测一般位于感知模块的后端，规控的前端，为承上启下的模块。输入为感知模块提供的目标track的state信息、道路结构信息，综合考量高精地图信息、目标之间的交互信息，环境的语义信息及目标的意图信息，对感知到的各类目标做出意图预测(cut in/out、直行)以及未来一段时间的轨迹预测(0-5s不等)。如下图所示。
ADAS系统需要对周围环境信息有一定认知能力，最基本的水平是要识别环境，再上一层则需要理解环境，而再上一层则需要对环境进行预测。在对目标进行预测后，规控便可根据预测信息进行自车的路径规划，并做出决策对可能出现的危险情况进行制动或发出告警，这便是轨迹预测模块存在的意义所在。


两个挑战

轨迹预测可分为短期预测与长期预测。
  1. 短期预测一般根据运动学模型(CV/CA/CTRV/CTRA)基于当前的目标state信息预测未来一段时间的轨迹，一般<1s是合适的，如果时间过长，那目标仅与运动学相关的假设就不成立了。短期预测可以建一个运动模型专门去预测，同样的也可以使用前面感知模块滤波中的预测模块，只不过不调用测量进行滤波更新，这样的好处是可以传播不确定度。
  2. 长期预测是当前业界主要在做的。这种预测仅基于运动模型就不合适了，一般需要做意图预测，并结合一些上下文信息(地图、目标间交互信息)才能得到不错的结果。此时业界有很多不同的输出形式，比如输出轨迹的概率分布、输出多条预测轨迹、输出一条可能性最大的预测轨迹。
对于长期的轨迹预测有两个挑战：
  1. 输出一条可能的轨迹或者输出所有可能的轨迹都是不合理的。你输出一条预测轨迹就可能漏掉真正的轨迹，你输出所有可能的轨迹就会出现误报的情况，这对于ADAS系统均是不可接受的。应该考虑把预测轨迹限制在合适的子集中。
  2. 对轨迹预测做的越多就需要做更多的假设。极端一点的假设就是假定道路上的所有的目标都遵守交通规则。这如果用于交通模拟功能是合理的，但是对adas系统并不合适，他需要对潜在的危险情况保持敏感。
影响做长期轨迹预测的不确定性主要来源于三个方面：
  1. 感知模块输出的目标state估计的不确定。
  2. 驾驶意图预测的不确定性。
  3. 从意图识别完与车辆机动性改变中间的不确定性。


主要考量

对轨迹预测系统应该考虑的四个问题：
  1. 轨迹预测要对潜在的危险有敏感性，这是轨迹预测存在的意义要求的。
  2. 既要考虑运行模型也要考虑意图与周围环境的信息。
  3. 考虑上述的不确定性。
  4. 考虑输出的轨迹数量问题。


