About
Technology
MLF
MaxPlatform
MaxCloud
Solutions
MaxDrive
MaxVision
Progress
News
Join Us
中
We Are Accelerating
The Process of AI-First Mobility
13
2023/10
Nullmax获得近7.8亿元B轮融资,加速推进自动驾驶落地
致力于引领移动出行智变的自动驾驶科技公司Nullmax纽劢宣布获得总计约7.8亿人民币的B轮融资。本轮融资由岩山科技(深交所股票代码:002195)独家领投,老股东Stonehill Technology Limited追加投资,其他投资者跟投。 随着新一轮融资的落地,Nullmax正式驶入全新发展阶段。在充足的资金支持下,Nullmax将有序扩大团队规模,提升交付能力,满足行业客户快速增长的智驾量产需求;并深化和扩大产品技术研发,巩固机器学习、视觉感知等核心技术优势,为新产品、新业务、新市场的开发和落地提供关键的技术支撑。 在本轮融资及相关交易完成后,Nullmax将成为岩山科技合并报表范围内的控股子公司。Nullmax将通过来自岩山科技的资源整合与协同,加速自身发展,巩固各项优势,扩大商业化规模,践行打造全场景无人驾驶应用,加速移动出行智变的品牌使命。 Nullmax一直专注于打造面向大规模量产的自动驾驶应用,并在业内率先推出了行车、泊车一体化的智能驾驶系统解决方案。从2021年一季度开始,Nullmax先后获得了基于TDA4芯片平台的行泊一体、视觉感知量产项目定点,以及基于Orin芯片平台的行泊一体量产项目定点,开启产品技术的商业化、规划化落地。 目前,Nullmax拥有MaxDrive卓行和MaxVision远见两大产品线,可以为客户提供完整的智能驾驶系统和定制化的视觉感知模块。依托于平台化的技术架构,Nullmax的产品既能通过高中低的不同配置满足差异化的量产需求,也能以更高的效率和更低的成本为客户交付功能完善、性能优异的智能驾驶系统。 同时,Nullmax与多家知名汽车厂商和一级供应商建立了面向量产的深度合作,先后获得多家行业客户的定点量产项目,合作伙伴包括上汽、奇瑞、江铃等知名汽车制造商。 现阶段,Nullmax正在有序推进各项量产项目的交付工作,推动高竞争力新量产方案的上车,以及Ultimate Self-Driving(终极自动驾驶)等高阶功能的落地。进入新的阶段,Nullmax将持续深耕智能驾驶领域,并推动自动驾驶业务和技术快速发展。 新一轮融资之后,Nullmax将继续致力实现引领移动出行智变的品牌愿景,朝大规模无人驾驶的量产之路继续前行。
Read more
11
2023/01
新成员报道 | 有点“牛”,爱了AI了!
Read more
Press Release
Blog
Media Coverage
Search
TDA4超级玩家的量产秘籍
几乎在所有的领域,中端定位的产品都是市场的绝对主力,汽车领域这也不例外。售价30万以下的汽车占据了市场的绝对份额,中端和入门车型在销量榜上近乎垄断。在这当中,15万左右的车型尤受欢迎,大量的市场热销车型位于其中,智能化的规模尤为庞大。这些主力的热销车型,对于智能驾驶有着独特的要求。它既要拥有像高端车型一样的极致体验,也对性价比等方面有着较高的要求,追求的是一种既要、又要、还要的极致平衡。那么,有没有方案能够满足市场对智能驾驶的所有这些想象呢?Nullmax基于TDA4VM芯片的MaxDrive真正融合的行泊一体就可以。 市场需要难而正确的方案 长期以来,不少人将好用的智能驾驶和大算力芯片进行了绑定,认为功能丰富的行泊一体方案必然离不开大算力芯片,这其实是一个认知的误区。事实上,智能驾驶的量产关键在于技术与工程化的平衡,而不是单纯地堆高硬件配置或是采用无法落地的“前瞻”技术。