Ô tô tự hành (AGV) là một dạng máy thông minh có đủ khả năng hiểu

biết để tự xác định trạng thái chuyển động của mình dựa trên những
điều kiện môi trường. Một dạng tiêu biểu của ô tô hay robot tự hành là
khả năng vận hành và điều khiển không cần sự chuyển động của con
người. Trong bài báo này, chúng tôi trình bày các công nghệ hiện tại
dành cho xe tự lái chủ yếu tập trung vào việc đưa hành khách từ điểm A
đến điểm B. Các giải thuật xử lý ảnh đơn giản, công nghệ ra lệnh bằng
ngôn ngữ, hệ thống tích hợp AI với mong muốn phát hiện các tình
huống và tương tác với hành khách để giải quyết chúng. Bài báo đề xuất
các thuật toán tính toán làn đường, mô phỏng, mô tả xử lý vật cản các
trường hợp chúng tôi thực nghiệm một cách tương đối và đưa ra
nguyên nhân, giải pháp. Các kết quả thực nghiệm của 3 bài báo đã tối
ưu trong việc xử lý các vấn đề đưa ra để điều khiển xe một cách hợp lý.

An autonomous vehicle (AGV) is an intelligent machine capable of

knowing enough to determine its own state of motion based on
environmental conditions. A typical form of self-driving car or robot is
the ability to operate and move without human control. In this paper,
we present current technologies for self-driving cars mainly focusing on
taking passengers from point A to point B. Simple image processing
algorithms, language command technology language, the system
integrates AI with the desire to detect situations and interact with
passengers to solve them. The article proposes algorithms for
calculating lanes, simulating, describing and dealing with obstacles in
our experimental cases and giving causes and solutions. The
experimental results of 3 articles have been optimized in handling the
given problems to control the vehicle in a reasonable way.

I. Nhận biết vật cản

Uncertainty Resolving System(URS)

Notation introduction

Visual Grounding (VG) model

Jointly detecting uncertainty and uncertain objects

Calibrating the VG model

Influence of other output functions

ncertainty detection methods

influence of the number of objects in 𝑂

4. Describingtheobjectsthatcausetheuncertainty

4.1. Attribute predictor

4.2.1. Basic Control Model (CNN-LSTM)

4.2. Generating referring expressions

4.2.2. Attribute-Referring Expression Generator and its Variations (A-

REG)

4.2.3. State-of-the-art baselines

4.3. Generating a question

5. Experimentsanddiscussion

5.1. Talk2car dataset

5.1.1. Augmenting Talk2Car with ground-truth referring expressions
andattributes

5.2. Evaluation metrics

5.2.1. Evaluation metric for visual grounding

5.2.2. Evaluation metric for jointly detecting uncertainty and

uncertainobjects

5.2.3. Evaluation metrics of the generated expression

5.2.4. Human evaluation metrics

5.3. Uncertainty — Influence of Number of Objects in𝑂𝐼for the VG

model

5.4. Uncertainty — predicting the referred object class

5.5. Uncertainty — influence of ensemble on IoU

5.6. Uncertainty — jointly detecting uncertainty and the uncertain

objects

5.7. Visual uncertainty examples

5.8. Attribute prediction

5.9. Referring expression generation — quantitatively

5.9.1. Results of the referring expression generation

5.10. Final result

Hệ thống giải quyết sự không chắc chắn (URS)

3.1 Giới thiệu ký hiệu

3.2 Mô hình tiếp đất trực quan (VG)

3.3 Cùng phát hiện các đối tượng không chắc chắn và không chắc chắn

3.4 Hiệu chỉnh mô hình VG

3.5 Ảnh hưởng của các chức năng đầu ra khác

3.6 phương pháp phát hiện độ chắc chắn

ảnh hưởng của số lượng đối tượng trong 𝑂

4. Mô tả tính chắc chắn của đối tượng

4.1. Công cụ dự đoán thuộc tính

4.2.1. Mô hình điều khiển cơ bản (CNN-LSTM)

4.2. Tạo biểu thức giới thiệu

4.2.2. Trình tạo biểu thức tham chiếu thuộc tính và các biến thể của nó
(A-REG)

4.2.3. Đường cơ sở hiện đại

4.3. Tạo một câu hỏi

5. Thử nghiệm và thảo luận

5.1. Bộ dữ liệu Talk2car

5.1.1. Tăng cường Talk2Car với các biểu thức và thuộc tính giới thiệu sự
thật

5.2. Các chỉ số đánh giá

5.2.1. Chỉ số đánh giá cho nền tảng trực quan

5.2.2. Chỉ số đánh giá để cùng phát hiện sự không chắc chắn và các đối
tượng không chắc chắn
5.2.3. Các chỉ số đánh giá của biểu thức đã tạo

