10点43的博客

作者介绍：https://zhuanlan.zhihu.com/p/157530787

在上一篇博文《动手学无人驾驶（5）：多传感器数据融合》介绍了如何使用Radar和LiDAR数据对自行车进行追踪，这是对汽车外界运动物体进行定位。对于自动驾驶的汽车来说，有时也需要对自身进行更精确的定位，今天就介绍如何使用IMU和GPS进行自车定位（因为在上一篇文章中对kalman和Extend Kalman原理进行了比较详细的介绍，本文中理论部分不会再介绍的这么详细了，有需要的话可以回看上文）。本文参考了Coursera自动驾驶课程项目，在此表示感谢。大家可以先看看下面这个视频，对本项目要介绍的..

本系列的前4篇文章主要介绍了深度学习技术在无人驾驶环境感知中的应用，包括交通标志识别，2D与3D目标检测。在本文中将会介绍无人驾驶的定位部分，我们将使用仿真的Radar和LiDAR数据对自行车进行追踪。这里使用到了两种传感器数据，因此我们需要进行数据融合，同时由于两种传感器工作原理不同，我们需要分别应用卡尔曼滤波与扩展卡尔曼滤波技术。本文主要参考Udacity《无人驾驶工程师》课程相关项目。文章目录1.毫米波雷达简介2.激光雷达简介3.卡尔曼滤波原理3.1 预测3.2 更新4.扩展卡尔曼滤波原理5..

上一篇文章《动手学无人驾驶（3）：基于激光雷达3D多目标追踪》介绍了3D多目标追踪，多目标追踪里使用的传感器数据为激光雷达检测到的数据，本文介绍如何基于激光雷达点云数据进行目标检测。...

上一篇博客介绍了无人驾驶中的车辆检测（YOLO模型），该检测是基于摄像头（Camera）进行的2D目标检测。在无人驾驶感知传感器中还有另一种重要的传感器：激光雷达。今天就介绍一篇无人驾驶中基于激光雷达的3D多目标追踪论文，使用的数据集是KITTI数据集，目标检测算法是PointRCNN。该3D多目标追踪系统不需要使用GPU且取得了最快处理速度（214.7FPS）。论文地址：A Baseline...

上一篇博客介绍了无人驾驶中深度学习在交通标志识别中的应用（动手学无人驾驶（1）：交通标志识别）。本文介绍如何使用深度学习进行车辆检测，使用到的模型是YOLO模型，关于YOLO模型的具体检测原理，可以参考吴恩达老师的深度学习课程视频。课程链接是：https://www.deeplearning.ai/deep-learning-specialization/。之前的一篇博客中也对YOLO的...

今天主要介绍无人驾驶当中深度学习技术的应用。本文是根据博客专家AdamShan的文章整理而来，在此表示感谢。关于深度学习的图像分类技术，网上已有很多关于深度学习的课程（如吴恩达老师的深度学习专项课程），故本文不对理论部分进行阐述，只关注实践部分，用到的深度学习框架是keras。关于keras框架的学习，之前转载了一篇黄海广博士的文章，是很不错的学习书籍。首发：深度学习入门宝典-《pyth...