目标检测YOLO系列从入门到精通技术详解100篇-【自动驾驶】激光雷达

最新推荐文章于 2024-03-18 00:30:00 发布
最新推荐文章于 2024-03-18 00:30:00 发布
阅读量1k 收藏 23
点赞数 22
分类专栏： AUTOSAR汽车电子嵌入式编程精讲300篇 文章标签： 自动驾驶 目标跟踪 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/getusushu/article/details/134206904
版权

目录

前言

几个高频面试题目

为什么毫米波雷达无法识别静态物体？

毫米波雷达传感器融合的困境

辅助驾驶功能对传感器融合错误的妥协

激光雷达与相机标定的时间戳同步问题

 触发输出

Strobe信号预输出时序

算法原理

激光雷达通过GMapping算法建图 

1 Gmapping算法

2 laser_scan_matcher库

3 使用Gmapping进行建图

激光雷达物体检测(chapter4)

1. 基本概念 

2. 点云数据库 

3. 物体检测算法

LiDAR长期定位的Range图在线杆状物提取方法

1 Range图生成

2 基于几何的杆状物提取器

3 利用伪标签训练基于学习的杆状物分割方法

4 基于杆状物的建图

5 蒙特卡罗定位

激光雷达与摄影测量相结合提高点云质量

应用案例

视觉激光雷达信息融合与联合标定

联合标定转换关系

联合标定

视觉与点云信息融合

image2points

points2image

 

前言

与雷达工作原理类似，激光雷达通过测量激光信号的时间差和相位差来确定距离，但其最大优势在于能够利用多谱勒成像技术，创建出目标清晰的 3D 图像。激光雷达通过发射和接收激光束，分析激光遇到目标对象后的折返时间，计算出到目标对象的相对距离（下图），并利用此过程中收集到的目标对象表面大量密集的点的三维坐标、反射率和纹理等信息，快速得到出被测目标的三维模型以及线、面、体等各种相关数据，建立三维点云图，绘制出环境地图，以达到环境感知的目的。由于光速非常快，飞行时间可能非常短，因此要求测量设备具备非常高的精度。从效果上来讲，激光雷达维度（线束）越多，测量精度越高，安全性就越高。

