0. 简介 在自动驾驶汽车(AV)的感知任务中,数据驱动的方法往往优于传统方法。这促使我们开发了一种基于数据的方法来从激光雷达测量中计算占用网格地图(OGM)。我们的方法扩展了之前的工作,使得估计的环境表示现在包含一个额外的层,用于标记被动态物体占据的单元格。早期的解决方案只能区分自由和占用的单元格。障碍物是否可以移动的信息对于规划AV的行为非常重要。《Data-Driven Occupancy
0. 简介 《WidthFormer: Toward Efficient Transformer-based BEV View Transformation》提出了WidthFormer,这是一种基于Transformer的新颖鸟瞰视角(Bird’s-Eye-View, BEV)三维检测方法,专为实时自动驾驶应用而设计。WidthFormer在计算上高效、稳健,且无需特殊的工程努力即可部署。我们提
0. 简介 鉴于能够缓解 3D 目标检测中普遍存在的长尾缺陷和复杂形状缺失的能力,占用预测已成为自动驾驶系统的关键组成部分。然而,三维体素级表示的处理不可避免地会在内存和计算方面引入大量开销,阻碍了迄今为止的占用预测方法的部署。与使模型变得更大、更复杂的趋势相反,《FlashOcc: Fast and Memory-Efficient Occupancy Prediction via Channe
0. 引言 Autoware的整体框架和模块主要包括感知和规划两大部分。其中autoware.ai是ros1,安装可以参照古月老师的博客《Autoware.ai的安装、配置与测试(Docker & 源码编译)》,autoware.auto是ros2版本,安装可以参照古月老师的博客《Autoware.auto的安装、配置与测试(Docker版)》。现在的autoware已经改动很大了,放在
0. 简介 计算框架是自动驾驶系统中的重中之重,也是整个系统得以高效稳定运行的基础。为了实时地完成感知、决策和执行,系统需要一系列的模块相互紧密配合,高效地执行任务流。由于各种原因,这些模块可能位于不同进程,也可能位于不同机器。这就要求计算框架中具有灵活的、高性能的通信机制。Apollo在3.5版本中推出了Cyber RT替代了原先的ROS。 和ROS & ROS2中类似,Cyber R
0. 简介 对于自动驾驶来说语义分割是自动驾驶中理解周围环境的一项常见任务。可行驶区域分割和车道检测对于道路上安全且高效的导航尤为重要。为了满足自动驾驶汽车中可行驶区域和车道分割的高效轻量级,《TwinLiteNet: An Efficient and Lightweight Model for Driveable Area and Lane Segmentation in Self-Drivin
0. 简介 对于单目摄像头完成SLAM建图这类操作,对于自动驾驶行业非常重要,《Online Monocular Lane Mapping Using Catmull-Rom Spline》介绍了一种仅依靠单个摄像头和里程计生成基于样条的在线单目车道建图方法。我们提出的技术将车道关联过程建模为一个二分图的分配问题,并通过结合Chamfer距离、姿态不确定性和横向序列一致性为边赋予权重。此外,文中还
0. 简介 3D语义信息地图的构建对于构建地图来说非常关键,所以《Vision-based Large-scale 3D Semantic Mapping for AutonomousDriving Applications》一文提出了一种完整的流程,基于立体相机系统实现的3D语义地图构建,该流程包括直接稀疏视觉里程计前端以及全局优化的后端,包括GNSS集成和语义三维点云标记。我们提出了一种简单但
0. 简介 之前作者专门为点云匹配写了几篇博客,但是我们发现最近几年有更多的新方法已经在不断地被使用。同时之前有些内容也没有很好的概括,所以这里我们将作为一篇进阶文章来介绍这些方法的使用。 1. 地面点去除 处了使用一些复杂的方法(FEC)或是一些简单的方法(根据高度来滤除)以外,还可以使用Ransac的方法完成平面拟合 #include <pcl/point_types.h> #in
0. 简介 最近在尝试着用SensorsCalibration这个项目来做一些工作,我们知道imu与lidar的外参比较难标定,而OpenCalib提出了手动和自动标定两种方式。我们本文将会学习如何完成Lidar_imu自动标定,并学习如何拿到自己的数据来完成离线标定。 1. 相关代码 这个lidar2imu的相关代码已经有博主注释过了,这里我们给出链接 Lidar_imu自动标定
0. 简介 航位推算是一个很常见的定位方法。在知道当前时刻的位置,然后通过imu等传感器去估计下一个时刻的位置。在自动驾驶车辆定位的时候,GPS提供10Hz的定位信息。这每个GPS信息来临的0.1s的间隔里面,车辆位置也会移动很多。那么这个时候就需要航位推算来判断车辆到底移动了多少距离,在哪个地方。所以,航位推算是自动驾驶车辆最基本的,也是必须的一种算法之一。比如推算车辆在隧道中的位置。
0. 简介 Apollo Cyber RT 是专为自动驾驶场景设计的开源、高性能运行时框架。 基于中心化计算模型,主要价值是提升自动驾驶系统的高并发、低延迟、高吞吐。 Apollo 并不是一开始就使用 CyberRT,在 v3.0 之前用的都是基于 ROS 框架进行开发。但在之前的版本中发现了很多问题,随着 Apollo 的发展,对最高水平的稳健性和性能的需求, Apollo Cyber RT