出色的工程化能力,可以通过软件算法为硬件带来质的改变,哪怕是在有限的算力上也能够完全释放计算潜能,实现极致的性能和体验。工程化相较于技术,看似枯燥也并不起眼,但它却是自动驾驶落地的根本,也是最具挑战的环节。尤其是对于没有量产经验的开发者而言,智能驾驶方案既复杂又庞大,如果没有对整个自动驾驶全流程的深入理解,没有全栈自研的实力,就无法从根本上去规划整套软件算法的架构,也无法在资源有限的异构嵌入式平台上,实现自动驾驶系统功能,并使之性能超过行业指标,难以将先进技术真正转变为让消费者能够真切感受到的顺滑体验。因此,对于自动驾驶而言,深度学习和算法模型只是自动驾驶系统的一部分。只懂AI无法真正把AI带到市场。Nullmax开发了覆盖不同算力的平台化行泊一体解决方案MaxDrive,并将率先在TDA4VM芯片上完成一系列的量产交付: 单TDA4:业内唯一全栈自研的融合式行泊一体量产方案 双TDA4:业内首个独家定点的周视行泊一体量产方案 这些方案突破了市面上的功能和体验上限,同时也将智驾系统的性价比提升到了一个全新高度。 单TDA4:业内唯一全栈自研的融合式行泊一体量产方案 Nullmax单TDA4VM行泊一体方案是业内唯一全栈自研的整套量产方案。基于单颗芯片的8 TOPS算力,Nullmax实现了基础版行泊一体双功能量产落地,它能够提供自动领航辅助、高速驾驶辅助、拥堵跟车辅助、记忆泊车等实用的行泊车功能,带来焕然一新的体验,性价比极高。对于中低算力平台而言,如何以有限算力处理众多传感器输入的海量数据,完成各种各样的感知任务,一直是个技术难题。所以经常可以看到,装备了大量传感器的车辆会使用大算力的芯片,甚至是工控机这样的设备,才能稳定地进行演示和测试。哪怕在一些量产车型上,也会出现由于芯片算力不足,关闭部分相机或者是降低性能指标来保障主体功能的情况。但Nullmax把完善且强大的软件算法开发能力和出色的产品化、工程化能力做到了完美平衡,仅用单颗TDA4VM芯片做到了双芯片才能实现的效果。真正融合的行泊一体才是未来的趋势。不同于一套行车系统加上一套泊车系统的常规智能驾驶架构,Nullmax的行泊一体具备传感器深度复用和计算资源共享两大特点,将应用层与功能模块分离,在不同传感器以及芯片平台上可以进行算法复用和调度,充分利用硬件,减少系统之间的通讯延迟,提高行车和泊车的性能。同时在一块芯片上进行开发,无论是迭代升级能力还是资源占用的调配能力都会更强。再加上Nullmax数据驱动的自主成长系统,算法成长更迅速更高效。这样,我们就可以做到以更低的配置实现了同等甚至是更好的功能体验,无论是对绝大部分车企还是对普通消费者来说,这样毫无成本压力却功能满满、性能满满的自动驾驶全套方案,都是非常值得期盼和受欢迎的方案。 双TDA4:业内首个独家定点的周视行泊一体量产方案 在单芯片行泊一体的基础上,Nullmax打造了基于双TDA4VM的标准版行泊一体,这是行业内首个独家定点的双TDA4VM周视行泊一体量产方案。在双TDA4VM的配置下,标准版MaxDrive能够搭配5R11V这样的传感器组合,驱动前视、周视、环视等相机组成的庞大视觉感知系统,用16 TOPS算力实现了其他方案30+算力才能实现的效果。无论是行车场景的高速领航、拥堵跟车,泊车场景的自主泊车、记忆泊车这些高度自动化的智驾功能,还是分散在碎片化场景中的一系列ADAS功能,这套方案都能提供超乎其他智驾方案的顶尖性能,将体验进一步优化。相比于市场上的其他的方案,这套标准版的MaxDrive做到了其他中高算力方案的所有功能,并且体验更好。它将芯片的能力发挥到极致,在总共16 TOPS算力的情况下,可以完成多达11颗相机的感知任务,并进行毫米波雷达、超声波雷达等传感器的感知融合,完成行泊车功能所需的各项计算任务。