描述 本文会围绕多传感器融合感知这一任务,对融合方案及常见操作进行简述,文中大部分写的是本人的理解,少部分借用了他人的思想进行了分析总结。 多传感器融合方案 在自动驾驶领域,特斯拉和mobileye采用的是纯视觉技术路线,其他的厂商采用的都是多传感器融合技术路线。 多传感器融合,也称为传感器数据融合,是将来自多个传感器的数据进行组合,以提高所获得信息的准确性和可靠性的过程。在实际项目中,多
弱人工智能:指低于人类智慧,仅能解决单一问题,且尚未形成知识体系与自我、创新意识的人工智能发展阶段,现阶段全球人工智能发展水平处于弱人工智能阶段。 V2I:汽车-基础设施(Vehicle to Infrastructure),车辆与路障、道路、交通灯等设施之间的通信。 V2V:车车网(Vehicle to Vehicle),不同车辆间的信息互通。 V2X:车与外界信息交换(V
目录 痛点1:视觉传感器场景受限 痛点2: 传统卫星定位场景受限 痛点3 视觉传感器距离及理解受限 拆解痛点 跨越痛点 四维图新高精度地图产品矩阵 面向未来的无人驾驶地图服务平台 痛点1:视觉传感器场景受限 高精度地图针可进行有效冗余 在很多场景下,例如下雪天,车道线磨损,遮挡,或雾霾天气,这个时候不管是传统的视觉以及激光雷达传感器,它都会有一定的失效。 所以为了保证
数据来源:智能网联汽车网 自动驾驶绕不开的一个话题那就是激光雷达和摄像头到底哪个更出色,这个问题一直在行业内争论不休,两大派系各执一词,都能讲出一大堆的理由为什么用此非彼,其实要想明白为什么会有这个争论,我们就要先了解这两大技术路线背后的原理是什么,各自有哪些优势和不足。 自动驾驶将汽车的驾驶能力及驾驶责任逐步由人转移到汽车,其主要包括感知、决策和执行三大核心环节。
文章目录: 1 RealSense D435摄像头介绍 1.1 D435外观及内部构造 1.2 D435的参数规格 1.3 D435应用 2 RealSense D435摄像头的使用 2.1 使用D435读取摄像头RGB和深度图 3 使用D435做目标检测和距离测量 1 RealSense D435摄像头介绍 英特尔®
描述 在自动驾驶与机器人导航中,我们经常会使用到栅格地图:利用SLAM技术将车在一定范围内进行移动,依靠视觉或雷达传感器,对区域内的障碍物进行感知,得到一个指定分辨率指定大小的栅格地图,每个像素点代表了被占据的概率。随后在栅格地图上,我们可以进行例如A*这样的路径规划算法。 而在实际工程中,栅格地图有诸多不变。首先就是构建和维护的困难,本人之前工作中遇到了很多工业的场景,机器人在建图后短时间内
系列文章目录 一、lanelet2简介 二、lanelet2地图制作 三、官方示例阅读(上篇 01~03) 目录 系列文章目录 前言 一、01_dealing_with_lanelet_primitives 1.part0Primitives(); 2.part1Points(); 3.part2LineStrings(); 4.part3Polygons(); 5.p
目录 前言 一、现有仿真软件介绍 1、CarSim 2、PreScan 3、 CARLA 4、 LGSVL Simulator 5、比较 二、lgsvl安装 1.硬件要求 2.安装步骤 三、lgsvl使用 1.在线使用 2.离线使用 3.与ROS联仿 四、一些开车快捷键 参考文献 总结 前言 自动驾驶仿真软件lgsvl在ubuntu的安装和配置
目录 前言 一、ego车辆配置 1.传感器类型 1.1Color Camera 1.2LiDAR 1.3GPS 1.4IMU 1.5LGSVL Control 1.6Keyboard Control 1.7Depth Camera 1.8Segmentation Camera 1.9Radar 1.103D Ground Truth 1.11Lane-line
系列文章目录 一、lanelet2简介 目录 系列文章目录 前言 一、lanelet2是什么? 二、lanelet2标准格式 1.node 2.way 3.relation 总结 前言 基本数据类型介绍 lanelet2对每一个基本类A有以下四种数据类型: Class A APtr = std::
