MARC

 008250123s2024        us                              c    eng  d
■001000017163784
■00520250211152753
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384450580
■035    ▼a(MiAaPQ)AAI31555516
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aJacobson,  Philip.
■24510▼aEfficient  3D  Vision  for  Autonomous  Driving
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a107  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Wu,  Ming  C.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aSelf-driving  vehicles  have  long  been  envisioned  as  a  massive  leap  forward  in  transportation  technology.  Although  several  efforts  to  developing  fully  autonomous  vehicles  are  currently  being  undertaken  in  both  industry  and  academia,  so  far  none  have  achieved  the  promise  of  full  self-driving.  Of  the  challenges  in  building  the  autonomous  software  for  self-driving  cars,  one  of  the  most  prominent  is  perception,  or  the  ability  for  the  vehicle  to  sense  the  world  around  it.  To  meet  the  requirements  for  practical  deployment  onto  autonomous  vehicles,  perception  systems  must  meet  four  key  metrics  of  efficiency:  accuracy,  low-latency,  reasonable  compute  hardware,  and  training  data  efficiency.In  this  dissertation,  we  will  introduce  novel  approaches  to  AV  perception  while  aiming  to  address  the  four  metrics  for  efficiency.  We  introduce  four  major  new  perception  schemes  during  the  course  of  this  dissertation.In  Chapter  2,  we  consider  a  combined  hardware/algorithms  approach  to  perception  to  achieve  accelerated  training  speeds  on  limited  compute  hardware.  We  introduce  system  based  on  the  principles  of  delayed-feedback  reservoir  computing  implemented  using  an  optoelectronic  delay  system.  To  tailor  this  approach  to  computer  vision  tasks,  we  combine  it  with  a  high-speed  digital  preprocessing  through  untrained  convolutional  layers  to  generate  randomized  feature  maps  that  are  then  circulated  through  our  reservoir.  We  experimentally  validate  our  approach  on  the  classic  MNIST  handwritten  digit  recognition  task,  and  achiever  performance  on-par  with  a  digitally-trained  convolutional  neural  network,  while  achieving  a  training-time  speed-up  of  up  to  10x.In  Chapter  3,  we  consider  3D  object  detection  in  autonomous  driving  settings,  and  specifically  consider  the  problem  of  efficient  LiDAR-camera  fusion.  We  introduce  a  novel  sensor  fusion  approach,  dubbed  Center  Feature  Fusion,  which  operates  through  fusing  camera  and  LiDAR  deep  features  in  the  bird's-eye-view  space.  To  enable  low-latency  fusion,  we  propose  a  sparse  feature  fusion,  we  projects  only  a  set  of  identified  key  camera  features  to  bird's-eye-view.  As  a  result,  we  are  able  to  achieve  performance  on-par  with  competing  sensor  fusion  approaches,  while  reducing  runtime  latency  by  several  times.In  Chapter  4,  we  consider  the  problem  of  3D  object  detection  from  the  data  efficiency  angle,  aiming  to  reduce  the  labeled  data  requirement  needed  to  train  the  computer  vision  models  necessary  for  autonomous  vehicles.  In  this  chapter,  we  introduce  doubly-robust  self-training,  a  novel  generalized  approach  to  semi-supervised  learning.  We  conduct  both  theoretical  analysis  to  demonstrate  its  superiority  over  the  standard  self-training  approaches  regardless  of  teacher  model  quality,  and  experimental  analysis  on  both  image  classification  and  object  detection.  For  both  vision  tasks,  we  achieve  performance  superior  to  the  self-training  baseline  with  no  extra  computational  costs.In  Chapter  5,  we  continue  exploring  semi-supervised  3D  object  detection  through  leveraging  the  motion  forecasting  component  of  the  autonomy  stack  to  improve  perception  models.  We  introduce  our  novel  algorithm  ,  TrajSSL,  which  uses  a  pre-trained  prediction  model  to  generate  a  set  of  synthetic  labels  to  enhance  the  training  of  a  student  detector  model.  The  generate  synthetic  labels  are  used  to  establish  temporal  consistency,  and  thus  filter  out  low-quality  pseudo-labels  during  training,  while  simultaneously  correcting  for  missing  pseudo-labels.  TrajSSL  outperforms  the  state-of-the-art  for  semi-supervised  3D  object  detection  across  a  wide  variety  of  scenarios.
■590    ▼aSchool  code:  0028.
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■650  4▼aAutomotive  engineering
■653    ▼aSelf-driving  vehicles
■653    ▼aTransportation  technology
■653    ▼aAutonomous  vehicles
■653    ▼aAutonomous  software
■653    ▼aNovel  algorithm
■690    ▼a0544
■690    ▼a0464
■690    ▼a0540
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163784▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서