- 博客(123)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 Apollo源码分析：详细捋一遍感知融合的基本流程
本篇文章只是粗略梳理了 Apollo 6.0 中的感知融合代码，可以得到一个大致的流程框架，这有利于初学者依葫芦画瓢弄一个自己的框架。但有一点需要明白的是，数据融合是一个系统性的工程问题，依赖于传感器的标定、传感器本身数据的可靠性、数据关联算法、目标跟踪滤波算法、场景的细分处理以及代码的高效实现。我们可以看到感知融合这一部分 C++ 代码写得比较复杂，运用了大量的设计模式思想，这给同学们阅读代码时增加了难度，建议阅读时多画一下图，脑袋晕乎时休息一下。链接。
2024-06-17 14:21:45
553
原创 Apollo源码分析：一步一步看看车道线检测基本流程
因为有了之前红绿灯检测代码分析的经验，我们自然能够知道感知任务先从它的 component 开始。车道线检测的 component 是。
2024-06-17 14:17:00
553
原创 一文读懂经典双目稠密匹配算法SGM
题图为SGM算法的一个处理结果。最近来看看一些双目稠密匹配的算法。说来惭愧，SGM在航测领域是很重要的算法（当然也是最好的双目稠密匹配算法之一），自己却没有认真读过，只是大致有些了解。看了论文，再结合网上一些资料，自己做了些论文笔记。想到关于SGM论文网上还没看到比较翔实的博客，就把自己做的笔记再加些解释分享出来了（下文中的引用部分多为我自己的思考）。其中还有一些是自己不理解的地方，准备后续写代码时研究。也希望大家可以分享自己的见解，或对文章内容进行批评指正。
2024-06-17 14:15:02
592
原创 华为最新192线激光雷达拆解分析报告
本报告对华为192线激光雷达进行了详细拆解，分析了华为激光雷达的技术方案，以及通过和其他品牌激光雷达方案做横向对比，分析车载激光雷达技术方案的演进趋势。2024年以来，随着华为系汽车，尤其是问界品牌的热销，华为激光雷达的出货量增长非常迅速。2023年12月26日，华为发布192线激光雷达，该雷达是华为最新的、性能最高的激光雷达产品。问界M7之前搭载的是速腾聚创的产品，据了解，后续也会逐渐切换为华为192线激光雷达。水平角分辨率：0.25°（@20Hz扫描），0.125°（@10Hz扫描）
2024-06-17 14:13:16
216
原创 自动驾驶毫米波雷达（radar）先进技术估计
先进的半导体工艺和技术直接影响着automotive radar系统的设计与制造。更高的集成度和更低的成本则定下了未来automotive radar系统发展的基调。随着制造工艺的不断进步，一些先进的估计技术也逐渐被引入。
2024-06-15 20:21:24
436
原创 自动驾驶毫米波雷达（radar）鲁棒估计方法
当处于多个目标的环境中时，情况会变的比较复杂，另外的一些方法比如排序类的方法等等就会被使用。无论是之前的基本估计方法，还是一些先进的估计技术，我们都假设Automotive radar所接收到的回波都是我们感兴趣的目标回波，然而 ，实际的雷达所接收的回波中除了目标外，还存在道路及周围环境的回波信号。利用上式，我们就可以得到空时数据中目标的位置，可以利用这样的处理得到所有的感兴趣目标的位置。若距离估计的结果中，谱幅度是高于阈值的，我们就认为高过阈值的部分所对应的为目标。插图：Noel_Bauza 来自网络。
