自动驾驶

精选多传感器融合方案简述

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

感知算法融合感知

绿竹巷人
2023-06-19 09:36
1315 0 0
精选矢量地图更新与简单特征处理

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

矢量地图特征处理

绿竹巷人
2023-05-25 10:19
947 1 0
精选多传感器特征融合——KM算法原理及C++代码实现（二）

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，

特征匹配

绿竹巷人
2023-05-12 10:31
1481 0 1
多传感器特征融合——匈牙利匹配算法原理（一）

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

特征融合特征匹配

绿竹巷人
2023-05-06 09:35
1900 0 0
自动驾驶BEV感知中的二维特征点基本处理

描述如题。一年前我写过另外一篇位姿变换的文章，但最近事情太多，脑子乱的很。而我又面临一些比较重要的开发任务，其中会涉及到一些简单的坐标变换。但坐标系有很多，导致我写代码时总得再花点时间来确定什么基坐标系啊自定义坐标系。于是，我决定再写一篇更直白的文章，以节省以后的时间。这篇文章会涉及到自动驾驶或移动机器人领域可能遇到的坐标变换场景，对于变换后的数据点或特征点，再介绍一些好用的处理办法。

矢量地图特征点处理二维坐标变换

绿竹巷人
2023-04-12 17:19
1865 0 0
python实现简单的车道线检测

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

计算机视觉车道线检测

绿竹巷人
2023-02-01 11:35
1798 0 0
给地面盖一层布！——CSF算法提取地面点

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

点云数据地面提取

绿竹巷人
2022-11-14 09:41
2621 0 0
点云地面分割算法——投射成Range图像

Efficient Online Segmentation for Sparse 3D Laser Scans 描述本文来分析另外一篇点云分割的算法原文：Efficient Online Segmentation for Sparse 3D Laser Scans 算法中分为两步，第一步是点云地面分割，第二步是对除去地面后的点进行分割。和之前一样，我们还是先只介绍地面分割的部分，之后有时间

点云分割

绿竹巷人
2022-10-05 09:28
3505 0 0
2022年最新成果——Patchwork++地面分割

描述这个韩国团队真的挺厉害的，在2017年别人提出的GPF算法（已分析）基础上，持续输出。2021年在RAL发表了两篇文章：一篇R-GPF算法（我还没分析），另外一篇是Patchwork（已分析）。今年刚刚刚，也就是2022年7月份又中了一篇IROS，也就是这篇文章：Patchwork++，主要改进了之前提出的Patchwork。论文思想挺不错的，我来解析一下（同时，定个小目标，年底争取超

点云分割地面分割

绿竹巷人
2022-09-23 10:29
6542 11 2
点云分割路面——GPF算法分析与C++实现

描述这一篇文章介绍2017年的一篇基于点云数据的地面分割算法——GPF（Ground Plane Fitting）论文全称：Fast Segmentation of 3D Point Clouds: A Paradigm on LiDAR Data for Autonomous Vehicle Applications 这篇文章实际上有两个贡献：其中一个是GPF。而另外一个是SLR（Scan

点云分割

绿竹巷人
2022-09-14 10:48
3757 2 1
KITTI结果领先地位！PLARD算法实验分析

描述接上一篇，对论文中的实验结果进行分析 PLARD使用的网络：视觉PSPNet，雷达ResNet-101 IV. EXPERIMENT 在本节中，我们评估了基于KITTI道路检测的PLARD的有效性。我们首先采用5倍交叉验证来说明PLARD中各个部分的有效性。然后，我们在测试集上评估PLARD，并将其与其他最先进的道路检测算法进行比较。 A. Dataset数据集 KITTI道路基

点云自动驾驶视觉激光雷达融合道路分割

绿竹巷人
2022-08-31 09:33
2262 2 0
KITTI结果领先地位！Progressive LiDAR Adaptation for Road Detection——PLARD算法

描述详解一篇基于激光视觉融合的道路检测文章，发表在2019年自动化学报英文版（我所主编的业界顶刊）中，第三作者是陶大程，业界大佬，可自行进行百度。为什么选择这篇文章进行分析呢。查看KITTI数据集的分数榜单leader-board你会发现，这篇文章的结果非常领先。 Abstract 尽管基于视觉图像的道路检测技术发展迅速，但由于光照变化和图像模糊等问题，在视觉图像中鲁棒的识别出道路区域

激光雷达多传感器融合感知

绿竹巷人
2022-08-30 09:38
3075 0 0
点云地面分割算法—— Patchwork论文分析

描述点云地面分割算法——Patchwork的论文分析该论文是ICRA2021年的一篇文章，比较新，效果不错，在这里进行介绍论文全称：Patchwork: Concentric Zone-based Region-wise Ground Segmentation with Ground Likelihood Estimation Using a 3D LiDAR Sensor 简述 Patc

自动驾驶点云处理地面分割

绿竹巷人
2022-08-11 11:00
5946 0 6
激光雷达点云操作的工程化分享（二）——PCA

描述使用PCL库对点云的一些工程化操作，接上一篇。这一篇主要以PCA为核心。原理 PCA代表主成分分析，它是一种用于降低数据集维度的技术，同时保留尽可能多的原始信息。在点云的背景下，主成分分析可以用来找到点云的主轴，然后可以用来表示低维空间中的点云。从PCA获得的特征向量表示点云的主轴。这些轴按重要性排序，第一个轴最重要，最后一个轴最不重要。每个特征向量是指向相应主轴方向的单位向量。特征

点云 PCL

绿竹巷人
2022-08-11 09:46
3732 0 2
激光雷达点云操作的工程化分享（一）

描述利用PCL库既有函数，对激光雷达点云进行一系列处理。操作数据可以利用一些经典点云文件，我的操作还有一些自采数据。经典点云数据斯坦福兔子猴子龙（数据量比前两个大了不少）代码 1. 加载点云 pcd点云格式 #include <pcl/io/pcd_io.h> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(n

点云 PCL 自动驾驶

绿竹巷人
2022-08-05 15:55
3034 3 1
点云地面分割算法——Fast Segmentation of 3D Point Clouds for Ground Vehicles文章分析（二）

描述这篇文章继续上一篇，对原论文的实验结果进行分析，同时还要给出直线拟合算法部分的进一步解释。最后也会上一些我自己的分割结果原文解析 Result 执行3D点云分割的主要好处是能够检测和跟踪场景中较小的动态对象，因为这样可以精确建模场景的动态方面，从而最终促进安全驾驶。较大的对象，如植被和大型建筑物，对导航任务不太重要，通过简单的二维占用栅格可以更有效地建模。由于我们的所有算法都适

自动驾驶点云分割

绿竹巷人
2022-08-04 15:33
3142 2 0
点云地面分割算法——Fast Segmentation of 3D Point Clouds for Ground Vehicles文章分析（一）

点云地面分割算法——Fast Segmentation of 3D Point Clouds for Ground Vehicles文章解析（一）描述《Fast Segmentation of 3D Point Clouds for Ground Vehicles》是美国加州大学圣地亚哥分校发表在2010 IEEE Intelligent Vehicles Symposium会议上的一篇文

激光雷达点云分割激光雷达、点云分割、地面拟合

绿竹巷人
2022-08-04 13:56
3253 0 0

想获取更多信息和操作，请移步电脑网页版