自动驾驶车辆如何利用时空信息更好识别运动中的物体，又如何在没有定位导航条件下知道“我在哪”？这是当前自动驾驶正在攻克的技术难题。现在，中国的自动驾驶 AI 公司毫末智行提出了更好的解决方案。
6 月 30 日，毫末智行两篇最新研究成果成功入选机器人领域顶级学术会议 IROS（IEEE/RSJ International Conference on Intelligent Robots and Systems 智能机器人与系统国际会议）2022，将以纸张形式在IRS 2022上发布。
此次毫末智行团队提交的两篇最新论文研究成果分别是：《Efficient Spatial-Temporal Information Fusion for LiDAR-Based 3D Moving Object Segmentation》（，基于激光雷达的三维运动目标分割的高效时空信息融合》）《OverlapTransformer: An Efficient and Yaw-Angle-Invariant Transformer Network for LiDAR-Based Place Recognition》（《OverlapTransformer：一种基于激光雷达的高效、旋转无关的位置识别网络》）。
超过200份提交的论文中,有两份突出,成功入选。本文结合激光雷达在自走车辆上的应用。提出了一种新的激光雷达运动目标分割深度神经网络和基于激光雷达的新定位识别算法。协助自走车辆有效利用时间和空间信息,确定运动目标;并快速准确地定位自己,这大大提高了激光雷达的灵敏度.
随着近年来激光雷达在自动驾驶领域的应用的逐步探索,其强大的空间3D分辨率被广泛认为是汽车技术高级升级和商业降落过程中的一个重要能力。然而，硬件获取信息数据,它还要求算法进行更快和更准确的分析,为了帮助自走车辆更好地利用它们,这使得开车更安全。两篇关于微秒智能的论文从这个角度进行剪切.
在《Efficient Spatial-Temporal Information Fusion for LiDAR-Based 3D Moving Object Segmentation》中指出，准确的运动目标分割是自动操纵的重要任务,如何有效地利用时空信息是三维激光雷达运动目标分割的关键问题。为此，提出了一种新的深度神经网络.利用不同的时空信息显示模式和激光雷达,提高了激光雷达的MOS性能。具体来说，提出了一种基于激光雷达的新型有效的在线目标分割网络。通过采用双分支结构,更好地整合空间信息和时间信息,并引入了“粗糙到细”的策略,以减少物体边界上的边界模糊问题,同时保持实时,性能超越了以往的网络。目前，该方法实现了基于SemanticKITTIMOS的最先进的激光雷达MOS性能.
在《OverlapTransformer: An Efficient and Yaw-Angle-Invariant Transformer Network for LiDAR-Based Place Recognition》一文中，提出了一种新的位置识别方法。使用在自走车辆上安装的3D激光雷达,生成距离图像。可实现仅使用激光雷达数据而不使用任何其他信息来检测 SLAM 的 loop closure 候选或是直接给出地点识别，在没有细微调制的情况下,它适用于不同的环境,在大型户外环境(毫米数据集)中实现长期定位识别。OverlapTransformer 的运行速度比大多数最先进的方法更快，所有 指标 也 达到 了 SOTA 。
IROS（IEEE/RSJ International Conference on Intelligent Robots and Systems，IEEE/RSJ 智能机器人及系统国际会议）是世界机器人和智能系统领域中最著名、影响力最大的顶级学术会议之一。2022年IROS将集中于在共生社会中实现人工智能的具体化。会议将于10月23日至27日在日本京都举行。
作为中国第一个大规模生产的自主车辆,过去两年半,具有强大的技术创新能力和快速产品着陆能力,它在工业内外得到了广泛的认可。MANA是中国自主汽车行业的第一个数据情报系统。通过定义和使用数据智能,提高汽车产品能力,是微米产品的迭代的基石,能够以高效率低成本提取数据值.截至2022年6月,MANA拥有超过240,00小时的学习时间。虚拟驾驶年龄相当于20万年的人类驾驶.基于MANA的强大能力,以及可扩展的生产能力和日益成熟的商业模式,这些毫米已经建立了一个完美的数据循环,为自身技术产品的不断升级以及为中国自动驾驶技术的进步提供了强有力支撑。