2024-06-15 20:20:09
507
原创 自动驾驶 Apollo 源码分析：ProcessMonitor
进程的运行状态只有 OK 和 FATAL 两种。核心逻辑是通过程序读取 /proc/pid/cmdline 文件获取到了正在运行的进程名字，然后通过与 HMI 配置的模块名字或者是受监控的组件名字相匹配进行状态的判断。我开始有思考一个问题，因为平常开发时查看进程信息都是通过在 console 进行 ps 命令，那与此相比，cmdline 有什么好处呢？
2024-06-15 20:18:34
630
原创 自动驾驶 毫米波雷达radar-速度估计
也就是说，连续波（CW）雷达虽然可以用于探测多普勒频移，但是不能给出有效的目标的位置信息。因此，在下面的讨论和仿真结果中，我们采用了调频连续波（FMCW），以实现真实环境下多个目标的距离，速度信息的获取。之前我们对Automotive radar中的距离估计原理进行了介绍，然后我们进入下一个基本问题，下次有空接着讲Automotive radar信号处理中的方位估计问题。
2024-06-14 21:41:04
636
原创 激光雷达-扫描器
在之前的文章中，我们粗略的提及了激光雷达扫描结构的不同，激光雷达的扫描结构主要分为： 机械式、混合固态（MEMS振镜式、转镜式、棱镜式）、纯固态（FLASH、OPA）。本章节将详细介绍激光雷达细分的扫描结构和原理，以及一些新型的技术。
2024-06-14 21:39:17
399
原创 汽车电子-如何用Test Sequence做自动化测试
可以在harness右边接上三个示波器，用来查看数据，在描述里可以备注你要观察的结果。点击Manage Test Harnesses可以看到之前自己做的Harness。当t
2024-06-13 14:36:45
363
原创 TCP：结合轨迹规划和控制预测的端到端自动驾驶框架
与直接将两个纯轨迹模型和纯控制模型以ensemble的方式结合不同，TCP采用多任务学习的（MTL）思路，使用一个共享的backbone，将轨迹和控制作为两个并列的分支，在保证性能优异的同时，仍然保持较少的模型参数和计算量，确保了实时的推理速度。例如，我们发现在拐弯时以控制为直接输出的模型表现效果更好，所以我们判断当前车辆是否在拐弯，若在拐弯，则赋给控制分支的输出更大权重，轨迹分支更小的权重，来结合形成最终的控制信号。如何在可解释性的引导下，设计更合理的端到端自动驾驶模型也是一个异常有趣的方向。
2024-06-13 14:35:11
1012
原创 自动驾驶开源数据体系：现状与未来
李弘扬,李阳,王晖杰,曾嘉,徐慧琳,蔡品隆,陈立,林达华,乔宇：上海人工智能实验室严骏驰：上海交通大学徐丰：复旦大学熊璐：同济大学王井东：百度朱福堂：比亚迪许春景：华为汪天才：旷视科技夏飞、穆北鹏：美团彭志辉：智元机器人李弘扬, 李阳, 王晖杰, 曾嘉, 徐慧琳, 蔡品隆, 陈立, 严骏驰, 徐丰, 熊璐, 王井东, 朱福堂, 许春景, 汪天才, 夏飞, 穆北鹏, 彭志辉, 林达华, 乔宇.