业界方法

如下图为bosch公司发表综述论文[2]中的分类方法。
  1. 如果按照使用模型的不同来分类，轨迹预测方法可以分为使用物理模型的方法、使用学习的方法、使用规划算法的方法。
  2. 如果按照使用的信息来分类，轨迹预测方法可以分为使用目标的信息的方法、使用环境中的动态目标信息的方法、使用静态环境信息的方法。
轨迹预测具体会涉及到哪些通用算法呢？
  1. 意图预测：模糊理论、static BNs、DBN(HMM、JumpMM)、DS证据理论、机器学习中的分类算法。
  2. 深度学习相关，端到端输出。CNN、LSTM、RNN、Attention。
那轨迹预测可以使用哪些具体信息呢？
  1. 目标信息：当前/历史的速度与位置信息，如果是行人轨迹预测的话，还可使用行人头的朝向、关节信息、性别与年龄信息以及人的注意力信息。
  2. 环境中的动态目标信息：social force、吸引力、群体约束信息。
  3. 静态环境信息：free space、map、语义信息(道路结构/交通规则/当前交通信号灯)。
当前学术界轨迹预测方面的论文越来越多，主要原因还是业界没有行之有效的方法。
以下列举业界论文：
BMW：物理模型+意图预测(learning-based)。使用启发式的方法集成专家知识，简化了交互模型，在意图预测的分类模型中加入了博弈论思想[3]。
BENZ：主要为意图预测的相关论文，使用的是DBN[4]。
Uber：LaneRCNN[5]。
Google：VectorNet[6]。
Huawei：HOME[7]。
Waymo：TNT[8]。
Aptive：Covernet[9]。
NEC：R2P2[10]。
商汤：TPNet[11]。
美团：StarNet[12]。行人。
Aibee：Sophie[13]。行人。
MIT：Social lstm[14]。行人。
中科大：STGAT[15]。行人。
百度：Lane-Attention[16]。
Apollo：可以看如下博客作为参考。
https://www.cnblogs.com/liuzubing/p/11388485.html
Apollo的预测模块接收感知、定位以及地图模块的输入。
1.首先做了场景拆分，分为了普通巡航道路以及路口两个场景。
2.而后对感知得到的目标做重要性划分，分为可以忽略的目标(不会影响到自车)、需要谨慎处理的目标(可能影响到自车)以及普通目标(介于二者之间)。
3.而后进入Evaluator，本质上就是一个意图预测。
4.最后进入predictor，用于预测轨迹生成。对于静止目标、沿道行驶、freeMove、路口等不同场景做不同的操作。


数据集

(1) NGSIM
此数据集是美国FHWA搜集的高速公路行车数据，包括了US101、I-80等道路上的所有车辆在一个时间段的车辆行驶状况。数据是采用摄像头获取，然后加工成一条一条的轨迹点记录。其数据集为CSV文件。数据没有太多噪声。
更多是整体调度层面的信息，如道路规划、车道设置、车流量调节等。车辆运动学状态需要进一步抽取。处理代码可使用下面的github。
https://github.com/nachiket92/conv-social-pooling
(2) INTERACTION
此数据集为加州大学伯克利分校机械系统控制实验室（MSC Lab）与来自卡尔斯鲁厄理工学院（KIT）和国立巴黎高等矿业学院（MINES ParisTech）的合作者建立了一个国际性、对抗性、协作性的数据集（INTERACTION）。它能准确再现不同国家的各种驾驶场景中道路使用者（如车辆、行人）的大量交互性行为。
http://www.interaction-dataset.com/
(3)apolloscape
此为Apollo的公开自动驾驶数据集，其中有为轨迹预测提供的数据。内部文件为2fps的1min数据序列，数据结构包括帧数ID、目标ID、目标类别、位置xyz，长宽高信息以及heading，其中目标类别包括小车、大车、行人、自行车/电动车以及其他。
https://apolloscape.auto/trajectory.html
(4) TRAF
此数据集聚焦于高密度的交通状况，此状况可以帮助算法更好地专注在不确定环境下人类驾驶员行为分析。数据每帧分别包含约13辆机动车辆，5名行人和2辆自行车
https://gamma.umd.edu/researchdirections/autonomousdriving/ad
在链接中有很多使用此数据集的轨迹预测项目。
(5) nuScenes
重磅来了，此数据集是2020年4月提出。其在波士顿和新加坡这两个城市收集了1000个驾驶场景，这两个城市交通繁忙而且驾驶状况极具挑战性。其数据集具有相关论文，可以看看，更好了解此数据集。
https://arxiv.org/abs/1903.11027
此数据集中有预测相关的比赛，可以关注。
https://www.nuscenes.org/prediction?externalData=all&mapData=all&modalities=Any