其中,用单颗TDA4VM上集成4颗周视相机更是业界首举。这4颗相机组成的周视感知,在周围360°中远距离的感知上拥有比鱼眼相机和雷达系统更好的感知性能,进一步增加安全冗余。在复杂的场景中,或者是一些安全要求较高的功能中,它能发挥非常重要的作用。目前,这套双TDA4VM的技术方案,可不是停留在发布或者演示阶段,它已经应用在多个量产项目上。并且作为头部车企重点车型的亮点配置,走向千万普通消费者,让科技真正服务于人。结语:汽车的科技进程已经来到了智能驾驶大规模普及的前夕,这是一项比过往的任何进化都更酷更有价值的智能化升级。作为市场上最具竞争力的方案,Nullmax基于TDA4VM芯片提供的行泊一体,可以用同等配置实现越级体验和极致性价比,在竞争日益激烈的市场上引领智能化升级。
27
2022/09
Blog
Nullmax入选2022盖世汽车「自动驾驶软件算法优质供应商」
9月16日,盖世汽车于第五届自动驾驶与人机共驾论坛正式发布了2022自动驾驶优质供应商名录。Nullmax凭借业内领先的平台化软件算法系统及量产服务能力,入选“自动驾驶软件算法优质供应商”名录并获颁证书。 AI时代来临,“软件定义汽车”的故事才启序章。特别在自动驾驶领域,跟随着技术突破和产业化升级的步伐,全产业链的加速渗透融合,持续推动着价值重塑与长远赋能。 作为全球领先的汽车行业信息服务平台,盖世汽车发布这份2022自动驾驶优质供应商名录,深度聚焦自动驾驶各创新热点,包括激光雷达、毫米波雷达、摄像头、V2X、测试验证、算法和芯片领域,旨在寻找好公司,推广好技术,促进产业发展。其中,核心软件算法往往被视为自动驾驶的“智慧中枢”,是当下技术迭代与竞争最为激烈的细分赛道之一,亦是Nullmax打造全场景无人驾驶应用,驶向无人驾驶终极目标的重要基石。 自研全套软件算法,深度释放硬件性能 不做简单的“加法”,而要深度的“融合”。长期以来,芯片资源和传感器等硬件的复用率直接决定了自动驾驶方案的成本和效率,是大规模量产落地的关键所在。而这对核心软件算法的基础架构和灵活拓展性提出了巨大挑战。 作为一家长期深耕自动驾驶量产领域的高科技公司,Nullmax对行业需求有着极为深刻的理解,是目前少有的能够快速实现L2/L3产品落地的技术服务商。立足全面的技术能力和系统化设计,Nullmax多年聚焦高价值的自动驾驶软件算法,全自主正向研发了包括感知、规划、控制在内的完整Max技术体系,打造深度融合的一体化方案,释放出硬件的全部性能。 以Nullmax的MaxDrive行泊一体方案为代表,其独特优势在于软件完全打通,硬件深度复用,从而能够以更低成本带来更好的智驾体验,已实现了高速、泊车和城市场景的全覆盖,并将持续满足全场景、全功能自动驾驶量产需求。 高效平台化,成就量产领先“实战派” 基于一整套可灵活零用的软件算法模块,以及扩展性强的基础架构,Nullmax能够快速实现真正的技术平台化,快速适配不同的芯片平台、硬件配置,扩展至任意车辆平台完成各级别自动驾驶功能并大幅提高落地效率。 得益于算法的自主可控,Nullmax可在满足功能效率要求的同时,大幅降低算力需求,针对不同车型,采用不同成本和功能配置的解决方案,高效适配高中低算力芯片,满足不同量产需求。 如此强大的平台化能力,让Nullmax在量产领域广受认可,获得了传统车厂和造车新势力两大类客户群体的多个量产订单,首发基于市场欢迎度极高的TDA4、Orin平台,为多款高中端和入门级车型提供定制化的行泊一体化方案。目前,Nullmax量产订单还在快速增加中,未来两年量产规模有望呈指数级增长,发挥身为“自动驾驶软件算法优质供应商”的更大产业价值。 与此同时,随着Nullmax在乘用车量产市场覆盖能力的提升,其数据驱动的自主成长系统和丰富的自动驾驶数据集能力将持续发力,以海量真实场景数据形成闭环,为软件算法的高效迭代提供充足支撑,长远助力自动驾驶行业实现从智变到量变的突破。