图片

激光雷达测距原理</

了解本专栏 订阅专栏 解锁全文
格图素书
关注
专栏目录
订阅专栏
【三维目标检测】Complex-Yolov4详解（一）： 数据处理
叶子的博客
06-01 6631
详细理解Complex-Yolo（Complex Yolov4）三维目标检测算法 — 数据处理（一） 前面分别介绍了基于点云的三维深度学习算法PointNet、PointNet++，和基于体素的三维深度学习算法VoxelNet。本节将开始介绍基于投影的三维深度学习算法Complex-Yolov4。三维投影算法主要思想是用激光雷达点云的鸟瞰图（BEV）和前视图（FV）作为模型输入，将三维点云转换为二维图片，早期工作开始于2017年的MV3D。 激光雷达点云的鸟瞰图和前视图的详细介绍请参考：和。 算法参考
目标检测YOLO实战应用案例100讲-【自动驾驶】激光雷达
最新发布
qq_36130719的博客
05-27 595
激光雷达作为现代精确测距和感知技术的关键组成部分，在近几年里取得了令人瞩目的发展。目前国内车规级激光雷达标准逐步趋于完善，伴随半固态式、固态式等技术不断革新，未来作为自动驾驶核心配置的发展潜力巨大。除此之外激光雷达也在机器人技术、智能制造等领域广泛应用，促使激光雷达市场不断增长。激光雷达技术路线多样，当前仍处于多技术路线并行阶段。技术路线有四个主要的维度：测距原理、光源、探测器、光束操纵。激光雷达主要包括激光发射、扫描系统、激光接收和信息处理四大系统，四个系统相辅相成。
YOLO没向3D低头 | YOLO-BEV问世，YOLO家族焕发新春？
CV_Autobot的博客
10-30 856
作者|AI视界引擎 编辑|AI视界引擎点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群本文只做学术分享，如有侵权，联系删文车辆感知系统旨在全面快速地解读周围环境，以提高安全性和导航性能。作者介绍了YOLO-BEV，这是一个高效的框架，利用独特的周围摄像机设置生成车辆环境的鸟瞰图。通过在战略位置安装8台摄像机，每个摄像机之间间隔...
【激光雷达3D（1）】【论文翻译】Complex-YOLO: An Euler-Region-Proposal for Real-time 3D Object Detection on Point
Hali_Botebie的博客
12-16 1591
YOLO复合体：关于Euler-Region-Proposal 点云上的实时3D对象检测
视觉感知——深度学习之YOLOv3算法
zhudj08的博客
02-21 6460
视觉感知——深度学习之YOLOv3算法1. 传感器融合2. 深度学习算法2.1 卷积神经网络CNN2.2 YOLO算法3. YOLO v3算法实践3.1 官方数据集参考3.2 环境配置3.3 算法调试3.4 识别输出4.参考学习的书目及论文 博主之前就写过关于一篇关于自动驾驶传感器感知技术的博文——《汽车电子技术——传感器感知技术》，正如博文中所说的自动驾驶涉及的相关的知识非常广博及复杂，必然不是一篇博文或一本书就可以说明白的。当时自己也是基于在传感器项目的部分研发支持工作及积累，主要简单的介绍和呈现了关于
目标检测YOLO实战应用案例100讲-基于毫米波雷达与摄像头协同的道路目标检测与识别
qq_36130719的博客
08-22 1367
自动驾驶技术主要依靠人工智能与多源信息协同处理[ 5]。在面对错综复杂的 道路环境时，智能汽车一般搭载多个传感器，收集不同传感器获取的环境及障碍 物信息，分析对自身行车有威胁的道路目标从而进行有效决策，控制车辆以避免 发生碰撞。因此这些不同质传感器的协同检测结果将直接影响后续的规划决策与 车辆控制。环境感知作为自动驾驶极其重要的一环，所使用的主流传感器有毫米波雷达、 超声波雷达、红外线传感器、摄像头以及激光雷达等。不同传感器都有各自优缺 点。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】SLAM（基础篇）
getusushu的博客
11-16 623
R3LIVE重建的彩色点云是要得到雷达在地图里面全环境的辐射信息，才能够重建出地图的纹理，且必须要求每个点覆盖到了才会有。然而，点云的密度有限，即不能在没有点的地方看着这个点，现有一种解决方案是重建地图的网格(mesh)模型，然后用相机得到图像RGB信息后贴到网格上，这样能够无损的去重建地图纹理。在这个背景下，做了一个在线激光雷达的实时定位和网格重建系统。主要贡献是完成了一个实时的、在线的网格重建。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】机器视觉
getusushu的博客
11-07 690
在单芯片相机中，传感器上两个或三个相邻线的输出被组合以生成RGB信号，而在三个或四个传感器相机中，来自物体的光被收集到一个棱镜中，该棱镜将RGB分量（和近红外（NIR）在四芯片相机中）用于单个传感器的同时检测。多传感器棱镜相机是一种强大的替代方案。结晶红外材料，例如硒化锌和氟化钙，具有高色散性能，但这些材料的机械强度远低于玻璃，而且价格也更高，因此，大多数SWIR镜头继续由具有抗反射涂层的玻璃制成。这种色散是一个可测量的量，会导致镜头产生色差，镜头的边缘会模糊物体的边缘，从而无法进行准确的机器视觉测量。
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】3D视觉
getusushu的博客
11-21 498
在3D相机中，取代光源的是激光发射器，通过复杂的光学系统设计，激光发射器发出的激光会形成一条直线，激光投射到物体表面就会形成反射，在光学系统的设计下，反射光会被镜头捕捉到，最后通过镜头反射到感光芯片上。下面我们来了解一下3D激光相机的测距原理，我司采用的是激光三角测距法，一般工业领域都是普遍采用这个方法，因为激光三角测距法的精度比较高，抗干扰能力也很强，此外，还有很多的测距方法，主要分为两个大类，分别是被动测量类和主动测量类。在传统的2D视觉中，一套详细的解决方案最基础的是相机、镜头、和光源。