评估指标

当前主要使用的评估指标为几何度量。
几何度量有很多个指标，主要使用的是ADE、FDE、MR。
ADE为均一化欧式距离。FDE为最终预测点之间的欧式距离。MR为未中率。有很多不同的名字，主要就是设一个阈值，预测点迹之间欧式距离低于这个预测就记为命中，高于这个阈值就记为未命中，最后计算一个百分比。
几何度量是衡量预测轨迹与实际轨迹相似性的重要指标，可以很好是代表精度。但是以轨迹预测存在的意义来说，仅仅评估精度是没有意义的。还应有概率度量，用来评估不确定性，尤其是对于多模态输出分布；还有任务层面度量，鲁棒性的度量以及效率的评估这些。
概率度量：可以使用KL散度、预测概率、累积概率来作为概率度量。比如NLL, KDE-based NLL[17]。任务层度量：评估轨迹预测对后端规控的影响(piADE,piFDE)[18]。鲁棒性：要考虑在预测之前，观测到的部分轨迹的长度或持续时间；训练数据的size；输入数据采样频率和传感器噪声；神经网络泛化、过拟合及输入利用率分析；感知模块送入的输入如果有问题是否保证功能正常等等方面的因素。效率：要考虑算力的。
如下图所示，此论文的主要考量为基于真值(蓝色)，灰色的目标车预测的紫色与绿色轨迹如果使用几何度量是具有相同的ADE与FDE的，但是不同的预测方式对自车的planning会造成影响，而现在没有这种评估任务层级的度量，于是他们提出piADE与piFDE来做这个事。




三个问题

问题1：三种不同的轨迹预测方法：基于物理模型、基于学习、基于规划各自应用场景在什么地方，有什么优缺点呢？

不同的建模方法可以结合并利用不同类型的上下文信息。利用目标的上下文线索、动静态环境可以扩展出所有建模方法。然而，不同的建模方法在结合不同类别的语义信息时表现出不同程度的复杂性和效率。

1.基于物理模型的方法

适用场景：目标、静态环境、动力学模拟可以被显式转移方程建模。
优点：
  • 基于物理模型的方法通过选择适当的转移方程，可以很容易地跨环境应用，而不需要训练数据，尽管一些用于参数估计的数据是有用的。在论文中，简单的CV模型也可产生合理的结果。
  • 基于物理模型的方法很容易和target agent cues结合进行扩展。
缺点：
  • 这种显示建模的方法可能无法很好地捕捉现实世界的复杂性。
  • 转移方程在空间与时间上缺乏全局信息，导致可能获得是局部最优解。
这样的缺点导致使用物理的方法限制在短期预测或者obstacle-free的环境。

2.基于学习的方法

适用场景：适合于当前环境具有复杂的未知信息(例如具有丰富语义的公共区域)，并且这些信息可以用于比较大的预测范围。
优点：
  • 基于学习的方法可以潜在地处理所有类型的上下文信息，这些信息编码在收集的数据集。他们中一些是map-based，另外一些可以用来对上下文信息进一步扩展。
缺点：
  • 需要在特定地点收集足够的数据，才能进行训练。
  • 上下文信息扩展可能会导致involved learning、数据效率和泛化问题。
  • 倾向于在非安全的关键组件中使用，在ADAS中比较在意可解释性，这是基于学习方法无法做到的。

