3d|结合求解器，清华大学校友、MIT中国博士生开发出第一套提高自动驾驶安全性的感知算法( 二 )

1）将常见的鲁棒成本（如TLS、最大共识、Geman-McClure、Tukey 双权重等）转化为多项式优化问题（POP）；
2）通过关注 TLS 的成本，他们利用 POP 中的稀疏性，提出了一种比标准 Lasserre 层次结构小得多的稀疏半定规划 (SDP) 松弛，同时保留了准确性；
3）提出 STRIDE（一种将凸 SDP 中的全局下降与非凸 POP 的快速局部搜索相结合的求解器），以前所未有的规模和精度解决了 SDP 松弛问题；
4）评估了所提出的针对六个几何感知问题的框架，包括单次与多次旋转平均、点云和网格配准、绝对姿态估计以及类别级对象姿态和形状估计。

文章插图

他们的实验表明，虽然还达不到实时，但 STRIDE 在中等规模问题上比现有 SDP 求解器快了 100 倍，而且是目前唯一可以高精度求解具有数十万个约束的大规模 SDP 的求解器。
同时，STRIDE 为现有的快速启发式算法（如 RANSAC 或阶段非凸）提供了一种保护措施，即如果启发式估计是最优的，则证明全局最优。

文章插图

使模型适应不同的汽车
在将 2D 图像与 3D 模型进行匹配时，一个假设是 3D 模型要与识别的汽车类型相一致。但是，如果图像中的汽车具有机器人从未见过的形状，会发生什么？结局可能无法预料，所以，杨珩需要估计汽车的位置，并重建 3D 模型的形状。雷锋网
他们找到了一个解决方法：通过对原先识别的车辆进行线性组合，使 3D 模型自动变形、以匹配 2D 图像。比方说，该模型可以从奥迪变成现代，因为它已经记录了汽车的实际构造。识别接近车辆的尺寸是防止碰撞的关键。雷锋网

文章插图

杨珩与团队的这项工作还入围了机器人顶级会议 RSS 的最佳论文奖，杨珩被评为“RSS 先驱”。

文章插图

链接：https://arxiv.org/pdf/2104.08383.pdf
近两年，杨珩及其团队在自动驾驶可认证感知算法的设计上取得了成系列的研究成果，而算法从实验室走到现实世界，必然要面临许多亟待解决的问题。期待杨珩及其团队接下来的工作！雷锋网
参考链接：https://news.mit.edu/2021/heng-yang-self-driving-cars-0916