![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
自动驾驶
文章平均质量分 68
洌泉_就这样吧
Less is more.
展开
-
【论文翻译】nuPlan: A closed-loop ML-based planning benchmark for autonomous vehicles
论文链接:https://arxiv.org/pdf/2106.11810.pdf标题nuPlan: A closed-loop ML-based planning benchmark for autonomous vehiclesnuPlan:基于机器学习的闭环规划benchmark,用于自动驾驶车辆1 摘要/AbstractIn this work, we propose the world’s first closed-loop ML-based planning benchmark for原创 2022-05-07 19:01:17 · 2551 阅读 · 0 评论 -
智能网联汽车系统综述
Connected and automated vehicle systems: Introduction and overview By Steven E. Shladover (2017)智能化和网联化系统可以提升交通系统运行水平,但是大众媒体往往混淆了CV和AV的概念,本文旨在解释二者直接区别,并指出潜在的协同作用。CV发展已超过15年,通过DSRC的建设和应用来提升交通系统。AV发展此起披伏,目前已是第四波,由美国国防部项目推动,Google的入局引领发展。AV话题误导的原因之一在于不准确.原创 2022-04-11 18:02:34 · 899 阅读 · 0 评论 -
【自动驾驶决策规划】PRM算法
1 基于采样的路径规划方法路径搜索常用方式之一是基于网格的的方法(grid-based method),如A*算法,但基于网格的方法复杂度较高,与求解空间的维度相关,且得到的路径比较僵硬,对于车辆或移动机器人来说都不是很友好。另外一种路径规划是基于采样的方法(sampling method),包括以下模块:随机或确定性选择函数,在采样空间确定点采样评估函数,来选择合适采样点距离函数,确定待扩展点与当前之间的距离这些模块可以构建出图或树结构来探索可行域内的可行轨迹。采样方法不是以最优为目的原创 2022-04-07 11:37:43 · 2702 阅读 · 0 评论 -
【自动驾驶决策规划】RRT算法
1 基于采样的路径规划方法路径搜索常用方式之一是基于网格的的方法(grid-based method),如A*算法,但基于网格的方法复杂度较高,与求解空间的维度相关,且得到的路径比较僵硬,对于车辆或移动机器人来说都不是很友好。另外一种路径规划是基于采样的方法(sampling method),包括以下模块:随机或确定性选择函数,在采样空间确定点采样评估函数,来选择合适采样点距离函数,确定待扩展点与当前之间的距离这些模块可以构建出图或树结构来探索可行域内的可行轨迹。采样方法不是以最优为目的原创 2022-04-02 14:45:56 · 1909 阅读 · 0 评论 -
自动驾驶相关的期刊和会议
期刊/会议主页:交通方向:Transportation Research Part C: Emerging TechnologiesIEEE Transactions on Intelligent Transportation SystemsIEEE Intelligent Transportation Systems Conference (ITSC)安全方向:Safety ScienceAccident Analysis & Prevention人工智能方向:C原创 2022-03-25 14:03:25 · 4994 阅读 · 0 评论 -
轻量级交通仿真——Flow
Flow简介由UC BERKELEY Prof. Alexandre Bayen团队所开发的交通控制基础框架,可以提供交通控制场景、设计和定制工具,整合深度强化学习和微观交通仿真库。Flow 教程github链接:https://github.com/flow-project/flow/blob/master/tutorials/README.md#flow-tutorials教程Tutorial 0: High-level introduction to Flow. 高层说明Flow构建交通原创 2021-12-23 09:01:37 · 1145 阅读 · 0 评论 -
交通期刊排名(2021.6更新)
来源:Web Of Science转载 2021-09-23 10:46:22 · 1421 阅读 · 0 评论 -
增强3GPP支持V2X场景 Release 16
原文下载:#GPP TS 22.186 V16.20(2019-06)1. 标准范围标准支持安全和非安全的V2X场景与安全相关的V2X场景:例如,自动驾驶,车辆编队非安全相关的V2X场景:例如,移动高数据率娱乐,移动热点/办公/居家,动态数字地图更新2. 定义端到端延迟(End-to-End latency):从source到destination的数据传播时间,通过应用层进行衡量可靠性(Reliability,%):在特定delay之内传输X比特信息的成功概率路侧单元(Ro原创 2021-09-05 10:22:53 · 511 阅读 · 0 评论 -
Apollo感知框架
Apollo感知框架也是基于主流的三种车载传感器:摄像头、激光雷达、毫米波雷达摄像头采集图像数据,优点是检测范围广,可以识别交通标志信息,缺点是在光线不足的场景识别精度会下降,而且不能检测距离激光雷达采集的是点云数据,优点是检测精度最高,缺点是价格昂贵,容易受到雨雪天气影响,数据存储和处理困难,检测范围比摄像头小,不能识别交通标志信息毫米波雷达能检测距离,优点是应用较为广泛,不受天气影响,缺点是检测精度不如激光雷达,不能识别交通标志信息,对于横向车辆的检测精度低,因“静态杂波滤除”的作用对静止障碍.原创 2021-07-13 16:42:38 · 370 阅读 · 0 评论 -
CVPR 2021 自动驾驶相关论文解读
论文列表来源:https://zhuanlan.zhihu.com/p/382419598场景生成SceneGen: Learning to Generate Realistic Traffic Scenes基于神经自回归模型的场景生成器SceneGen考虑车辆状态、高精地图,添加场景元素采用传感器仿真器可以模拟真实世界场景...原创 2021-07-12 15:25:39 · 3491 阅读 · 2 评论 -
SAE J3016 自动驾驶分级定义 2021年4月更新
2021年4月30日,SAE International 宣布了一项重要更新,随着驾驶自动化的迅速发展,备受业内关注和广泛引用参考的《SAE J3016™推荐实践:道路机动车辆驾驶自动化系统相关术语的分类和定义》与 ISO-国际标准化组织合作制定的更新版正式对外发布(通常称为《SAE 驾驶自动化分级》)。SAE J3016 提供了有关于6个驾驶自动化分级具有支持性术语和定义的分类。SAE驾驶自动化分级的范围分为从L0级的无驾驶自动化到L5级的完全驾驶自动化(针对在道路上行驶的机动车)。更新版的《SAE驾.转载 2021-05-07 10:18:33 · 1828 阅读 · 0 评论