3.基于规划的方法

适用场景：在终点定下来了且环境地图可获得的场景，有很好的表现。
优点：
  • 如果满足以上两个条件，其比物理方法可以获得更好的精度，比基于学习的方法有更好的泛化能力。
缺点：
  • 传统的规划算法：Dijkstra、Fast Marching Method、optimal sampling-based motion planners会随着目标的数量、环境的大小、预测范围的增加而指数增长。
  • 与基于物理的简单模型相比，基于上下文线索的规划方法(如逆向规划的奖励函数和正向规划的模型)的参数是琐碎的，通常更容易学习，但在推理方面，对于高维(目标)智能体状态，效率较低。
基于规划的方法本质上是map-aware 与 abstacle-aware，很自然地使用语义线索进行扩展。通常情况下，他们会将情境复杂性编码到目标/奖励方程中，但这可能无法恰当地整合动态线输入。因此，作者必须设计具体的修改，将动态输入纳入预测算法(Jump Markov Processes、local adaptations of the predicted trajectory、game-theoretic)。与基于学习的方法不同，目标输入很容易被合并，因为前向与逆向的规划过程都基于同一个目标动态模型。
问题2：轨迹预测的问题现在已经解决了吗？
轨迹预测的需求很大程度上取决于应用领域和其中的特定用例场景。短期内可能不能说轨迹预测这个问题已经解决了。以汽车行业举例，因为有专门的标准规定，定义了最大速度、交通规则、行人速度和加速度的分布，以及车辆舒适加速/减速率的规范，其在制定需求和提出的解决方案方面似乎是最成熟的。可以说对于智能汽车的AEB功能，解决方案已经达到了允许工业化生产消费产品的性能水平，对于其所需用例已经解决。至于其他用例，则需要在不久的将来对需求进行更多的标准化和明确的表述。并且对于鲁棒性与稳定性还需要演进。
所以在回答轨迹预测是否已经解决这个问题之前，最起码应该把标准定了。
当前对于机器人领域来说
  • 基于物理模型与学习的方法可以在短时间(1-2s)有较高的精度。非常适用于人群的局部运动规划与碰撞避免。最简单的CV模型就对机器人的局部规划有很好的效果。如果考虑行人之间的交互以及因为机器人的存在对行人运动产生的影响，有好多种先进算法。
  • 对于需要预测15-20s的去全局路径规划，有很大挑战。需求可以适当放松，而理解动静态上下文输入(长期来看影响运行、在环境地图上的推理、目标的意图推断)则变得十分重要。对于局部和全局路径规划，位置无关方法最适合在各种环境下预测运动。
  • 当前机器人预测4.8s的ADE为0.19-0.4m的。简单的速度模型也可以达到0.53m的ADE。9s预测有1.4-2m的ADE。
当前对于自动驾驶领域来说：
  • 大多数工作考虑的都是横穿马路的行人：开始走 继续走 停止走。
  • 自行车：一个骑自行车的人在接近一个十字路口时，后面有多达五个不同的道路方向。
问题3：当前衡量轨迹预测性能的评估技术是否足够好？
当前对于预测算法缺乏系统性的方法，特别是对于考虑上下文输入以及预测任意数量的目标的轨迹预测方法。
现在大多数作者仅仅使用几何度量(AED, FDE)作为衡量算法好坏的指标。然而对于长时间预测，预测通常是多模态的，并且与不确定性有关，对此种方法的性能评估应该使用考虑到这一点的指标，例如从KLD得到的负对数似然或对数损失。
此外也需要概率度量，其可以更好地反映了人体运动的随机性以及感知缺陷所涉及的不确定性。
还有鲁棒性的评估，需要考量在感知端出现检测错误，跟踪缺陷，自我定位不确定性或地图变化此类场景时系统的稳定性。
同时当前所使用数据集，虽然包含的场景十分的全面，但是这些数据集通常是半自动注释的，因此只能提供不完整和有噪声真值估计。此外，在一些需要长期预测的应用领域中，轨迹长度往往不足。最后，数据集中的目标之间的交互通常是有限的，例如在稀疏的环境里面，目标之间很难有影响。
综上：为了评价预测质量，研究者应该选择更复杂的数据集(包括非凸的障碍、长轨迹和复杂的interaction)以及完整的度量指标(几何+概率)。比较好的方法是根据不同的预测时间、不同的观测周期，不同的场景复杂度设置不同的精度要求。并且应该有鲁棒性评估以及实时性评估。此外应该有相关的指标可以衡量ADAS系统对后端影响程度的指标[18]以及衡量对危险场景敏感性的指标[1]。