系列文章目录 一、lanelet2简介 二、lanelet2地图制作 目录 系列文章目录 前言 一、查MGRS分区 二、制作地图 1.初始化 2.导入数据 3、绘制道路 4.保存数据 三、ROS中查看 总结 前言 本篇讲述如何基于激光雷达制作自己的osm高精地图 需要提前准备: 1.pcd点云文件,激光雷达通过slam得到的点云图,slam算法可以
目录 前言 一、用途 二、原理与实现 1.流程 2.伪代码 3.代码 三、参考文献 前言 迪杰斯特拉算法(Dijkstra)是由荷兰计算机科学家狄克斯特拉于1959年提出的,因此又叫狄克斯特拉算法。是从一个顶点到其余各顶点的最短路径算法,解决的是有权图中最短路径问题。迪杰斯特拉算法主要特点是从起始点开始,采用贪心算法的策略,每次遍历到始点距离最近且未访问过的顶点的
目录 前言 一、Dubins 二、车辆简单模型 三、Dubins曲线计算 1.坐标变换 2.LSL 3.LRL 4.RSR 5.LSR 6.RSL 7.RLR 8.计算每一段终点 左转 右转 直行 四、C++与ROS实现 五、参考文献 前言 本博客讲述Dubins曲线推导过程与实现。参考了一些博主的成果,仅供自己学习记录使用。 一、Dubins
背景: 在上学期间想给小车做个自动回充来着,结果简单的在网上搜索一下,发现竟然没有一套很完整的方案(古月居论坛甚至一篇相关文章都没有QAQ),大多都在卖成品,后来由于时间和精力的原因就不了了之了,借助Originbot的这次机会,正好从零探索一下…… 常见的移动机器人自主回充技术 通常自动回充的流程为: 接到信息或低电量情况下,返回充电桩附近(通过slam等方法,回到充电桩附近的
描述 上一篇文章介绍了匈牙利匹配算法的原理,这一篇文章我们来分析另一种好用的匹配算法——KM算法 匈牙利匹配算法是一个二分图匹配算法,但对于任意两顶点的匹配都是等价的。显然,如果我们面对特征匹配任务时,特征A可能和特征B、特征C都产生了关联。如何在B与C之间选择更佳的匹配呢。这就是KM算法优于匈牙利匹配的地方。 KM算法原理 KM算法是在匈牙利算法的衍生算法,在二分图匹配的问题上增加权重,
【自动驾驶】使用强化学习玩赛车游戏 TORCS(The Open Racing Car Simulator)是一款自由开放源代码的赛车模拟器,可以在计算机上运行。它提供了一系列的汽车、赛道和物理模型,让用户可以模拟赛车比赛并进行测试。TORCS 还支持 AI 参与比赛,用户可以编写程序来驾驶赛车,这些程序可以使用多种编程语言编写,本文采用 Python编程,在windows系统下使用强化学习
描述 最近在做特征级别的感知结果融合算法。我的工作目的,是要将多种不同传感器的感知结果,通过一定的机制融合起来,得到融合后的感知结果。为此看了一些资料,了解到Apollo中使用了匈牙利匹配算法,之前不懂就学习了一下。这个算法挺好理解的,将个人对匈牙利匹配算法的理解写在这里。 这篇感觉是我写过最搞笑的文章。。。 算法论文:The Hungarian Method for the Assig
一、项目简介 1、研究现状: 随着5G时代的到来,智能化产品的应用场景更加多元化,而智能小车作为一种集合多种功能为一体的智能移动装置,现在已逐渐应用于军事、医疗、物流、家居等各个领域。目前国内智能小车运用较多的有物流行业中的AGV(Automated Guided Vehicle)小车、农业中智能蔬果采摘机器人。 2、研究意义: 智能小车可以在各种各样的环境下高效工作,这将
CARLA基本介绍 CARLA是一个开源的自动驾驶模拟器。它是从头开始构建的,用作模块化和灵活的API,以解决自动驾驶问题中涉及的一系列任务。 CARLA的主要目标之一是帮助自动驾驶研发民主化,它是一种易于用户使用和定制的工具。为此,模拟器必须满足一般驾驶问题(例如学习驾驶策略,训练感知算法等)内不同用例的要求。 CARLA基于Unreal Engine来运行模拟,并使用
写在前面 大家好久不见,距离上一篇MOT相关博客发表正好已经过了一年。这一年笔者间也是继续深耕多目标跟踪领域,对此领域也产生了一些更加深刻的理解。作为主要作者发表的CAMO-MOT也在nuScenes榜单上占据第一位置半年有余。与此同时,此期间产生的一个初心就是继续产出高质量的,易于大家理解的技术博客,让更多的人来建设这个领域。一年过去了,从这篇博客开始,笔者将继续介绍多目标跟踪。本篇博客的概要
自动驾驶相关博客
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信