gotonote的博客

传统标定法的标定板是需要三维的，需要非常精确，这很难制作，而张正友教授提出的方法介于传统标定法和自标定法之间，但克服了传统标定法需要的高精度标定物的缺点，而仅需使用一个打印出来的棋盘格就可以。理论上镜头的畸变包括径向畸变和切向畸变，切向畸变影响较小，通常只考虑径向畸变，而且在径向畸变的求解中，仅考虑了起主导的二元泰勒级数展开的前两个系数。矩阵中未知的5个参数。相机标定指建立相机图像像素位置与场景点位置之间的关系，根据相机成像模型，由特征点在图像中坐标与世界坐标的对应关系，求解相机模型的参数。

相机内参标定主要是为了获取相机本身的性质参数，包括相机的焦距，光心以及畸变参数等

V2X(Vehicle-to-Everything)，是车和外界进行通信互联的技术。V2X是车联网的重要组成部分，主要目的是为了保障道路安全、提高交通效率和节省汽车能源

大部分的无人驾驶计算平台都采用了异构平台的设计，无人驾驶车在CPU上运行操作系统和处理通用计算任务，在GPU上运行深度模型感知任务

惯性测量单元IMU（Inertial Measurement Unit）。是一种用来测量物体三轴姿态角（或角速率）以及加速度的装置。一般IMU包括三轴陀螺仪及三轴加速度计，某些9轴IMU还包括三轴磁力计

GPS导航系统具备全天候服务能力，不受天气影响，全球覆盖，定位速度快，精度高，应用广泛，已形成了庞大的空间导航定位产业链

超声波雷达的工作原理是通过超声波发射装置向外发出超声波，到通过接收器接收到发送过来超声波时的时间差来测算距离

摄像头是目前自动驾驶车中应用和研究最广泛的传感器，其采集图像的过程最接近人类视觉系统。基于图像的物体检测和识别技术已经相当成熟，随着近几年深度学习的发展，基于深度学习的视觉感知算法已大量应用于实际生活和生产中，在某些任务上甚至已经超越人类水平。在自动驾驶车上，一般会安装多个摄像头，兼顾不同的视角和任务

毫米波雷达的体积小，相比于激光有更强的穿透性，能够轻松地穿透保险杠上的塑料，因此常被安装在汽车的保险杠内，安装之后对汽车外观的影响不大；毫米波雷达也有局限性，雨、雾和湿雪等高潮湿环境的衰减，以及大功率器件和插损的影响降低了毫米波雷达的探测距离，特别是垂直角度；毫米波的波长介于微波和厘米波之间，因此毫米波雷达兼有微波雷达和光电雷达的一些优点。毫米波雷达的原理是通过发射电磁波，然后接收反射回来的信号，通过电磁波返回的时间差计算目标的相对距离，通过多普勒效应产生的频率偏移来计算目标的相对速度。

激光雷达是自动驾驶领域非常依赖的传感器，越来越多的自动驾驶公司看好激光雷达的应用前景。激光雷达是实现更高级别自动驾驶（L3级别以上），以及更高安全性的良好途径，相比于毫米波雷达，激光雷达的分辨率更高、稳定性更好、三维数据也更可靠

强化学习又称增强学习，是指一类从与环境交互中不断学习的问题以及解决这类问题的方法

神经网络架构搜索（NAS）是一种自动搜索最优神经网络架构的方法。通过使用NAS，研究人员可以避免手动设计网络架构的繁琐过程，从而节省时间和精力

NLP是自然语言处理(Natural Language Processing)的英文缩写，它是指用计算机对自然语言的形、音、义等信息进行处理，即对字、词、句、篇章的输入、输出、识别、分析、理解、生成等的操作和加工

Transformer由编码器和解码器结构组成，编码器由自注意模块和前馈网络组成；解码器则与编码器类似，但在自注意模块和前馈网络中间由插入了一层编解码器注意力模块。更多请查看详情...

nuScenes数据集使用了两辆传感器配置相同的雷诺电动车进行采集，采集地点为波士顿和新加坡，这两个城市以交通密集和驾驶场景复杂闻名。整个数据集包含了由人工挑选的84段log，时长约15小时，距离约242km，平均车速16km/h。数据场景覆盖了城市、住宅区、郊区、工业区各个场景，也涵盖了白天、黑夜、晴天、雨天、多云等不同时段不同天气状况。最终数据集分为1000个片段，每个片段约20s。

Argoverse是一个大规模的自动驾驶数据集，由Argo AI公司发布。它包含了多个城市和天气条件下的驾驶数据，包括激光雷达、相机、GPS、IMU等多种传感器数据

NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

在自动驾驶和机器人的多传感器融合定位算法中，想要获得鲁棒的、连续的、精确的全局定位结果，通常会充分利用各个传感器和模型，比如 GNSS/IMU/轮速编码器/载体模型/camera/LiDAR/高精地图，这其中会涉及到两大类坐标系，一个是常见的全局坐标系，另一个是局部坐标系

透视效应的存在，本来平行的事物，在图像中确实相交的。而IPM变换就是消除这种透视效应，所以也叫逆透视。

卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰，卡尔曼滤波通常也能很好的弄清楚究竟发生了什么，找出现象间不易察觉的相关性。因此卡尔曼滤波非常适合不断变化的系统，它的优点还有内存占用较小（只需保留前一个状态）、速度快，是实时问题和嵌入式系统的理想选择

针孔相机模型，包含四个坐标系：物理成像坐标系、像素坐标系、相机坐标系、世界坐标系。相机参数包含：内参、外参、畸变参数。

刚体变换、欧式变换、相似变换、仿射变换、透视变换

全网最全自动驾驶文档，建议收藏