未来方向

来自于[2]中的讨论，此处为引用。
当前的趋势时用更复杂的方法去超越使用单一模型+KF的方法
方向：
  1. 使用强化的上下文信息：可以使用更深层次的语义信息，这种语义信息应对静态环境有更好的理解。并且当前使用语义特征进行轨迹预测仍有待于开发
  2. 关于有social-aware的场景：①当前大多数方法假设所有被观察到的人的行为都是相似的，他们的运动可以由相同的模型和相同的特征来预测，而对高层次社会属性的捕捉和推理还处于发展的早期阶段。②大多数可行的方法基于的假设是人们之间的合作行为，而真实的人可能更倾向于优化个人目标，而不是联合策略，因此结合传统AI+博弈论的方法很有研究前途。
  3. 对于长期预测，上下文信息变得特别重要，因为要基于情境和周围环境考虑意图。当前许多基于学习的方法将个体视为粒子，用来学习转移信息，以决定未来运动的方向。而通过更多的通过意图驱动的预测来扩展这些模型，类似于人类目标导向的行为，将有利于长期预测。
  4. 大多数基于规划的方法依赖于一组给定的目标，这使得它们在没有事先知道目的地或可能目的地数量过高的情况下无法使用或不精确。这使得基于语义信息对目的终点进行自动推断变得重要。或者可以动态识别环境里面的可能目的地，并基于此进行轨迹预测。这样就可以在未知的环境里面使用基于规划的方法了。
  5. 现在的方法都是集中于解决某一类特定的任务，比如当环境中存在明显的运动模式时，或者当环境的空间结构和目标agent的目的地预先已知时。而轨迹预测方法需要能适应未定义的/不断变化的环境，并且可以处理突发情况。这就需要迁移学习以及一些应对新环境的方法，这种情况下，学习和推理基本的不变的规则，或者通用的行人行为或者碰撞避免是不合适的。领域自适应是可以用于学习泛化模型。
  6. 另外需要注意的方向：鲁棒性与可集成性。
综上：简洁来说就是上下文信息用的要更深入、最好对不同目标有不同行为模型、博弈论、基于更多信息做更鲁棒的意图预测、对终点的自动推断、对新环境的泛化问题、鲁棒性与可集成性。

参考文献

  1. Schreier M. Bayesian environment representation, prediction, and criticality assessment for driver assistance systems[J]. at-Automatisierungstechnik, 2017, 65(2): 151-152.
  2. Rudenko A, Palmieri L, Herman M, et al. Human motion trajectory prediction: A survey[J]. The International Journal of Robotics Research, 2020, 39(8): 895-935.
  3. Bahram M, Hubmann C, Lawitzky A, et al. A combined model-and learning-based framework for interaction-aware maneuver prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(6): 1538-1550.
  4. Weidl G, Madsen A L, Kasper D, et al. Optimizing Bayesian networks for recognition of driving maneuvers to meet the automotive requirements[C]//2014 IEEE International Symposium on Intelligent Control (ISIC). IEEE, 2014: 1626-1631.
  5. Zeng W, Liang M, Liao R, et al. LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting[J]. arXiv preprint arXiv:2101.06653, 2021.
  6. Gao J, Sun C, Zhao H, et al. Vectornet: Encoding hd maps and agent dynamics from vectorized representation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 11525-11533.
  7. Gilles T, Sabatini S, Tsishkou D, et al. HOME: Heatmap Output for future Motion Estimation[J]. arXiv preprint arXiv:2105.10968, 2021.
  8. Zhao H, Gao J, Lan T, et al. Tnt: Target-driven trajectory prediction[J]. arXiv preprint arXiv:2008.08294, 2020.
  9. Phan-Minh T, Grigore E C, Boulton F A, et al. Covernet: Multimodal behavior prediction using trajectory sets[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 14074-14083.
  10. Rhinehart N, Kitani K M, Vernaza P. R2p2: A reparameterized pushforward policy for diverse, precise generative path forecasting[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 772-788.
  11. Fang L, Jiang Q, Shi J, et al. Tpnet: Trajectory proposal network for motion prediction[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 6797-6806.
  12. Zhu Y, Qian D, Ren D, et al. Starnet: Pedestrian trajectory prediction using deep neural network in star topology[C]//2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2019: 8075-8080.
  13. Sadeghian A, Kosaraju V, Sadeghian A, et al. Sophie: An attentive gan for predicting paths compliant to social and physical constraints[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 1349-1358.
  14. Alahi A, Goel K, Ramanathan V, et al. Social lstm: Human trajectory prediction in crowded spaces[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 961-971.
  15. Huang Y, Bi H K, Li Z, et al. Stgat: Modeling spatial-temporal interactions for human trajectory prediction[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 6272-6281.
  16. Pan J, Sun H, Xu K, et al. Lane-Attention: Predicting Vehicles’ Moving Trajectories by Learning Their Attention Over Lanes[C]//2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2020: 7949-7956.
  17. Ivanovic B, Pavone M. The trajectron: Probabilistic multi-agent trajectory modeling with dynamic spatiotemporal graphs[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 2375-2384.
  18. Ivanovic B, Pavone M. Rethinking Trajectory Forecasting Evaluation[J]. arXiv preprint arXiv:2107.10297, 2021.