16
2022/09
Press Release
Nullmax视觉感知算法再获量产定点,持续扩大Orin平台系列方案应用规模
近日,Nullmax在自动驾驶商业化方面再度取得进展,领先的定制化视觉算法获得造车新势力的量产定点。Nullmax将提供基于英伟达Orin-X平台的行车、泊车整套视觉感知算法,助力客户打造领先的全方位智驾体验。 根据协议,Nullmax将直接与客户进行密切的量产协作,开发行泊一体的全套视觉感知算法。Nullmax基于自身的强大视觉技术,以及对行泊车功能的深刻理解,为其新款纯电车型开发涵盖前视、后视、侧视以及环视的全方位感知系统。根据具体的功能需求,Nullmax将进行前沿视觉算法的开发,整合Orin-X的充沛算力,以及高清相机等传感器输出的视觉信息,为智驾系统提供准确、稳定的感知结果输出。 值得一提的是,该项目是Nullmax基于英伟达Orin系列芯片的又一量产项目。此前,Nullmax已经基于标准版Orin芯片(110 TOPS)进行量产方案的开发和交付。这次项目的定点延续了Nullmax平台化技术在Orin系列芯片上的落地步伐,将大算力量产方案的应用规模持续扩大。同时进一步完善了Nullmax落地低中高不同算力下的市场主流芯片平台的布局。 Nullmax的行泊一体方案以及视觉感知算法已先后获得了包括传统汽车厂商、造车新势力等多家知名车厂的量产青睐,并且商业化规模正在快速增长当中。接下来,Nullmax将继续推动自动驾驶技术的大规模落地,以更加先进、完善的产品技术,促进汽车产业的智能化变革,构建面向未来的移动出行体验。
20
2022/07
Press Release
Nullmax品牌焕新升级,全面提速开启发展新征程
7月18日,Nullmax纽劢宣布品牌体系焕新升级,在产品、技术、商业化全面取得突破性进展后,Nullmax启用新的品牌体系,以领先的品牌理念和亲和科技有爱的品牌形象,开启全新发展篇章,加速推动新一代产品技术的扩大化应用和全方位落地。 过去两年多时间里,Nullmax在量产道路上潜心开拓,面向量产需求打造真正安全、高效、经济的自动驾驶解决方案,并推动前沿技术和新一代产品的大规模商业化应用,打通多场景、复杂条件下自动驾驶应用的关键难点。 随着研发和落地进程的持续推进,Nullmax率先开启了一系列乘用车前装项目的量产定点,进入扩大量产规模的全新阶段,并将产品与技术体系再度升级,全栈技术进一步丰富,基础架构与AI算法更上一层,车云一体的高效数据闭环崭露头角。 站在新的起跑线上,Nullmax主动进化、焕新出发,通过由内及外的全面升级,为新阶段的发展增添动力。 开启智变未来新篇章 作为渐进式路线和机器学习方法的引领者,Nullmax坚持通过前装量产带来的海量数据,推动AI算法持续迭代,不断提升系统能力和应用体验,扩展应用场景,渐进实现无人驾驶终极目标。 Nullmax将这一成立延续至今的发展理念,称之为“智变”理念,它与“量变到质变”的客观规律一脉相通,同样也是对产品、技术和落地的全面总结。Nullmax以此为基础,重塑品牌内核,并进一步深化产品技术布局,通过AI为传统汽车和移动出行带来质的变化。 Nullmax明确了“引领移动出行智变”的品牌愿景,作为自动驾驶智变引领者,融于到汽车和移动出行产业的智能化浪潮当中。同时,Nullmax也赋予了自身更高的品牌使命:打造全场景无人驾驶应用,加速移动出行智变。 在这一品牌内核的驱动下,Nullmax推出了全新的品牌视觉,以更加科技有爱、简洁明快和热情前卫的形象,开启智变旅程。全新的视觉体系,与Nullmax保住专注、追求极致的风格高度契合,并融入了Nullmax的科技情怀和人文关怀,更加彰显品牌内涵。 