2024-06-13 14:33:43
697
原创 如何将车辆坐标系转换道路坐标系
将车辆坐标系下弯曲车道线转换为Frenet坐标系下状态后变为直线形式，将Frenet坐标系下轨迹点左边转为车辆坐标系下轨迹点后也符合预期。技术的难点之一在于规划过程中难以表达车辆与道路之间的相对位置,导致二者之间的相对关系不明确。本文介绍在adas无地图全局信息时，将自车坐标系转换到基于车道线的Frenet坐标系进行横纵向规划。在Frenet坐标系下，可以将自动驾驶车辆时时位置状态分解为s和d两个方向进行描述，从而在。, 为横向速度, 为横向加速度, 为横向位移对弧长的。时，减少对车辆坐标信息的处理。
2024-06-13 14:29:29
341
原创 自车坐标系与Frenet坐标系转换
其中: s 为纵向位移,为纵向速度, s̈ 为纵向加速度, d 为横向位移, 为横向速度, 为横向加速度, 为横向位移对弧长的一阶导数, 为横向位移对弧长的二阶导数。将车辆坐标系下弯曲车道线转换为Frenet坐标系下状态后变为直线形式，将Frenet坐标系下轨迹点左边转为车辆坐标系下轨迹点后也符合预期。在Frenet坐标系下，可以将自动驾驶车辆时时位置状态分解为s和d两个方向进行描述，从而在轨迹规划时，减少对车辆坐标信息的处理。图1 Frenet 坐标系与全局笛卡尔坐标系的转换。
2024-06-12 14:44:57
343
原创 自动驾驶_时空联合规划-SSC planner
Safe Trajectory Generation for Complex Urban Environments Using Spatio-temporal Semantic Corridor摘要:在复杂的城市环境中，自动驾驶汽车的安全轨迹规划具有挑战性，因为需要考虑许多语义元素(如动态代理、交通信号灯和速度限制)。这些语义元素可能有不同的数学描述，如障碍、约束和成本。调整不同语义元素组合的效果以获得稳定和可推广的行为是非常重要的。本文提出了一种新的统一时空语义走廊结构，为不同类型的语义元素提供了一个抽象
2024-06-12 14:44:05
751
原创 自动驾驶轨迹规划：Bezier曲线及其导数计算方式
因此，理论上，为了计算C(t)在t处的导数，我们可以使用de Casteljau’s算法来计算C1(t)和C2(t)。然后，计算它们的差，然后乘以n，得到C’(t)。由于控制点是常量并且与变量t无关，计算导数曲线C’(t)就简化为计算Bn,i(t)’s的导数。在得到_C′(t)_和_C’′(t)_后，可以很容易地计算出C(t)处的moving triad和curvature。Bezier曲线可以借鉴多项式曲线形式，将Bezier曲线构建成多项式曲线形式，在求解导数时会方便很多。第二层差有n-1个点。
2024-06-12 14:42:20
1017
原创 ADAS应用层软件框架
主要包含速度、加速度、质量、坡度、方向盘角度、yawrate、道路附着系数、质心侧偏角、侧偏刚度分析、转向系统传动比等，常用的方法包含基于动力学、运动学的KF、EKF、递归最小二乘法估计。由于前端输出的是横纵向轨迹信息，控制模块对应区分横纵向控制，控制方式主要有MPC、LQR、PID。主要由信息接受模式、自车信息处理模块、驾驶员模型、道路模型、环境模型（目标处理、限速信息计算）、坐标转换模型、功能管理模块、轨迹模块（横向轨迹、纵向轨迹生成）、上层控制模块、底层控制模块组成。如下图所示，大致体现数据流方向。
2024-06-12 14:39:17
844
原创 在自动驾驶企业摆脱高精地图依赖的情况下，SLAM算法在自动驾驶行车过程中还有什么意义？
传统高精地图制作与使用以谷歌和百度等第一波发展自动驾驶的企业为代表，其地图数据的采集主要利用测绘车获取环境数据并大体上按照上文中提及的制作流程完成高精地图的“生产”，可见：“过度依赖专业测绘车”、“人工标注成本和工期”和“应用资质”造成了高精地图生产的高昂成本，由此限制了其大规模的应用。为了缓和上述的约束条件，