点云从入门到精通技术详解100篇-基于激光雷达点云的三维目标检测
getusushu的博客
03-18 663
不受光照、雨雪等恶劣天气的影响，是一种理想的、简单高效的检测网络模型。点云数据通过投影，转化为鸟瞰图，进行三维目标检测的方法，可以预测目标的位置、各种数据，不仅包含三维点云数据，还包与之对应的含白天和黑夜场景下的图像数据，的降低，汽车的自动驾驶技术得到了飞速发展，在我们的日常生活中经常能看到该技。和非自动驾驶汽车相比，自动驾驶汽车存在诸多优点，纷纷聚焦战略，不断推出更加完善的自动驾驶汽车，同时与高等院校合作，推出自动。一些，虽然存在部分技术上的困难，但可操作性强，时间成本更低，一旦成功便可进。
基于YOLO的3D目标检测（激光雷达点云）课程设计
03-05
基于YOLO的3D目标检测（激光雷达点云）课程设计
激光雷达简介及物体检测（二）
jeffliu123的博客
09-22 3460
本文基于点云的物体检测的最相关类别有一个总览；它们在各自的数据表示、特征提取和检测网络的体系结构方面有所不同。了解一种可用的探测器是如何工作的，通过将激光雷达点云转换为鸟瞰视角，然后将强度、高度和点密度输入卷积神经网络来寻找车辆。最后，是如何使用召回率和精度来评估目标检测器的性能。
【lidar】基于YOLO的3D目标检测（激光雷达点云）课程设计
踟蹰横渡口,彳亍上滩舟。
03-05 2329
基于YOLO的3D目标检测（激光雷达点云）课程设计 代码+数据集下载地址：下载地址 Complex-YOLO Complex-YOLO: Real-time 3D Object Detection on Point Clouds pytorch Introduction This is an unofficial implementation of Complex-YOLO: Real-time 3D Object Detection on Point Clouds in pytorch. A l
激光雷达与相机融合（二）-----基于openCV的YOLO目标检测
张飞飞的博客
11-13 4937
代码解析 1.加载模型 // load image from file cv::Mat img = cv::imread("./images/img1.png"); // load class names from file string yoloBasePath = "./dat/yolo/"; string yoloClassesFile = yoloBasePath + "coco.names"; string yoloModelConfiguration =
激光雷达与相机融合（六）-------目标检测与跟踪ros实时版
张飞飞的博客
12-03 6605
在本部分中，将之前的优达学城的整套目标检测与跟踪算法改写为ros实时处理，但改写完成后利用我现有的数据包实时检测跟踪，并计算TTC，发现效果不尽人意啊。。。算法的鲁棒性整体较差，环境稍微复杂一点计算的碰撞时间就有问题，甚至为负值。另外在实际运行时，还会时不时出现core dumped内存泄漏的问题，不知道是哪里写的有问题，有同学发现错误欢迎留言交流，万分感谢。 大概讲解一下整套算法结构。 1.整体框架 这一部分的代码被我改写为一个ros package的形式，包名为ros_detection_trackin
YOLO： Real-Time Object Detection解读
FelixFuu的博客
06-11 5304
YOLO不同于RCNN系列分为region proposal和classification，YOLO是直接输出box位置和box所属的类别，整张图都是网络的输入，是个回归问题。YOLO的主要特点： 速度快，能够达到实时的要求。在 Titan X 的 GPU 上 能够达到 45 帧每秒。 使用全图作为 Context 信息，背景错误（把背景错认为物体）比较少。 泛化能力强。在自然图像上训练好的结果在艺
yolo 海思嵌入式_德国伊尔梅瑙工业大学提出新型「Complex-YOLO」，可实现点云上的「实时 3D 目标检测」...
weixin_39959126的博客
02-11 1359
来源：雷克世界@微信公众号原文链接：arxiv作者：Martin Simon、 Stefan Milz、Karl Amende、Horst-Michael Gross编译：KABUDA、EVA基于激光雷达的三维目标检测对于自动驾驶而言是不可避免的选择，因为它与对环境的理解直接相关，从而为预测和运动规划奠定了基础。对于除了自动化车辆之外的许多其他应用领域，例如增强现实、个人机器人或工业自动化，对实时...
目前大体可以确认的是，如果说不做目标检测（深度学习训练？或者YOLO这种）和三维激光雷达（点云数据特别多。没有独显GPU可能会卡），可以不用独显，可以用集显，也就是可以不用NX或者TX2，用普通x86
诗筱涵的博客
08-21 576
目前大体可以确认的是，如果说不做目标检测（深度学习训练？或者YOLO这种）和三维激光雷达（点云数据特别多。没有独显GPU可能会卡），可以不用独显，可以用集显，也就是可以不用NX或者TX2，用普通x86平台就可以了比如NUC。 这也是目前从高飞直播课和肖昆直播课都听过后的一个总结。 https://blog.csdn.net/sinat_16643223/article/details/119830990 高飞他们不做目标检测的话也是选用的x86平台，大疆妙算2C。 https://.
Yolo系列目标检测算法详解：从R-CNN到Faster R-CNN
R-CNN系列的发展展示了目标检测技术从基于区域的分步方法向更高效、端到端模型的转变，这些进展为后来的YOLO（You Only Look Once）系列算法奠定了基础，YOLO以其实时处理能力和高效率成为了目标检测领域的新里程碑...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

格图素书

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值