转载自知乎、自动驾驶之心，文中观点仅供分享交流，不代表本公众号立场，如涉及版权等问题，请您告知，我们将及时处理。

-- END --

登录阅读全文
免责声明： 该内容由专栏作者授权发布或作者转载，目的在于传递更多信息，并不代表本网赞同其观点，本站亦不保证或承诺内容真实性等。若内容或图片侵犯您的权益，请及时联系本站删除。侵权投诉联系：  nick.zong@aspencore.com！
智驾最前沿 「智驾最前沿」深耕自动驾驶领域技术、资讯等信息，解读行业现状、紧盯行业发展、挖掘行业前沿，致力于助力自动驾驶发展与落地！公众号：智驾最前沿
评论
  • 用OTT播放器看影片好卡？以智能家庭关键场景测试评比OTT播放器表现
    多人同时共享相同无线网络，以下场景是否是您熟悉的日常？姐姐：「妈~我在房间在线上课，影音一直断断续续的怎么上课啊！」奶奶：「媳妇啊~我在在线追剧，影片一直卡卡的，实在让人生气！」除此之外，同时间有老公在跟客户开在线会议，还有弟弟在玩在线游戏，而妈妈自己其实也在客厅追剧，同时间加总起来，共有五个人同时使用这个网络！我们不论是在家里、咖啡厅、餐厅、商场或是公司，都会面临到周遭充斥着非常多的无线路由器（AP），若同时间每位使用者透过手机、平板或是笔电连接到相同的一个网络，可想而知网络上的壅塞及相互干扰
    百佳泰测试实验室 2025-03-06 16:50 42浏览
  • “双碳”背景下，企业应该如何提升能源效率？
    在当今竞争激烈的市场环境中，企业不仅需要优化成本，还需积极响应国家的能源政策，减少对环境的影响。提升工业能源效率正是实现这一双重目标的关键。中国近年来大力推进“双碳”目标（碳达峰、碳中和），并出台了一系列政策鼓励企业节能减排。通过宏集CODRA的Panorama解决方案，企业可以获得专为这一目标设计的SCADA工具，实时监控和调整所有工业设备的能耗。特别是其中的能源管理模块，能够有效分析数据，预防故障，避免能源浪费。Panorama的优化技术宏集CODRA提供的解决方案，尤其是Panorama
    宏集科技 2025-03-06 11:25 115浏览
  • 两会声音|TCL李东生：加强AI监管，优化科技制造业融资环境
    文/Leon编辑/cc孙聪颖2025年全国两会进行时，作为“十四五”规划收官之年，本届两会释放出坚定目标、稳中求进、以进促稳等信号。其中，企业家们的建议备受关注，关系到民营经济在2025年的走向。作为国内科技制造业的“老兵”，全国人大代表、TCL集团创始人及董事长李东生在本届两会中提出三份代表建议，包括《关于优化中国科技制造业融资环境的建议》、《关于加强AI深度伪造欺诈管理的建议》和《关于降低灵活就业人员社会保险参保门槛的建议》，表现出对科技制造、AI发展和劳动者保障方面的关注。会后，李东生接受
    华尔街科技眼 2025-03-06 19:41 44浏览
  • 3DGS：革新自动驾驶仿真场景重建的关键技术
    随着自动驾驶技术的迅猛发展，构建高保真、动态的仿真场景成为了行业的迫切需求。传统的三维重建方法在处理复杂场景时常常面临效率和精度的挑战。在此背景下，3D高斯点阵渲染（3DGS）技术应运而生，成为自动驾驶仿真场景重建的关键突破。一、3DGS技术概述与原理1、3DGS的技术概述3DGS是一种基于3D高斯分布的三维场景表示方法。通过将场景中的对象转化为多个3D高斯点，每个点包含位置、协方差矩阵和不透明度等信息，3DGS能够精确地表达复杂场景的几何形状和光照特性。与传统的神经辐射场（NeRF）方法相比，
