0. 简介 之前作者前段时间在研究BEV的相关算法,当时就觉得BEV算法好是好,但是所需要的内存以及计算资源实在是太大了,无法实时在真实场景中运行。我们知道多视图(multi-view)三维目标检测具有低成本、高效率的特点,具有广阔的应用前景。然而,由于缺乏深度信息,通过透视图准确地检测目标是极其困难的。当前的方法倾向于为图像编码器采用重主干,使得它们不适用于现实世界的部署。与图像不同的是,激光
文章目录 1.自行车模型(汽车二自由度模型) 注意点 Point1 Point2 2.纯追踪控制 注意点 Point1 Point2 Point3 3.相关代码 参考文献 声明 全局路径由一系列路径点构成,这些路径点只要包含空间位置信息即可,也可以包含姿态信息,但是不需要与时间相关
文章目录 前言 1. PID算法介绍 1.1 时间连续与时间离散 1.2 位置式与增量式 1.3 PID算法扩展 2. PID调试方法 3. APOLLO代码介绍 3.1 PID算法 3.2 积分饱和问题 3.3 纵向控制代码 3.3.1 构造函数 3.3.2 加载各种纵向控制的配置参数 3.3.3 二阶巴特沃斯低通滤波器《数字信号处理》 3
简介:在这一章节中,我们需要安装有相关环境(虚拟机方式为例,需要安装有ROS系统,安装过程请参考无人驾驶虚拟仿真教程第2节)的电脑一台,组装好并经过初始化设置的无人驾驶小车一台,路由器一台,主要学习通过脚本或者命令行的方式来与小车进行交互,交互内容包括视频流获取、小车控制、tof传感器数据获取、按钮事件获取、车灯控制等内容。 注:以下命令以duckiebot1为例
简介:在第五节的内容中,我们学习了使用rqt工具集观看摄像头视频流的方法,细心的同学应该会发现camera_node发布的视频数据中的图像有变形现象,图像变形会导致直线不直,部分区域变大,部分区域缩小,导致无法准确计算出我们需要的数据,为了解决这个问题,我们需要先校准相机,另外在虚拟仿真的学习过程中,我们了解到在后续的图像处理过程中,我们还需要知道相机的内参矩阵,以及投影变换矩阵,在这一章节中
0. 简介 最近在群里被萌新询问2D激光雷达的工作还能做什么,我当时有点难以回答,cartographer作为2D的集大成者,留给后续工作者改进的地方已经很少了。直到我最近看到了这一篇文章《Dynamic Occupancy Grid Mapping with Recurrent Neural Networks》,也给我个人提供了一个比较新的方向,即动态栅格地图的更新方式。这里我们详细看一下这篇
描述 python实现简单的车道线检测,本文章将介绍两种简单的方法 颜色阈值+区域掩模 canny边缘检测+霍夫变换 这两种方法都能实现简单的车道线检测demo,注意仅仅是demo 下面的图片是用到的测试图片 方法1:颜色阈值(Color Selection)+ 区域掩模(Region Masking) 我们可以仅仅通过设置一些RGB通道阈值,来提取车道线。 以
0. 简介 最近几年随着自动驾驶行业的火热,对高精地图的需求也日渐庞大。由于高精(HD)地图的相关可扩展性成本,需要不断的维护,并涉及繁琐的人工标签。这就导致需要大量的人力来做这样的事情,而是否存在一些比较简单的办法来完成道路、人行道、人行横道和车道等静态地标进行自动和准确的标注,这就是科研界几年中所需要关心的内容,本文主要围绕着这篇IROS 2020的文章《Probabilistic Sema
0. 简介 最近几年随着深度学习的发展,现在通过深度学习去预估出景深的做法已经日渐成熟,所以随之而来的是本文的出现《Real-Time Dense Monocular SLAM with Neural Radiance Fields》。这篇文章是一个结合单目稠密SLAM和层次化体素神经辐射场的3D场景重建算法,能实时地用图像序列实现准确的辐射场构建,并且不需要位姿或深度输入。核心思想是,
0. 简介 这几个月,博主已经从SLAM算法的使用向着算法的数学推导进行了记录和分享,之前也分享了李群李代数关注核心一文,从现象中解释了李群和李代数表达的含义。但是这还不够,所以这次作者作为SLAM本质剖析的番外,来介绍李群李代数的微分和导数。 1. 旋转点求导 李群或者李代数上叠加微小量的情况呢?传统的求导过程中,我们常见的做法是对自变量添加一个微小值来进行: f'(x) =
