关于 女人吃的兴奋剂图片【V信;799.196.362】彼 的搜索结果,共1699
不****主 2018-07-09
高精地
高精地,是Apollo定位、感知、规划模块基础。 与普通地不同,高精地主要服务于自动驾驶车辆,通过一套独特导航体系,帮助自动驾驶解决系统性能问题,扩展传感器检测边界。目前 Apollo 内部高精地主要应用在高精定位、环境感知、决策规划、仿真运行四大场景,帮助解决林荫道路GPS号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。 一、高精地与传统地 当我们开车时,打开导航地通常会给我们推荐几条路线,甚至会显示道路是否拥堵以及每条路线将花费多长时间、是否有交通管制,有多少个交通号灯或限速标志等,我们会根据地提供息来决定是在行驶中直行、左转还是右转以及对周围驾驶环境评估。 而无驾驶车缺乏类驾驶员固有视觉和逻辑能力。如我们可以利用所看到东西和GPS来确定自己位置,还可以轻松准确地识别障碍物、车辆、行、交通号灯等,但要想让无车变得和类一样聪明,可是一项非常艰巨任务。 这时就需要高精地了,高精地是当前无驾驶车技术不可或缺一部分。它包含了大量驾驶辅助息,最重要是包含道路网精确三维表征,例如交叉路口布局和路标位置。
陈****1 2018-07-11
原始创业——创业者核心竞争力
前言 这是《创业职场反鸡汤》系列文章终篇——创业团队究竟有什么核心竞争力?我不是装创业导师说教如何创业,而是给打工者分析创业公司核心竞争力。 我们不谈各种奇葩个案,只说发挥正常前提下,创业团队天然有哪些核心优势。 在给各章节起名过程中,我想起了原始如何横行冰川时代。以史为鉴可以知替,他们走出非洲称霸世界经验,到现在搞创业道理是一样。 1.力克巨象--让利 天之道,补不足而损有余 “天道”都是古朴不花哨道理,创业团队天道就是“让利”。 猛犸象就是巨大市场需求,剑齿虎(巨头)可以猛犸象,原始(创业者)一样可以杀大象。原始猛犸象靠是让利给战友、工匠、商、医生等,创业者要下巨大市场,靠是让利给打工者、风投和旁观大佬。 理论上来说所有创业项目都可以出自巨头内部,利润也都留给巨头自己,就像独自狩猎剑齿虎一样。巨头只给码农开工资,有创新业绩都让亲摘桃子,把打工者逼入创业团队;乔布斯就是不给股东分红,巨头创始低股份也有高投票权,金融圈只好风投扶持新巨头;至于旁观巨头,很乐意帮忙限制自己老对手。
C****X 2018-07-10
群雄逐“”,百度缘何备受关注?
每条车道和车道之间车道线是虚线,实线还是双黄线? 线颜色、道路隔离带、隔离带材质甚至道路上箭头、文字内容、所在位置都会有相应描述…… 高精度地针对道路形状准确描绘,甚至可以精确到每个车道坡度、曲率、航向、高程等,同时为了自动驾驶考虑,甚至每条车道限速,推荐速度也会一并提供。 高精地道路标识线及路牌息 (来源于文章《高精地在无驾驶中应用》) 目前,尽管自动驾驶科技公司、商以及传统车企对高精度地定义尚未统一化,但高精度地绝对坐标精度更高,包含道路交通息更丰富(如可分为基础层、道路息层、周围环境息层和其他息层)等方面确实已经成为区别传统电子导航地显著特征。 此外,由于路网每天都有更新变化,如整修、道路标识线磨损及重漆、交通标示改变等,这些都需要及时反馈在高精地上以确保无车行驶安全,也就同时要求高精度地有更强数据实时更新功能。 关于高精度地,百度怎么说 百度作为致力于高精度地研发科技企业,内部员一度表示将高精度地看做是Apollo 云端服务核心数据,足知关键!
