Le Défi international de conduite autonome 2024 démarre officiellement

• Nouveaux sujets de compétition : sept pistes, de nouveaux sujets de compétition, une couverture complète des sujets les plus récents et les plus brûlants dans des domaines connexes, explorant pleinement l'application des grands modèles dans les domaines verticaux de la conduite autonome et de l'intelligence incorporée.
• Prix en argent élevé : la cagnotte totale dépasse 120 000 dollars américains, et le prix en argent maximum sur une seule piste peut atteindre 27 000 dollars américains. Selon des statistiques incomplètes, le montant de la récompense est le plus élevé parmi les 100 forums du CVPR 2024.
• Concentrez-vous sur l'originalité : renforcez la recherche fondamentale et l'exploration, et adhérez aux quatre aspects. L'originalité et la valeur de la recherche scientifique sont utilisées comme principaux indicateurs de mesure, et les classements ne sont pas uniquement basés sur les performances. Un classement complet est réalisé en combinant des solutions originales et des indicateurs de performance.

Le 1er mars 2024, le Défi International de Conduite Autonome 2024 a été officiellement lancé. Ce défi est organisé par le Laboratoire d'intelligence artificielle de Shanghai et co-organisé par un certain nombre d'institutions nationales et étrangères. Un certain nombre d'experts et d'universitaires de renom dans le pays et à l'étranger forment le comité d'orientation et de récompense du concours. Ce concours vise à fournir une exploration approfondie des tâches et des défis auxquels sont confrontés les systèmes autonomes et à offrir une scène aux participants mondiaux pour présenter la technologie et l'innovation. Dans cette compétition, nous n'imposons pas trop de restrictions aux participants. Par exemple, plusieurs équipes de la même organisation sont autorisées à participer, tous les ensembles de données publics et poids de pré-entraînement peuvent être utilisés, et une équipe est autorisée à le faire. remporter plusieurs prix en même temps. Il y a sept pistes dans ce concours, et le gagnant a la possibilité de recevoir une récompense pouvant aller jusqu'à 27 000 dollars américains, et a également la possibilité d'être invité à soumettre des articles dans les meilleures revues internationales. Nous avons également préparé des directives de compétition détaillées et des modèles de référence pour chaque piste, accessibles en cliquant sur le lien correspondant à chaque piste.

Site officiel du concours :

https://opendrivelab.com/challenge2024

Événement principal :

Forum CVPR 2024 - Atelier sur les modèles de fondation pour les systèmes autonomes (Seattle, USA)

Événements connexes :

• Fin avril : La 3ème Conférence China 3D Vision (China3DV 2024)
• http://www.csig3dv.net/2024/competition.html
• Mi-juin : Événements hors ligne (Pékin/Shanghai)
  

Introduction au sujet du concours Conduite autonome de bout en bout

En raison de la taille limitée des ensembles de données précédents et des indicateurs incohérents en boucle ouverte et en boucle fermée, il est difficile d'effectuer une comparaison stratégies sensorimotrices utilisant des données réelles . Dans cette voie, des données à grande échelle seront utilisées pour combler le fossé entre les deux paradigmes d'évaluation, et grâce à la modélisation abstraite BEV dans une courte série temporelle, une évaluation efficace en boucle ouverte sera obtenue tout en s'alignant mieux sur l'évaluation en boucle fermée.

• Informations sur la piste : https://www.php.cn/link/492f948808daf55a3f9e7ddd3694f546#end_to_end_driving_at_scale
• Volume de données : environ 2T
• Serveur de test : https://huggingface.co/spaces/AGC2024-P/e2e- conduire -2024

Modèle mondial

En tant que représentation spatio-temporelle abstraite de la réalité, le modèle mondial peut prédire l'état futur sur la base de l'état actuel observé. L'apprentissage du modèle mondial favorisera la performance de la base. modèle à un nouveau niveau. Le modèle doit prédire le nuage de points à des instants futurs avec uniquement une entrée visuelle pour prouver sa capacité à prédire le monde.

• Informations sur la piste : https://www.php.cn/link/492f948808daf55a3f9e7ddd3694f546#predictive_world_model
• Volume de données : environ 2T
• Temps de formation de référence : sur des échantillons de données, 8 cartes A100, 3 jours
• Serveur de test : https://huggingface.co/spaces/AGC2024-P/predictive-world-model-2024

Grille d'occupation et estimation de mouvement

Les boîtes tridimensionnelles sont souvent insuffisantes pour décrire des objets généraux, inspirés des concepts robotiques , la représentation perceptuelle peut être décrite comme une prédiction de l'occupation d'un espace tridimensionnel rastérisé. Dans cette piste, les concurrents doivent non seulement fournir une représentation tramée de l'espace tridimensionnel, mais également prédire le mouvement de la grille.