0. 简介 最近作者希望系统性的去学习一下CUDA加速的相关知识,正好看到深蓝学院有这一门课程。所以这里作者以此课程来作为主线来进行记录分享,方便能给CUDA网络加速学习的萌新们去提供一定的帮助。 1. CUDA中的Stream和Event 1.1 CUDA stream CUDA stream是GPU上task 的执行队列,所有CUDA操作(kernel,内存拷贝等)都是在stream上
AutowareAuto建图 overview AutowareAuto 需要两种类型的自动驾驶地图 几何信息层面地图(点云地图) 语义信息地图(Lanelet2 Map) 本节主要介绍如何绘制两种地图,以及两种地图如何应用到整个系统中 最后呈现如下图地图所示效果 高精地图 在正式进行工程前,首先介绍什么是高精地图。 高精地图是一种比普通地图具有更多信
0. 简介 最近作者希望系统性的去学习一下CUDA加速的相关知识,正好看到深蓝学院有这一门课程。所以这里作者以此课程来作为主线来进行记录分享,方便能给CUDA网络加速学习的萌新们去提供一定的帮助。 1. Cublas概念 cuBLAS是一个BLAS的实现,允许用户使用NVIDIA的GPU的计算资源。使用cuBLAS的时候,应用程序应该分配矩阵或向量所需的GPU内存空间,并加载数据,调用所需的
说明: 将kitti数据集中 雷达点云图像投影到camera图像平面, 并生成 深度图的灰度图(灰度值=深度x256 保存成int16位图像(kitti中 depth benchmark的做法)) 输入: P_rect_02: camera02相机内参 R_rect_00: 3x3 纠正旋转矩阵(使图像平面共面)(kitti特有的) Tr_v
摘要:定位作为自动驾驶中最基本的环节之一,目的在于明确车辆相对于全局的绝对位置或相对于交通参与者的相对位置,其准确性直接影响了自动驾驶系统的安全性。当前,自动驾驶技术正在对我们的出行产生越来越深远的影响,但是在复杂的真实道路环境中,面向自动驾驶的定位方法还不够成熟。本文对已有的定位方法进行了全面而系统的梳理,首先针对单个定位方式逐类别地进行了归纳,包含基于通信的、基于航位推算的、和基于特征
0. 简介 最近作者希望系统性的去学习一下CUDA加速的相关知识,正好看到深蓝学院有这一门课程。所以这里作者以此课程来作为主线来进行记录分享,方便能给CUDA网络加速学习的萌新们去提供一定的帮助。 1. 基础矩阵乘法 下图是矩阵乘法的示意图,下面我们来看一下在CPU和GPU上是怎么表达的。CPU代码示意流程: // Matrix multiplication on the (CPU) ho
自动车建图与定位技术简介 自动车定位作用 车辆定位 室内环境:地图定位,UWB 定位,人工标志 室外环境:卫星定位 GNSS:GNSS 是将多个全球定位系统 (GPS、北斗、伽利略、格洛纳斯…) 融合起来得到最终的定位结果,并可以通过差分定位 (RTK) 进一步减小定位误差;组合导航定位:卫星定位 + RTK + 惯导 + 车辆信息,比单独卫星定位拥有更高的精度和可靠性
0. 简介 最近作者希望系统性的去学习一下CUDA加速的相关知识,正好看到深蓝学院有这一门课程。所以这里作者以此课程来作为主线来进行记录分享,方便能给CUDA网络加速学习的萌新们去提供一定的帮助。 1. GPU与CPU区别 处理器指标一般主要分为两大类,第一块主要是延迟,另一块是吞吐量。 1.1 CPU概念 对于CPU而言,首先是拥有较大的内存,其具有L1,L2,L3三级的存储。通过多级
描述 CSF布料滤波算法,用于遥感雷达数据提取地面,是张吴明教授等发表在remote sensing期刊上的文章论文全称:An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation源码链接:https://github.com/jianboqi/CSF.git 方法挺简单易懂的,网上有很多对此的论文
背景 相机标定核心公式复习公式 原理 我们可以将mei模型理解为,在 z 轴添加了一个偏移\xi ,使得球型水平入射的光线也可以投影到图像的像素区域内 1. 物理xyz 求 像素uv 通过以下过程,根据物理点的信息,和我们已经标定好的相机模型,可以得到该点在图像上的坐标 1.1 找到xyz与uv之间的关系 假设物理真实的点的坐标为 P = (x, y, z)^T 这个物理点,
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