这是一个使用深层神经网络并运用监督学习实现在 Grand Theft Auto V 中自动驾驶的开源项目。项目使用 PyTorch 编写，并使用了英伟达的 Apex 扩展库，支持混合精度训练与推断，最多大约有两倍的速度提升。训练后模型在驾驶时的策略是模仿人玩 GTA 时的操作，并不会去遵守游戏里的交通规则。例如：地板油在街道上穿行，并躲避其他车辆与行人。当在游戏中设置好目标点后，训练好的模型能够自主地驾驶到对应目标点。
项目使用人工标记的数据来训练深层神经网络，即首先记录下游戏中的画面已经人玩游戏时的键盘操作，之后使用该数据集来训练神经网络模型。这里需要指出的是，本项目只是用 G[……]
DFG 交通标志数据集，包括 200 个交通标志类别捕获在斯洛文尼亚公路跨越约 7,000 高分辨率图像。图像是由斯洛文尼亚 DFG 咨询公司提供和注释的。RGB 图像是通过安装在一辆汽车上的摄像头获得的，这辆汽车行驶在斯洛文尼亚六个不同的自治市。这些图像数据是在农村和城市地区获得的。从收集的大量数据中，只选择了包含至少一个交通标志的图像。此外，选择是这样进行的，通常有一个显着的场景变化之间的任何一对选定的连续图像。
该评价数据集称为 DFG 交通标志数据集是通过只关注具有足够数量样本的平面交通标志来创建的。每个类别至少有 20 个实例。边界框大小至少为 30 像素的样本被严格标注，而边[……]
今天奥迪公司的研究人员在发布的论文 A2D2: Audi Autonomous Driving Dataset 中，公布了其大型自动驾驶数据集：A2D2，同时还配备了相关教程，并提供开放下载。数据集目标为推进计算机视觉、机器学习、自动驾驶的商用和学术研究。数据类型包含：RGB 图像，也包括对应的 3D 点云数据，记录的数据是时间同步的。标注类型包括：目标 3D 包围框，语义分割，实例分割以及从汽车总线提取的数据。数据规模：标注的非序列数据，41,227 帧，都含有语义分割标注和点云标签。其中含有前置摄像头视野内目标 3D 包围框标注 12,497 帧。另外，该库还包括 392,556 连续帧的[……]
新一代人工智能的核心价值在于应用，随着移动互联网，物联网，中国智造——工业 4.0 等产业的成熟与完善，将机器学习算法，深度学习模型等智能植入移动端 App，嵌入式设备，将成为新一代人工智能技术应用产品化的趋势。本课程基于面向无人智能化领域的嵌入式硬件平台，让学生了解移动端上的深度学习、计算机视觉、GPU 计算和图形方面的新技术。同时，借助高性能、低能耗的 GPU，学生将学习到如何将深度学习模型嵌入到移动设备；在嵌入式『板载终端设备』上处理复杂数据；并铸就更大型更复杂的深度神经网络。从机器人和无人机，到企业协作设备和智能摄像机无一不可进行快速及准确的推理。[……]
关于汽车的项目很多，比如拍照识车、汽车比价等等，尽管这些项目本身难度不大，但是往往受制于数据集的质量，模型的效果不能很好的发挥。Nicolas Gervais 近日发布了一个关于汽车的数据集，数据相当全质量也相当高，为面向汽车工程类的大数据分析，机器学习，自动驾驶等方向的科研实验室项目，提供有效的支撑帮助。数据集的来源是 The Car Connection 网站，该网站是全球最大的汽车评测网站之一，致力于让汽车研究更加容易。
数据集包括 297,000 张图片，但是其中许多是汽车的内部图像，关于汽车的外观大概有 60,000 张照片。所有的文件都对汽车的 15 个参数进行了标注[……]
NuScenes 最新研究发布了一个大型自动驾驶数据集，该数据集是首个包括 5 个雷达，1 个激光雷达，6 个摄像头，IMU 和 GPS 在内的完整传感器套件的数据集。 NuTonomy场景（NuScenes）比 KITTI 数据集多出 7 倍和 100 倍的图像，涵盖 23 个类别，包括不同类型的车辆，行人，移动设备及其他对象。
研究人员还发明了一种新的 3D 方法来整合各种物体检测的类别和任务，包括对物体大小，分类，方向，本地化，速度和属性的检测和估计。针对激光雷达和图像检测方法的数据集分析和基线测试证明，尽管仅基于激光雷达和仅基于图像的物体检测都能达到物体识别的要求，但仅激光雷达的[……]
近日，UC Berkeley 发布了迄今为止规模最大、最多样化的开放驾驶视频数据集 —— BDD100K。该数据集共包含 10 万个视频，BAIR 研究者在视频上采样关键帧，并为这些关键帧提供注释。此外，BAIR 还将在 CVPR 2018 自动驾驶 Workshop 上基于其数据举办三项挑战赛。
自动驾驶将改变每个社区的生活。然而，最近的事件表明，在自动驾驶系统部署到现实世界中后，人造感知系统如何避免错误（甚至看似明显的错误）还不得而知。BAIR 的计算机视觉研究者有兴趣探索自动驾驶感知算法的前沿，以使其更加安全。为了设计和测试潜在的算法，研究者想利用真实驾驶平台收集数据中的所有信息。[……]
自动驾驶汽车毫无疑问已成为深度学习与新一代人工智能最为广泛的应用之一 —— 另外还有医疗镜像分析，智慧城市，并行异构计算等。MIT 6.S094 深度学习与自动驾驶开放课程，通过构建自驾车的应用主题，介绍深度学习的实践。 尽管课程本身面向初学者开设，专为那些对机器学习不熟悉的人而设计，但它也可以使该领域的高级研究人员寻找深度学习方法及其应用的实用概述。开放课程除了提供 2017 – 2018 年课程完整的讲义与视频以外，还包含了 DeepTraffic，DeepTesla， SegFuse 几个动手操作项目。你甚至可以在课程指导及模拟环境上自己动手制造一辆特斯拉自动驾驶汽车，并体验一下特斯拉驾[……]