2024-06-11 16:51:10
813
原创 从LSAD法规看如何设计一个L4自动驾驶系统
2021年7月，ISO 22737正式发布，适用的对象为预定路线的低速自动驾驶（Low-speed automated driving，LSAD）系统，也就是最大速度不超过8.89米/秒（32公里/小时）且起点到终点之间行驶路线在系统启动前已经被确定好的自动驾驶系统。（3）路线：定义LSAD系统在可行驶区域内的一条或多条可行驶的路线，自动驾驶车辆启动后只允许在这些预定义的道路上行驶，一旦由于各种原因需要在超出预定义的道路上行驶，需要LSAD系统将请求发送调度平台，由调度平台调度员进行安全确认。
2024-06-11 16:46:33
385
原创 PPP-RTK自动驾驶高精定位的“搅局者”
重点来了，按照PPP的技术实现原理，其只要在全球建设百十来个基准站，组成地面监测网，用来收集解算轨道改正信息和钟差改正信息所需的卫星信号，就可直接确定移动站在国际地球参考框架（International Terrestrial Reference Frame，ITRF）下的高精度位置坐标，且不受作用距离的限制。基准站通过电台将观测到的卫星载波信号广播出去，流动站收到基准站发送的信号后，与自身观测到的卫星载波信号进行双差模糊度的求解、基线向量的结算，从而精确地求出流动站与基准站的空间相对位置关系。
2024-06-11 16:43:21
541
原创 apollo高精度地图可视化
最近写了一个Apollo高精度地图的可视化和格式转换工具，之后就可以使用imap命令来可视化和转换高精度地图的格式了。
2024-06-06 19:53:08
379
原创 L3高阶智驾系统怎么设计
22V-10R-2or4L-24USS-2DMS，得多可怕。那么就要退回来，传感器是不可能Double了，只能控制器Double下。但是话又说回来，光控制器Double又有什么用呢？毕竟只要有个传感器失效了，即便是两个控制器，也无法支撑起“全场景&脱手/脱眼”的功能状态呀！
2024-06-06 19:50:05
1079
原创 毫米波雷达的性能局限
对于上述局限场景，可以通过更好的射频硬件设计，以及针对性的算法开发，实现不同程度的优化。近些年出现的4D成像毫米波雷达，由于具备测高能力、分辨率更高、点云更密集，可以极大的改善上述场景的适应性。链接。
2024-06-05 19:08:41
1147
原创 单踏板模式，是天才设计还是疯子挑衅？
电门踏板踩得浅一点，车辆动能回收系统介入，进入到动能回收模式，此时车辆将开始进行一定程度的减速，具备类似制动踏板的功能。单踏板模式准确来说是一种驾驶模式，是一种基于动能回收系统开发出来的功能，而不是字面意思理解的主驾下面只有一个踏板，电动车的主驾下面依旧有制动踏板和电门踏板。而在右图中，我们可以看到电动车电门踏板踩下的阈值只有大于P值时，才会产生加速度，而当踩下的阈值小于P值时，动能回收系统介入，不仅不会产生加速度，还会产生减速度。如果配合单踏板的强动能回收模式，将继承单踏板模式的所有优点和缺点。
2024-06-05 19:07:30
1012
原创 自动驾驶-毫米波雷达典型“误报漏报”场景分析
对于感知结果，常见的错误有如下几种（借用FMEA失效场景类比）：对于毫米波雷达来说，最受关注的是漏报和误报，尽量压缩下图中红色区域的数量是我们的优化目标。从目前来看，针对控制毫米波雷达的误报和漏保，主要考虑如下几个方案：**4D成像技术。**增加通道数量，可以提升测距和测角分辨率，尤其是采用4D成像专用芯片组和专用软件，通过更加灵活的调制方式，更好的控制误报和漏报。**FMCW编码调频技术。**通过Chrip参数一定程度的编码，提高对干扰的抑制作用。**PMCW编码调相技术。
2024-06-04 17:40:40
1004
原创 Apollo 工具adataset介绍(数据集转record包)
数据集转换过程中需要注意坐标系，因为不同数据集传感器的坐标系不一样，需要根据当前车辆进行适配。
2024-06-04 17:39:12