0. 简介 作为3D车道线训练来说,数据集是至关重要的,而使用点云的精确性来完成准确的车道线地图构建是一个非常重要且有趣的事情。下面我们将会从一个例子开始,分阶段来告诉大家该怎么样去完成一个简单的3D点云车道线自动识别标注工具。 1. 前言 按照《Automatic Road Markings Extraction Classification And Vectorization Mobil
0. 简介 对于3d bounding box而言,近几年随着自动驾驶的火热,其标注工具也日渐多了起来,本篇文章不讲具体的算法,这里主要聚焦于这些开源的3d bounding box标注工具,以及他们是怎么使用的。这里借鉴了我想静静,博主的博客作为基础,然后再结合自己的使用与了解完成扩充。 1. 3d-bat 在本文中,我们专注于在新型 3D 边界框注释工具箱 (3D BAT) 的帮助下获取
0. 简介 对于自动驾驶的预测和规划而言,能够有效的对目标产生可解释性是非常有必要的,而《Interpretable Goal-based Prediction and Planning for Autonomous Driving》文中就提出了一种综合的自动驾驶预测和规划系统,它利用合理的逆规划来识别其他车辆的意图。目标识别可以通过蒙特卡罗树搜索(MCTS)算法来规划自我车辆的最佳动作。逆规划
0. 简介 作为SLAMer在建图时最怕的就是大量的动态障碍物存在,这会导致建图的不精确,而本文主要围绕着如何剔除动态障碍物开始讲起,并提供一种快速的过滤障碍物的方法。 1. 主要方法 在调研的过程中主要存在有两种方法,第一种如文章《通过帧间确定动态障碍物,剔除动态3D点云数据后用于生成栅格地图》所说的方法。通过扫描局部地图,并使用kd-tree完成点云的过滤,通过两帧之间的变化消除动态障碍
0. 简介 对于点云的深度学习分割而言,其中主要组成部分为两块,一个是点云bin文件,一个是特征的label文件,而point_labeler这个点云标注工具就能很好的让我们去标注自身想要的数据集。下面我们将来详细的介绍point_labeler这个工具的使用方法。 1. 环境安装 环境依赖: catkin Eigen >= 3.2 boost >= 1.54 QT
0. 简介 这篇文章我们介绍一下论文“High-Definition Map Generation Technologies For Autonomous Driving: A Review“,2022年6月11日,来自加拿大Ontario Tech University。相较于网上的其他文章,本文更在意向读者更轻松全面的了解文章中介绍的方法,让读者从总体上了解高精地图生成。 高清地图近年来备
1. Open3D-ML安装和使用 首先对于Open3d,我们要先对源码下载 # make sure you have the latest pip version pip install --upgrade pip # install open3d pip install open3d 然后选择要安装兼容版本的PyTorch或TensorFlow,Open3d中提供了两种安装方式
0. 前言 前段时间去大概了解了如何去滤除动态障碍物的问题,也根据调研去做了一些工作,这一篇文章主要向大家展示如何将Lidar-MOS和ROS2结合起来去使用。 1. 环境安装 文中使用了Salsanext,Rangenet ++和Mine三个模块作为baseline来设计和测试动态障碍物滤除的工作,其中的语义分割工作都是目前已有的,可以去原项目中查看。代码下载: #下载程序 git c
无人驾驶
博客
泡泡
积分
勋章
精选经典文献阅读之--DEviLOG(使用合成数据和真实世界数据的数据驱动占用网格映射基于Transformer的BEV方案量产方案)
精选经典文献阅读之--WidthFormer(基于Transformer的BEV方案量产方案)
精选经典文献阅读之--FlashOcc(快速且内存高效的占用预测模块)
Autoware 技术代码解读(三)
精选使用CyberRT写第一个代码
精选经典文献阅读之--TwinLiteNet(可行驶区域和车道分割的高效轻量级模型)
精选经典文献阅读之--Online Monocular Lane Mapping(使用Catmull-Rom样条曲线完成在线单目车道建图)
精选经典文献阅读之--Vision-based Large-scale 3D Semantic Mapping...(自动驾驶的大规模三维视觉语义地图的构建)
精选点云滤波与匹配进阶
OpenCalib之Lidar_imu自动标定----自输入输入数据采集
精选浅谈Dead reckoning实现原理以及常用算法
精选小白能看懂的CyberRT学习笔记
精选一种简化的3D点云车道线自动识别标注一些思考
常见的3d bounding box标注工具
经典文献阅读之--IGP2(可解释性目标的自动驾驶预测与规划)
3D帧间匹配-----剔除动态障碍物
SemanticKITTI点云标注工具
经典文献阅读之--用于自动驾驶的高清地图生成技术
基于Open3D的Lidar-Segment
Lidar-MOS 安装与使用
openpilot了解与分析
AVM 环视拼接方法介绍
IPM 鸟瞰图公式转换与推导
多传感器融合综述---FOV与BEV
多传感器融合感知 --传感器外参标定及在线标定学习
BEVSegFormer---BEV的语义分割
SLAM精度评估
自动驾驶之高精地图
Ceres2.1 GPU加速的开始
Protobuf 二进制文件学习及解析
逆透视变换(IPM)多种方式及代码总结
深度学习之从Python到C++
基于HD-MAP的自动驾驶定位技术
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