• Informations sur le suivi : https://www.php.cn/link/492f948808daf55a3f9e7ddd3694f546#occupancy_and_flow
• Défi de conduite autonome @China3DV : https://huggingface.co/spaces/China3DV-S/occupancy-and-flow -2024
• Volume de données : environ 70 Go
• Durée de formation de référence : 8 cartes 3090, 2 jours
• Serveur de test : https://huggingface.co/spaces/AGC2024-S/occupancy-and-flow-2024

Positionnement visuel tridimensionnel multimodal incarné

Par rapport aux scènes de conduite, les systèmes de perception tridimensionnelle incarnés en intérieur sont confrontés à une entrée multimodale comprenant des instructions linguistiques, une compréhension sémantique plus complexe, des catégories et des orientations d'objets plus diverses, ainsi que des espaces et des besoins de perception très différents. Sur cette base, le concours a construit EmbodiedScan, une boîte à outils de perception tridimensionnelle multimodale pleine scène de première perspective. Le but de cette tâche est de détecter la catégorie de l'objet cible et sa boîte tridimensionnelle orientée à partir d'une description verbale d'un objet spécifique.

• Informations sur la piste : https://www.php.cn/link/492f948808daf55a3f9e7ddd3694f546#multiview_3d_visual_grounding
• Volume de données : environ 1,5T
• Temps de formation de référence : données d'échantillon 8 cartes A100 0,5 jours, données complètes 8 cartes A100 3 jours
• Serveur de test : https://huggingface.co/spaces/AGC2024/visual-grounding-2024

CARLA Self-Driving Challenge

Le CARLA Self-Driving Challenge nécessite que les véhicules parcourent un ensemble de pré -itinéraires définis. Les itinéraires de conduite des véhicules impliquent des situations complexes, telles que les autoroutes, les zones urbaines, les zones résidentielles et les environnements ruraux. Ils incluent également la lumière et les conditions météorologiques, telles que la lumière du soleil, le coucher du soleil, la nuit, la pluie et le brouillard, qui offrent la possibilité d'une évaluation en boucle fermée. systèmes de conduite autonome.

• Informations sur la piste : https://www.php.cn/link/492f948808daf55a3f9e7ddd3694f546#carla
• Serveur de test : https://eval.ai/web/challenges/challenge-page/2098/overview

Application du grand modèle de langage dans la conduite autonome

En introduisant des informations linguistiques, l'ensemble de données DriveLM connecte le grand modèle de langage au système de conduite autonome et prend enfin des décisions en introduisant la capacité de raisonnement du langage pour garantir la fiabilité de la planification. .interprétatif. En prenant des images multi-vues comme informations d'entrée, le modèle doit répondre à diverses questions liées à la conduite.

• Informations sur la piste : https://www.php.cn/link/492f948808daf55a3f9e7ddd3694f546#driving_with_lingual
• Volume de données : 4072 images dans l'ensemble d'entraînement, 799 images dans l'ensemble de test, environ 90 paires de questions et réponses par image
• Temps de formation de référence : 8 cartes V100, 1 jour
• Serveur de test : https://huggingface.co/spaces/AGC2024/driving-with-lingual-2024

Conduite sans images

Automatiquement sans carte HD Conduite une voiture nécessite un haut niveau de compréhension de la scène, et ce morceau vise à explorer les limites du raisonnement scénique. En prenant des images multi-vues et des cartes de définition standard comme informations d'entrée, le réseau neuronal doit non seulement produire les résultats de perception des voies et des éléments de circulation, mais également produire les relations topologiques entre les voies et entre les voies et les éléments de circulation.

• Informations de suivi : https://www.php.cn/link/492f948808daf55a3f9e7ddd3694f546 #mapless_driving
• Autonomous Driving Challenge @China3DV : https://huggingface.co/spaces/China3DV/mapless-driving-2024
• Volume de données : environ 200G
• Durée d'entraînement de référence : 8 cartes V100, 1 journée
• Serveur de test : https://huggingface.co/spaces/AGC2024/mapless-driving-2024

Le planning est le suivant

Toutes les heures sont celles de Pékin. Pour plus de détails, veuillez vous référer au site officiel du concours.

• À partir de maintenant - 1er juin 2024 : Inscription
• 1er mars 2024 : Le concours commence officiellement
• 25 mars 2024 : Le serveur de test est ouvert
• 1er juin 2024 : Test serveur fermé
• 18 juin 2024 : Résultats du concours annoncés

Comité d'orientation et de récompenses

Trier par noms de traits ; la liste est mise à jour en permanence.

Xue JianruUniversité Xi'an JiaotongCliquez sur "Lire le texte original" ou visitez le lien suivant pour en savoir plusLien d'inscriptionE-mail de contact

Qiao Yu	Laboratoire d'intelligence artificielle de Shanghai	Scientifique principal, directeur adjoint
Liu Qingshan	Université de Nanjing Postes et Télécommunications	Vice Principal
Yang Xiaokang	Université Jiaotong de Shanghai	Doyen exécutif de l'Institut de recherche sur l'intelligence artificielle
Li Shengbo	Tsinghua Université	Secrétaire du Comité du Parti du Vehicle College, talent national de haut niveau, professeur
Zhang Yaqin	Université Tsinghua	Académicien étranger de l'Académie chinoise d'ingénierie, président de l'Institut de recherche sur l'industrie intelligente, professeur titulaire
Chen Baoquan	Université de Pékin	Doyen adjoint de l'École d'intelligence, professeur émérite Boya
Xia Huaxia	Meituan Scientifique en chef, vice-président
Professeur		https://opendrivelab.com/challenge2024
Groupe de communication WeChat	À propos de nous-> Rejoignez la communauté

workshop-e2e-ad@googlegroups.com

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!