    康谋 2025-03-06 13:17 120浏览
  • 独家：大屏 OLED 成为 “滑铁卢”，老牌彩电企业创维缘何掉队
    文/Leon编辑/侯煜‍2008至2021年间，创维以高举高打的凌厉之势，果断进行投资，一度成为中国市场大屏OLED产业的旗手，引领着显示技术的发展方向。但近年来，创维在 OLED 领域的发展轨迹却逐渐模糊，态度陷入暧昧不明的混沌状态。究其根源，一方面，创维对过往的押注难以割舍，在技术革新与市场变化的浪潮中，不愿轻易推翻曾经的战略布局；另一方面，早期在大屏OLED 技术研发、市场推广等环节投入的巨额资金，已然形成沉没成本，极大地限制了创维在显示技术路线上的重新抉择。但市场瞬息万变，为适应激烈的行
    华尔街科技眼 2025-03-05 20:03 147浏览
  • 优思学院｜六西格玛团队如何选人？这几点决定项目成败！
    在六西格玛项目中，团队的选择往往决定了最终的成败。合适的团队成员不仅能推动项目顺利进行，更能确保最终成果符合预期。因此，组建六西格玛团队时，必须挑选最合适的人才，确保他们具备必要的能力和特质。团队主管的关键特质每个精益六西格玛项目都需要一位主管来带领团队。他们不仅需要具备领导力，还要能够分析数据、制定策略，并与管理层和团队成员高效沟通。团队主管的核心职责包括：领导团队行动：能够激励成员，确保团队朝着既定目标前进。数据分析能力：精通数据处理和分析，能基于数据做出决策。沟通协调：能够在管理层和团队之
    优思学院 2025-03-06 12:51 98浏览
  • 三星车规级电容在电动车高压DC-DC转换器中的作用 | 贞光科技代理品牌
    引言嘿，各位电动汽车的爱好者们！咱们今儿个就来聊聊电动汽车里那些“看不见，摸不着”，但又至关重要的零部件。要说电动汽车这玩意儿，那可真是科技含量满满，各种高精尖的技术都往里堆。但要让这些高科技玩意儿协同工作，稳定可靠地运转，那就得靠一些幕后英雄，比如说——电容器。你可能会想，电容器？这不就是电子电路里常见的元件嘛，能有多重要？ 哎，你可别小瞧了这小小的电容器。在电动汽车的心脏地带——高压直流转换器（DC-DC转换器）里，车规级的电容器那可是扮演着举足轻重的角色。 今天，咱们就聚焦分析三星电机车规
    贞光科技 2025-03-05 17:02 90浏览
  • 基于CANoe的HTTP节点仿真与测试实践
    1. 背景在汽车电子系统测试中，CANoe作为主流的仿真测试工具，常需与云端服务器、第三方软件或物联网设备进行交互。随着CANoe与外部软件、服务器或设备交互越来越多，直接使用Socket进行通信往往不能满足使用需求，依托于CANoe 的连接功能集（Connectivity Feature Set），以及Distributed Object（DO）功能，可以仿真HTTP节点，实现设备与服务器等之间的通信，保证数据处理的可靠性和便捷性。本文详细解析如何利用CANoe搭建HTTP测试环境，并提供典型
    北汇信息 2025-03-05 11:56 87浏览
  • 汽车免拆诊断案例 | 保时捷车发动机偶发熄火故障 2 例
    案例1　2008款保时捷卡宴车行驶中发动机偶发熄火故障现象　一辆2008款保时捷卡宴车，搭载4.8 L 自然吸气发动机，累计行驶里程约为21万km。车主反映，该车行驶中发动机偶发熄火；重新起动，发动机能够起动着机，只是起动时间延长，且组合仪表上的发动机故障灯异常点亮。 故障诊断接车后试车，发动机起动及怠速运转正常。用故障检测仪检测，发动机控制单元（DME）中存储有故障代码“P0335 曲轴位置传感器A电路”，由此怀疑曲轴位置传感器信号偶尔异常，导致发动机熄火。用虹科Pico汽车示波器测