新的Nullmax标识驭繁为简,继承并强化了From Null to Max的品牌初衷,巧妙创意的律动和步伐,融入了Nullmax动态渐进的智变理念,并象征着在创新的道路上永不止步。Nullmax Red作为全新的品牌色彩,进一步诠释锐意进取、积极向上的品牌态度。 驶入全速发展新阶段 一直以来,Nullmax聚焦于自动驾驶核心的软件算法,通过擅长的人工智能、机器学习和计算机视觉技术,推动自动驾驶应用的大规模商业化落地。随着产业智能化浪潮的不断向前,Nullmax迎来了全面开花的大好局面。 Nullmax深耕前装量产领域多年,先后获得了国内头部汽车厂商以及新造车品牌等客户的量产定点,推出的行泊一体化方案以及视觉感知算法应用多个量产车型之上。目前,Nullmax的定点项目已经完成了对高速、泊车和城市全场景应用的覆盖,量产规模位居行业前列。 尤其是今年以来,Nullmax在自动驾驶商业化应用方面进展连连,现有量产项目陆续迎来交付,新的项目即将完成量产定点。全线提速、全面突破的Nullmax,正加速驶入扩大量产规模的发展快车道。 在持续刷新落地进展的同时,Nullmax的技术体系也同样完成了升级。Nullmax将强大的视觉感知技术继续迭代,开发了新一代的AI算法和领先的多任务网络架构。同时,优化了高效数据闭环的核心环节,以更快的速度和更低的成本驱动AI算法的迭代,并且超前布局了机器学习优先(MLF)的自动驾驶方法,为复杂场景的无人驾驶应用奠定了坚实基础。 另一方面,Nullmax将产品矩阵完善升级。通过平台化的全栈技术,Nullmax可以为客户提供定制化的系统方案和感知算法,快速适配不同的底层平台、硬件配置和功能级别,实现高中低算力下多种场景的应用。尤其是Nullmax基于Orin芯片平台、TDA4芯片平台的一系列量产方案,产品功能与性能指标表现优异,在前装量产市场大受欢迎。 此前,Nullmax已与多家国内的头部汽车厂商,本土一流的Tier 1供应商,国内外芯片厂商建立了深入的量产合作,共推自动驾驶的商业化落地。在进入新的量产阶段后,Nullmax将继续扩大和深化合作,通过全方位的先进技术推动产业智变,让自动驾驶惠及更多人群。 其行弥远,其志弥坚。开启全新发展篇章的Nullmax,将坚定不移地打造全场景无人驾驶应用,加速移动出行智变。Nullmax将以更加强大的技术储备和更加丰富的产品输出,为汽车和出行产业日益增长、层次多样的智能化需求贡献力量。
18
2022/07
Press Release
Nullmax开源ROD自动驾驶数据集,「复制粘贴」解决少见目标检测难题
在自动驾驶领域,目标检测是一项富有挑战性的工作,尤其是一些出现频率较低的特殊目标,常因数据不足导致检测效果一般。对此,Nullmax的感知团队提出了一项针对少见目标检测的数据增强方法,并将相应数据集开源上线,为行业解决数据缺乏难题,应对长尾挑战提供研究参考。 对于自动驾驶车辆而言,准确识别各类目标和障碍物信息,可以有效保障行驶安全。因此感知系统既要检测一些路上常见的目标,比如车辆、行人、交通标识等,也要检测了一些少见的目标,比如锥形筒、交通警示桶、三角警示牌,等等。 这些检测少见目标的神经网络模型,和其他常见目标的检测模型一样,需要大量的标注数据进行训练。但这类目标出现概率很低,所以获取训练数据需要耗费大量的成本和时间。 因此,Nullmax的感知团队提出了一种基于交通场景信息的数据增强方法,通过Copy-Paste方式零成本生成高度逼真的训练样本,解决少见目标检测的数据难题。实验结果显示,Nullmax的新方法可以显著提升少见目标检测的任务效果。 同时,Nullmax建立了专用于自动驾驶少见目标检测的数据集Rare Object Dataset(ROD),并在近期正式开源上线。