「自动驾驶新青年讲座」由智东西公开课全新企划，将邀请全球知名高校、顶尖研究机构以及优秀企业的新青年，主讲在环境感知、精准定位、决策规划、控制执行等自动驾驶关键技术上的最新研究成果和开发实践。

有兴趣分享的朋友，可以与智东西公开课教研团队进行邮件（class@zhidx.com）联系。

汽车雷达在全天候条件下以可承受的成本提供可靠的环境感知，但由于雷达探测点的稀疏性，它几乎无法提供语义和几何信息。随着近年来汽车雷达技术的发展，通过使用汽车雷达进行实例分割成为可能。其数据包含雷达横截面和微多普勒效应等上下文信息，可以在视野模糊时提供检测。

来自瑞典Silo AI公司 Lead AI Engineer的刘嘉楠等人提出了一种基于估计语义信息聚类的高效方法，以实现稀疏雷达探测点的实例分割。该方法在主流的RadarScenes数据集上果验证了其有效性，在IoU阈值为0.5的情况下，平均覆盖率达到89.53%，平均平均精度达到86.97%。更显著的是，它消耗的内存仅在1MB左右，推理时间小于40ms，确保了在现实世界系统中的实用性。

同时，针对雷达探测点的高质量注释由于其模糊性和稀疏性而难以实现的问题，刘嘉楠等人提出了一种对比学习方法，用于实现基于雷达检测点的实例分割。实验表明，当地面实况信息仅可用于一小部分训练数据时，该方法仍能实现与以100%地面实况信息的监督方式训练的方法相当的性能。

不仅如此，刘嘉楠等人还提出了一种基于RFS的跟踪器GNN-PMB，即使用全局最近邻（GNN-PMB）的泊松多伯努利滤波器，用于基于LiDAR的MOT（多目标跟踪）任务。这个GNN-PMB跟踪器使用简单，但可以在nuScenes数据集上获得有竞争力的结果。具体而言，所提议的GNN-PMB跟踪器的性能优于大多数最先进的仅LiDAR跟踪器以及基于LiDAR和相机融合的跟踪器，在提交时在nuScenes跟踪任务排行榜1上所有仅LiDAR跟踪器中排名第三。

9月8日晚6点，「自动驾驶新青年讲座」第7讲，瑞典Silo AI公司 Lead AI Engineer刘嘉楠将以《可工程化的非视觉类传感器自动驾驶实例分割与多目标跟踪算法》为主题，讲解他们在自动驾驶感知任务中的基于毫米波雷达的实例分割，以及基于激光雷达的多目标跟踪的一些工程上可行的最新方案。

讲者
刘嘉楠，瑞典Silo AI公司 Lead AI Engineer；曾于瑞典爱立信公司从事4G/5G基带统计信号处理算法设计与开发；随后于瑞典历任安波福等多家Tier1与OEM公司高级算法工程师，从事及领导基于毫米波雷达/激光雷达与摄像头融合的感知算法研发；现于瑞典Silo AI公司任职Lead AI Engineer，负责自动驾驶路面与座舱内环境感知算法以及MRI图像重建与病理分析算法的研发工作；2007年本科毕业于华中科技大学，2009年、2012年硕士分别毕业于澳大利亚墨尔本大学与瑞典隆德大学。

第7讲

主 题
《可工程化的非视觉类传感器自动驾驶实例分割与多目标跟踪算法》

提 纲
1、非视觉类传感器自动驾驶感知算法的工程化挑战
2、实用的毫米波雷达实例分割算法解析
3、高效的3D多目标跟踪算法GNN-PMB

直 播 信 息
直播时间：9月8日18:00
直播地点：智东西公开课知识店铺

成果

 论文标题
《Deep Instance Segmentation with AutomotiveRadar Detection Points》

《Contrastive Learning for AutomotivemmWave Radar Detection Points Based Instance Segmentation》

《GNN-PMB: A Simple but Effective Online3D Multi-Object Tracker without Bells and Whistles》

 论文地址

https://arxiv.org/abs/2110.01775

https://arxiv.org/abs/2203.06553

https://arxiv.org/abs/2206.10255

 GNN-PMB开源地址

https://github.com/chisyliu/GnnPmbTracker