金****洲 2018-07-09
百度安全实验室|机器学习对抗性攻击报告
随着工智能和机器学习技术在互联网各个领域广泛应用,其受攻击可能 性,以及其是否具备强抗打击能力一直是安全界一直关注。之前关于机器学习模型攻 击探讨常常局限于对训练数据污染。由于其模型经常趋向于封闭式部署,该手段在真实情况中并不实际可行。在GeekPwn2016 硅谷分会场上, 来自北美工业界和 学术界顶尖安全专家们针对当前流行形对象识别、语音识别场景,为大家揭示 了如何通过构造对抗性攻击数据,要么让其与源数据差别细微到类无法通过感官辨 识到,要么该差别对类感知没有本质变化,而机器学习模型可以接受并做出错误分 类决定,并且同时做了攻击演示。以下将详细介绍专家们攻击手段。 1.攻 击 像 语 音 识 别 系 统 目前工智能和机器学习技术被广泛应用在机交互,推荐系统,安全防护等各个 领域。具体场景包括语音,像识别,用评估,防止欺诈,过滤恶意邮件,抵抗恶意 代码攻击,网络攻击等等。攻击者也试通过各种手段绕过,或直接对机器学习模型进 行攻击达到对抗目。特别是在机交互这一环节,随着语音、像作为新机输 入手段,其便捷和实用性被大众所欢迎。
x****3 2018-07-10
零基础认识深度学习——猿第一次直立行走
前言 工智能是当今热议行业,深度学习是热门中热门,浪尖上浪潮,但对传统IT从业员来说,工智能技术到处都是模型、算法、矢量向量,太晦涩难懂了。所以我写了这篇入门级科普文章,目标是让IT从业者能看清读懂深度学习技术特点,以及我们如何从中受益,找到自己工作。 一、工智能天时地利和 行业成熟要靠从业者斗(和),也要考虑大环境和历史进程(天时和地利)。工智能技术井喷并不是单纯技术进步,而是软件、硬件、数据三方面共同努力水到渠成结果,深度学习是AI技术最热分支,也是受这三方面条件限制。 AI软件所依赖算法已经存在很多年了,神经网络是50年前提出技术,CNN/RNN等算法比大部分读者年龄都要大。AI技术一直被束之高阁,是因为缺乏硬件算力和海量数据。随着CPU、GPU、FPGA硬件更新,几十年时间硬件算力扩充了万倍,硬件算力被逐渐解放。随着硬盘和带宽降价提速,20年前全类都没几张高清照,现在单个公司数据量就能达到EB级。大数据技术只能读写结构化日志,要读视频和必须用AI,类已经盯不过来这么多摄像头了。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
感知属于自动驾驶核心技术,我们可以将汽车上感知与类感官进行一个类比:有感知,通过感官器官获取外界息,传达感知功能区,把形象化东西抽象成概念性或者更高层语义,供我们思维记忆、学习、思考或者决策,让我们运动控制功能区,让我们身体对外界进行反馈。无车类似这样结构,这是强相关东西,我们无车也是一样。 下所示这辆车是 2016 年 12 月乌镇演示车队其中一台,它有传感器、雷达、摄像头,这是覆盖比较全面设置,包括视觉、触觉、嗅觉等息。它需要大脑处理,大脑是无车里感知功能模块。 由于感知范围是广泛,它依赖于工驾驶或者自动驾驶需要环境匹配,工况复杂度越高,感知复杂度越高。自动驾驶不同级别里,感知复杂度也不同。Apollo 目前开放定位是 Level3 或者 Level4,感知、决策、控制是三位一体过程。 感知与传感器系统紧密结合,获取外部环境息,比如有没有障碍物,障碍物距离、速度等,把数据交给感知处理模块,我们会收集息,构成开车时理解环境。 这些息会被我们决策模块进行分析和提取,在周围环境车辆行驶状况下,下一步怎么走才是安全
TOP