5.2.4. Các chỉ số đánh giá con người

5.3. Sự không chắc chắn - Ảnh hưởng của Số lượng Đối tượng trong mô
hình VG

5.4. Tính không chắc chắn - dự đoán lớp đối tượng được giới thiệu

5.5. Sự không chắc chắn - ảnh hưởng của tập hợp đối với IoU

5.6. Sự không chắc chắn - cùng phát hiện sự không chắc chắn và các đối
tượng không chắc chắn

5,7. Ví dụ về độ không đảm bảo trực quan

5,8. Dự đoán thuộc tính

5,9. Tham chiếu thế hệ biểu thức - định lượng

5.9.1. Kết quả của việc tạo biểu thức giới thiệu

5.10. Kết quả cuối cùng

II. Xác định hướng đi trên làn đường

Motion Estimation for Self-Driving Cars With a Generalized Camera

2. Related Works

3. Generalized Camera Model

4. Motion Estimation

4.1. Point Correspondences

4.2. 2-Point Minimal Solution

4.3. Degenerated Case: Metric Scale Computation

4.4. Robust Estimation

4.5. Non-Linear Refinement

4.6. Kalman Filtering

Ước tính chuyển động cho ô tô tự lái với camera tổng quát

2. Công việc liên quan

3. Mô hình máy ảnh tổng quát

4. Ước tính chuyển động

4.1. Điểm tương ứng

4.2. Giải pháp tối thiểu 2 điểm

4.3. Trường hợp thoái hóa: Tính toán thang đo số liệu

4.4. Ước tính mạnh mẽ

4.5. Sàng lọc phi tuyến tính

4.6. Lọc Kalman

Ô tô tự hành (AGV) là một dạng máy thông minh có đủ khả năng hiểu
biết để tự xác định trạng thái chuyển động của mình dựa trên những
điều kiện môi trường. Một dạng tiêu biểu của ô tô hay robot tự hành là
khả năng vận hành và điều khiển không cần sự chuyển động của con
người trong các điều kiện thay đổi liên tục khi di chuyển trên các làn
đường trong thành phố. Trong bài báo này, chúng tôi trình bày các
thuật toán và phương pháp xử lý dành cho xe tự lái chủ yếu tập trung
vào việc xử lý nhận biết làn đường và đối phó với các tình huống bất
ngờ để đưa hành khách từ điểm A đến điểm B trên. Các giải thuật xử lý
ảnh đơn giản bằng phương pháp Point Correspondences và 2-Point
Minimal Solution (để xác định làn đường) và phương pháp Visual
Grounding (VG) model và Uncertainty Resolving System (URS) (để
phát hiện và xử lý vật cản). Trong các thử nghiệm của mình, chúng tôi
cho thấy điều đó bằng cách sử dụng URS, mức tăng tuyệt đối 9% về đã
đạt được so với mô hình VG không có URS trên tập dữ liệu hoặc nhiều
đối tượng của lớp cùng tên. Trong những trường hợp này, URS của
chúng tôi làm tăng của hệ thống VG đã sử dụng 𝐼𝑜𝑈.5 lần lượt là 12,1%
và 12,6%. Bên cạnh đó
 Abstract
I. Introducation
-

II. Methods
III. Chúng tôi sử dụng khái niệm vectơ làn đường dựa trên lý thuyết
Non-uniform Bspline (NUBS)
IV. Sử dụng Correspondences và 2-Point Minimal Solution ( ước tính
chuyển động)
V. Visual Grounding (VG) model và Uncertainty Resolving System
(URS)
VI. Results

VII. Conclusions