ROD是该细分领域内的首个公开数据集,可以为目标检测、数据增强等方面的研究者提供稀缺的数据,研究特殊目标检测相关课题。 ROD自动驾驶数据集 Nullmax推出的ROD是一个多样化的真实世界数据集,当中包含大量训练图像和验证图像,并对小车、卡车、巴士、行人和自行车这5类常见目标进行了相应标注。 此外,ROD还提供了3类典型少见目标的掩膜,可用于少见目标检测和数据增强方法的研究,当中包括大约1000个锥形筒、100个交通警示桶和50个三角警示牌的掩膜数据。 ROD具有良好的数据多样性,覆盖了自动驾驶的不同场景。它包含了不同的道路级别,包括高速公路、快速路、城市街道以及乡村道路;不同的天气状况,比如晴天、阴天和雨天;以及不同的时间段,包括白天、傍晚和夜间。 ROD数据集现已开放下载:https://nullmax-vision.github.io/ 基于交通场景信息的数据增强 为了解决少见目标检测的数据难题,Nullmax的感知团队提出了结合交通场景的数据增强方法,通过简单有效的Copy-Paste增强方式生成逼真的训练数据,获得了出色的检测效果。 这项研究获得了ICRA 2022收录,全文地址:https://arxiv.org/pdf/2205.00376.pdf 通常来说,训练样本较少的目标检测任务可以看作是面向不平衡或长尾的数据集。有一些研究者,通过重采样训练数据和调整损失函数权重来解决这个问题,但这类方法对于专家经验较为依赖。 数据增强是解决数据稀缺问题的另一个研究方向,旨在通过最小代价生成大量带标注的训练样本。数据增强大致可以分为图像级增强和实例级增强,当包含特定目标类别的图像级训练数据达到一定数量时,前者是一种有效的方法;反之,则是实例级数据增强更为适合。 Nullmax采用的Copy-Paste方式,就是一种常见的实例级数据增强,它从源域复制特定目标类别的实例掩膜粘贴到目标域。通过系统性的研究,我们证明了在自动驾驶领域,通过结合交通场景信息的Copy-Paste数据增强方式,可以达到出色的少见目标检测性能。 具体来说,Nullmax利用源域的目标掩膜进行实例级变换,创建逼真的目标实例。并将交通场景信息用作全局的几何约束,将局部自适应的实例掩膜粘贴到目标图像上,生成训练数据。最后,再通过局部和全局的一致性保证训练数据的质量和真实度。 Nullmax提出的方法包括了3个主要环节: 收集目标实例掩膜和背景图像。在Nullmax的研究中,所有的背景图像来自于不同的真实交通场景。以锥形筒为例,它会涵盖不同的类型、颜色和大小。 通过理解交通场景信息,计算实例掩膜的粘贴位置。在背景图像上随机粘贴目标,效率低下,而且目标之间的关联可能与真实交通场景不符。Nullmax的方法以交通环境信息为约束,考虑相机内外参,进行实例掩膜的叠加。 对实例掩膜进行局部自适应转换。为了确保目标掩膜无缝粘贴到背景图像中,Nullmax使用了一系列局部自适应的数据增强策略:基于感知的景深,缩放粘贴对象;应用多种实例级混合策略,确保图像接缝尽量平滑;以及局部自适应的颜色变换(HSV)。 实验显示,Nullmax提出的数据增强方法在锥形筒检测中取得了出色效果,并且这一方法也能够推广至其他类型的少见物体检测任务当中。 此外,Nullmax也研究了各组件的效果,分析了方法中实例掩膜域、实例掩膜数量和强化训练图像数量的敏感性,证明了这一方法可为少见物体检测任务提供有效的训练图像。 加入我们 在自动驾驶领域,除常规的目标检测之外,数据增强在少见目标检测方面的应用鲜有人研究。我们提出的基于交通场景信息的Copy-Paste数据增强方法,可以简单高效地解决自动驾驶领域中因数据稀缺所带来的少见目标检测难题。 未来,我们希望通过增量训练对少见目标检测展开进一步研究。 欢迎对目标检测任务感兴趣,以及有志于计算机视觉和自动驾驶感知研发的同学,加入我们!