770
原创 自动驾驶中的视觉方案都有哪些？单目3D、双目3D汇总！
对于自动驾驶应用来说，最终还是需要对3D场景进行感知。道理很简单，车辆不能靠着一张图像上得到感知结果来行驶，就算是人类司机也不能对着一张图像来开车。因为物体的距离和场景的和深度信息在2D感知结果上是体现不出来的，而这些信息才是自动驾驶系统对周围环境作出正确判断的关键。一般来说，自动驾驶车辆的视觉传感器（比如摄像头）安装在车身上方或者车内后视镜上。无论哪个位置，摄像头所得到的都是真实世界在透视视图（Perspective View）下的投影（世界坐标系到图像坐标系）。
2024-06-03 15:33:20
356
原创 端到端自动驾驶：数据、方法与展望
00 前言“端到端”，可以说是神经网络战胜传统算法的最重要法宝。一个训练好的神经网络，只需要部署在一个接受输入数据的模块里面，就可以直接输出该任务的最终结果，曾经让目标检测、语义分割、关键点检测等计算机视觉（现在已经不限于视觉了）无论是精度、速度还是模块本身的部署都有了划时代的进展。自动驾驶领域的研究者也一直在推进端到端的进展，但是因为自动驾驶的复杂性和对安全的高度要求，落地是非常困难的，所以几乎所有自动驾驶公司都不会在研发中考虑端到端的方式，而是分成了导航、定位、感知、预测、规划、控制等多个模块，然后按
2024-06-03 15:31:43
380
原创 自动驾驶技术的进化：从SLAM+DL到BEV+Transfomrer
首先，自动驾驶是一个 3D 或 BEV 感知问题。使用 BEV 视角可以提供更全面的场景信息，帮助车辆感知周围环境并做出准确决策。在传统的二维视角中，由于透视效应，物体可能会出现遮挡和比例问题，而 BEV 视角可以有效解决这些问题。与以往自动驾驶领域基于正视图或透视图进行检测、分割、跟踪等任务的大多数模型相比，BEV 表示法能使模型更好地识别遮挡的车辆，有利于后续模块（如预测、规划控制）的开发和部署。同时，它还能将二维图像特征精确转换为三维特征，并能将提取的 BEV 特征应用于不同的探测头。
2024-06-03 15:30:09
510
原创 大火的4D Radar数据集及基线模型汇总
4D Radar在自动驾驶领域中越来越受关注，在价格和功能上都有比较大的竞争力，相关研究也逐渐open，今天为大家盘点下开源的4D Radar数据，为相关科学研究提供保障！
2024-06-03 15:28:32
359
原创 自动驾驶-汽车CAN总线：总线不是很粗的线
由于汽车上的控制器越来越多，设置一条CAN总线可能会导致负载率过高，并且不同的控制器对于通讯速率的要求不尽相同，因此实际车辆上通常根据不同的功能部件将CAN总线分成几类，如动力CAN，车身CAN，底盘CAN等，不同的CAN总线通过网关交互信息。自动驾驶所需的雷达、摄像头、激光雷达相比于其他传统传感器，能够产生大量的数据，这些数据经过自动驾驶控制器的运算，最终输出指令控制车辆执行机构，这些指令目前也是通过CAN网络来传输的，因此熟悉CAN总线也算是自动驾驶的入门技能之一。不同的CAN总线通过网关交互。
2024-05-31 16:34:34
636
原创 人工智能：自动驾驶强力助推器
与感知机模型不同的是，Sigmoid Neuron的输出可以是0到1之间连续变化的任意实数，这样的好处是避免了信号传递过程中难以控制的跳变，神经网络参数的微小调整使得输出的变化也会是较小的，神经网络的学习会更加稳定。此外，人工智能在自动驾驶决策、规划、控制等方面的研究也方兴未艾。一张图像，经过一系列卷积层（Convolutional Layer）、修正线性单元 (ReLU)、池化（pooling）和完全连接层（Fully Connected Layer），最终得到输出，也就是得到图像的分类以及对应的概率。
2024-05-31 16:33:05
598
原创 自动驾驶-不得不说毫米波雷达