    虹科Pico汽车示波器 2025-03-05 11:00 62浏览
  • 如何全面攻略服务器DIY市场痛点！
    服务器应用环境与客户需求PCIe 5.0高速接口技术的成熟驱动着生成式AI与高效能运算等相关应用蓬勃发展。在随着企业对服务器性能的要求日益严苛，服务器更新换代的周期也持续加快。在此背景下，白牌与DIY(Do It Yourself)服务器市场迎来了新的发展契机，但同时也面临着更趋复杂的技术挑战。传统上，白牌与DIY服务器以其高度客制化与成本效益优势受到市场青睐。然而，随着PCIe 5.0等高速技术的导入，服务器系统的复杂度大幅提升，对组装技术与组件兼容性也就提出更高的要求。举个简单的例子来说，P
    百佳泰测试实验室 2025-03-06 17:00 47浏览
  • 应用案例 | 精准控制，高效运行—宏集智能控制系统助力SCARA机器人极致性能
    概述随着工业4.0的深入推进，制造业对自动化和智能化的需求日益增长。传统生产线面临空间不足、效率低下、灵活性差等问题，尤其在现有工厂改造项目中，如何在有限空间内实现高效自动化成为一大挑战。此次项目的客户需要在现有工厂基础上进行改造，空间有限。为此，客户选择了SCARA型线性轴机器人作为执行设备。然而，SCARA机器人的高效运行离不开强大的控制系统支持。宏集凭借其先进的智能控制系统，为客户提供了高效、灵活的自动化解决方案，确保SCARA机器人在有限空间内发挥最大效能。一、客户需求在此次改造项目中，
    宏集科技 2025-03-06 11:27 120浏览
  • ASL6328芯片规格书|ASL6328芯片功能说明书|HDMI/DVI电平转换芯片
    ASL6328芯片支持高达 6.0 Gbps 运行速率的交流和直流耦合输入T-MDS 信号，具备可编程均衡和抖动清理功能。ASL6328 是一款单端口 HDMI/DVI 电平转换 / 中继器，具有重新定时功能。它包含 TypeC双模式 DP 线缆适配器寄存器，可用于识别线缆适配器的性能。抖动清理 PLL（锁相环）能够消除输入抖动，并完全重置系统抖动容限，因此能更好地满足更高数据速率下 HDMI 抖动合规性要求。设备的运行和配置可通过引脚设置或 I2C 总线实现。自动断电和静噪功能提供了灵活的电
    QQ1540182856 2025-03-06 14:26 86浏览
  • 优思学院｜质量不合格的真实成本：你的企业正悄悄亏掉多少钱？
    产品质量合格率偏低会引起质量成本（也称“劣质成本”）的大幅增加。质量成本通常分为内部损失成本和外部损失成本两部分。内部损失成本是指产品交付前因质量不合格造成的损失，包括返工、报废等；外部损失成本是指产品交付后因质量问题导致的损失，如退货、召回等。此外，质量问题还会影响生产效率，带来额外人工和停工损失。下面分别介绍各类损失的具体计算方法和公式。直接成本损失（内部故障成本）直接成本是由于产品在出厂前质量不合格所造成的看得见的损失。常见的直接损失包括返工、报废以及由此产生的额外原材料消耗等。返工成本：
    优思学院 2025-03-05 15:25 77浏览
我要评论
1
点击右上角，分享到朋友圈 我知道啦
请使用浏览器分享功能 我知道啦