05
2022/07
Blog
Nullmax完成Orin平台行泊一体项目阶段性交付,达成全算力量产新成就
近期,Nullmax基于英伟达Orin芯片平台的行泊一体化智能驾驶解决方案,完成阶段性交付任务,大算力域控量产方案落地再进一步。这是今年上半年以来Nullmax在前装量产领域取得的又一重要进展,至此,Nullmax基于自动驾驶平台化技术打造的高、中、低算力产品方案均已开启实质性交付。 该行泊一体项目是国内首个基于标准版Orin芯片平台(110 TOPS)落地,涵盖高速、城市和泊车的全场景量产应用。预计2023年,该平台化项目的首款车型将上市交付,量产总规模接近百万辆。 Nullmax基于Orin芯片强大的AI算力,为项目车型提供了一系列丰富、安全的智能驾驶应用,打造从行车到泊车、从高速到城区的连贯体验,具有极强的市场竞争力。在充分考虑功能安全要求和多样定制需求的前提下,Nullmax的方案提供了导航辅助驾驶、拥堵跟车、泊车辅助、常规ADAS等全部主流功能,同时还预留了升级空间,支持更多创新功能的加入和自动驾驶功能的升级。 尤其是Nullmax此次提供的Orin平台方案整合应用了大量的前沿技术,首次将Nullmax完全自主知识产权的数据闭环工具链运用其中,赋能产业客户。在提供感知、规划、控制的常规全栈应用基础上,Nullmax助力打造自动化的闭环数据平台,驱动系统持续自我成长,实现全生命周期的OTA升级。 一直以来,Nullmax专注于大规模的自动驾驶应用,让技术真正普惠大众,为此Nullmax坚持开发平台化的产品技术,满足自动驾驶的多样需求。随着该Orin平台量产项目的顺利推进,Nullmax适配多款主流芯片平台、覆盖高中低算力区间的先期量产目标就此实现。 下阶段,Nullmax将全线提速、扩大量产,为更大规模的自动驾驶落地和更加先进的自动驾驶应用而继续努力。
21
2022/06
Press Release
Nullmax视觉感知算法即将交付上汽乘用车平台
随着项目的顺利推进,预计2022年中将正式完成交付。该视觉感知算法方案基于Nullmax领先的平台化技术而打造,并且开发和整合了大量的前沿算法,感知性能出众,部分技术指标达到行业顶尖水平。在复杂的智能驾驶应用中,Nullmax提供的这套视觉感知算法能够帮助车辆精准感知周围情况,大幅提升智驾功能的实际体验。 作为一家专注于大规模量产应用的自动驾驶科技公司,Nullmax与多家行业伙伴建立了深入的量产合作,尤其是基于TDA4平台的一系列产品技术方案,在业内广受好评。此次为上汽乘用车平台提供的视觉感知算法方案,正是今年完成落地的量产项目之一。 Nullmax现已在乘用车前装量产领域,实现了对高速、泊车以及城市场景的应用全覆盖。特别是面向不同计算平台、匹配不同算力区间的行泊一体化方案,获得了国内知名OEM以及造车新势力厂商的量产定点。其中,基于TDA4的行泊一体化方案今年下半年就将完成交付。 接下来,Nullmax将全力保障量产项目的顺利推进,继续推动先进智能驾驶技术的大规模落地,助力汽车产业的智能化升级。
10
2022/05
Press Release
以不懈追求,成就伟大梦想,致敬每一个全力以赴的你
01
2022/05
Blog
当BEV语义分割遇上了Transformer,故事的结局是新的SOTA
对自动驾驶而言,BEV(鸟瞰图)下的语义分割是一项重要任务。尽管这项工作已经吸引了大量的研究,但灵活处理自动驾驶车辆上的任意相机配置(单个或多个摄像头),仍然是一项挑战。 为此,Nullmax的感知团队提出了BEVSegFormer,这一基于Transformer的BEV语义分割方法,可面向任意配置的相机进行BEV语义分割。 这项研究的题目为《BEVSegFormer: Bird's Eye View Semantic Segmentation From Arbitrary Camera Rigs》,论文链接:https://arxiv.org/abs/2203.04050。 [video width="1200" height="442" mp4="http://en.nullmax.ai/wp-content/uploads/2022/07/2022071605121026.mp4"][/video] 为了评估这一算法的效果,Nullmax在nuScenes公开数据集以及Nullmax的自采数据集上进行了验证。实验结果表明,BEVSegFormer对任意相机配置的BEV语义分割,具有出色的性能表现。