目前市场主流使用的车载毫米波雷达按照其频率的不同，主要可分为两种：24GHz毫米波雷达（严格来讲不是毫米波，因为它的波长在1cm左右，所以有时也叫厘米波）和77GHz毫米波雷达。毫米波雷达和摄像头一样，在单独工作时都需要运行目标检测和目标跟踪，不断提高这部分算法的可靠性和准确性是难点所在，同时，单传感器提供准确的检测信号也是后续融合信号是否会更加精准的基础，因此对于毫米波雷达和摄像头的数据处理算法开发，是需要大量的思考、设计、仿真和测试验证来持续改进的，这方面的技术水平国内外差距较大，任重而道远。
2024-05-31 16:31:34
355
原创 自动驾驶控制的目标：驾驶舒适平顺
20世纪60年代，人造地球卫星等空间技术的发展，控制系统多变量、非线性、高精度的特点使得自动控制发展出基于状态空间的现代控制理论，利用矩阵计算方法研究最优控制以及前面提到的卡尔曼滤波都属于现代控制理论的范畴。由于汽车中的控制对象往往具有很强的时变和非线性，输入和输出参数越来越多，因此有时也采用以状态空间为基础、用于多输入/输出、非线性时变系统的现代控制理论，例如最优控制、自适应控制、模糊控制、鲁棒控制等。因此，只要知道系统状态方程（A，B），设置合适的权重Q和R，就可以算出二次型最优控制矩阵K。
2024-05-31 16:29:21
968
原创 自动驾驶硬件架构
一般家用汽车安装的电子控制单元已达二十几个，高档汽车安装电子控制单元已达五十几个，这么多的控制器是通过一定的拓扑结构连接在一起的。传感器是一种能把物理量或化学量转变成电信号的器件，它的主要功能是利用安装在汽车各部位的信号转换装置，测量或检测汽车在各种运行状态下相关机件的工作参数，并将它们转换成计算机能接受的电信号后送给控制器进行运算处理。本篇简单介绍了汽车电子电气系统的组成、自动驾驶系统的感知层、决策层和执行层，每一层深入后都有大量的知识，每一层技术进步都会提高自动驾驶车辆性能。
2024-05-30 16:21:35
724
原创 自动驾驶算法软件架构介绍
自动驾驶技术是一个庞大的工程体系，软件架构、功能算法、控制规划、感知识别、建图定位、电气架构、车载控制器、验证体系等等，有太多的角度可以去切入。对于自动驾驶功能与算法开发，自动驾驶功能的分级是很重要的，自动驾驶的功能衍变就是随着自动驾驶功能的分级推进而不断发展。以上的软件架构图是目前主流L2功能的架构图，随着自动驾驶功能向着L3迈进以及NOP等L2.5 功能的出现，自动驾驶软件架构也出现了进一步的发现，目前主流的NOP架构可以参考下图。接下来这个框架图将感知、决策规划、控制这3个模块更加细致的展现。
2024-05-30 16:20:29
860
原创 自动驾驶Corner Case及其检测方法
自动驾驶不仅成为活跃的研究社区，而且是主流媒体报告的主要兴趣主题。由于深度学习技术的进步，这种智能车辆的视觉感知在过去十年中取得了长足的进步，但仍存在一些挑战。一个这样的挑战是检测极端情况Corner Case。它们是驾驶时发生的意外和未知的情况。传统的视觉感知方法通常无法检测到它们，因为在训练期间没有看到Corner Case。因此，它们的检测是高度安全关键的，检测方法可以应用于大量收集的数据以选择合适的训练数据。
2024-05-30 16:19:09
791
原创 AVM 环视拼接方法介绍
以下是视频中四个相机分别拍摄的原始画面，顺序依次为前、后、左、右，并命名为 front.png、back.png、left.png、right.png .你可以看到图中地面上铺了一张标定布，这个布的尺寸是 6mx10m，每个黑白方格的尺寸为 40cmx40cm，每个圆形图案所在的方格是 80cmx80cm。投影变换的通俗理解就是：假设同一个相机分别在A、B两个不同位置，以不同的位姿拍摄同一个平面（重点是拍摄平面，例如桌面、墙面、地平面），生成了两张图象，这两张图象之间的关系就叫做投影变换。
2024-05-30 16:17:31
827
VINS-Mono学习与程序解读(5)：estimator.processIMU.pdf
2024-05-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人