并且在nuScenes验证集上,BEVSegFormer创造了新的BEV分割SOTA。 在接下来的工作中,我们还计划针对自动驾驶以及BEV语义分割的一些其他挑战,展开进一步的研究。 欢迎对计算机视觉及自动驾驶感知感兴趣的小伙伴加入我们,一起探索! 01 关于BEVSegFormer 在自动驾驶或者机器人导航系统中,以BEV形式对感知信息进行表征,具有至关重要的作用,因为它可以为规划和控制提供诸多的便利。 比如,在无地图导航方案中,构建本地BEV地图,不仅成为了高精地图外的另一种选择,并且对于包括智体行为预测以及运动规划等感知系统下游任务而言,也非常重要。而利用相机的输入进行BEV语义分割,通常被视为构建本地BEV地图的第一步。 为此,传统方法一般会先在图像空间生成分割结果,然后通过逆透视变换(IPM)函数转换到BEV空间。虽然这是一种连接图像空间和BEV空间的简单直接的方法,但它需要准确的相机内外参,或者实时的相机位姿估计。所以,视图变换的实际效果有可能比较差。 以车道线分割为例,在一些挑战性场景中,比如遮挡或者远处区域,使用IPM的传统方法提供的结果就不够准确,如图所示。 近年来,深度学习方法已被研究用于BEV语义分割。Lift-Splat-Shoot通过逐像素深度估计结果完成了从图像视图到BEV的视图变换。不过使用深度估计,也增加了视图变换过程的复杂度。此外,有一些方法应用MLP或者FC算子来进行视图变换。这些固定的视图变换方法,学习图像空间和BEV空间之间的固定映射,因此不依赖于输入的数据。 而基于Transformer的方法,是在BEV空间下进行感知的另一个研究方向。在目标检测任务中,DETR3D引入了一种3D边界框检测方法,直接从多个相机图像的2D特征生成3D空间中的预测。3D空间和2D图像空间之间的视图变换,通过交叉注意模块的3D到2D查询来实现。 受此启发,我们提出了BEVSegFormer,通过在Transformer中使用交叉注意机制进行BEV到图像的查询,来计算视图变换。BEVSegFormer由3个主要的组件组成: 1)共享的主干网络,用于提取任意相机的特征图; 2)Transformer编码器,通过自注意模块嵌入特征图; 3)BEV Transformer解码器,通过交叉注意机制处理BEV查询,输出最终的BEV语义分割结果。 具体来说,BEVSegFormer首先是使用了共享的主干网络,对来自任意相机的图像特征进行编码,然后通过基于可变形Transformer的编码器对这些特征进行增强。 除此之外,BEVSegFormer还引入了一个BEV Transformer解码器模块,对BEV语义分割的结果进行解析,以及一种高效的多相机可变形注意单元,完成BEV到图像的视图变换。 最后,根据BEV中的网格布局对查询进行重塑,并进行上采样,以有监督的方式生成语义分割结果。 我们分别在nuScenes公开数据集以及Nullmax的自采数据集上,检验了BEVSegFormer的算法效果。实验结果表明,BEVSegFormer在nuScenes验证集上创造了新的BEV分割SOTA。通过消融实验,当中每个组件的效果也得到了验证。 02 加入我们 在这项研究中,我们为了应对自动驾驶车辆上任意相机配置的BEV语义分割挑战,提出了BEVSegFormer。 接下来,我们还计划在自动驾驶当中,基于Transformer探索内存效率更高、解释性更强的BEV语义分割方法。 欢迎对BEV、Transformer在自动驾驶中的感知任务感兴趣,以及希望从事于计算机视觉和自动驾驶感知研发的同学,加入Nullmax感知团队。 在这里,你可以直接参与到大量自动驾驶量产项目的落地,以及最前沿技术的预研当中,为你的idea和技术找到一个充分施展的舞台!目前,我们已经开放了大量的全职和实习岗位,期待你的加入!
27
2022/04
Blog
<
1
…
4
5
6
7
8
…
10
>
Follow Us
Follow us on WeChat
Welcome to follow us
on social media.
Stay up to date with nullmax news.
For Report
You can download Nullmax's latest graphic and video materials here.
For more information and in-depth report, please contact us.
Contact us
Pictures
Docs
Videos
Δ
Δ
Δ