- 博客(19)
- 资源 (1)
- 收藏
- 关注
原创 自动驾驶技术路线:“多模态融合”VS“纯视觉”方案
当模型经过学习、优化、筛选后,便能进行高效可靠的推导,从而在相同的硬件水平下,新车的智驾能力能依靠软件迭代不断升级,最终和人眼一般无二,甚至超越人眼。纯视觉方案虽然能降低硬件成本,但是因为视觉三维图像的体像素占用的内存更多,需要更多运算能力,纯视觉方案的“总实现成本”却不一定比多传感器融合方案低。“纯视觉”方案要受制于AI的运算能力,带宽等,对算力平台以及算法性能的要求很高。最后的总结,从当前情况看纯视觉路线和激光雷达路线展示的智驾能力表现几乎没有差别,但从成本上来看,纯视觉的成本更可控,技术上限更高。
2024-07-17 15:07:14
482
原创 SLAM 07.后端-卡尔曼滤波
卡尔曼滤波本质上是一个数据融合算法,将具有同样测量目的、来自不同传感器、(可能) 具有不同单位 (unit) 的数据融合在一起,得到一个更精确的目的测量值。
2022-09-07 19:43:29
1233
1
原创 如何开发一款机器人
按照应用行业划分,机器人可分为工业机器人和服务机器人。工业机器人主要应用在工业领域,例如汽车制造和3C等行业应用较多。当前工业机器人主要是六轴机械臂,通过编程算法控制机械臂灵活精准运转。服务机器人主要应用在服务行业,例如炒菜机器人、手术机器人等。...
2022-08-17 16:01:22
2520
1
原创 SLAM 06.视觉里程计-3-直接法
直接法跳过了提取特征点的步骤。它构建一个优化问题,直接根据像素信息(通常是亮度),来估计相机的运动。这种方法省去了提特征的时间,然而代价则是,利用了所有信息之后,使得优化问题规模远远大于使用特征点的规模。因此,基于直接法的VO,多数需要GPU加速,才能做到实时化。...
2022-08-12 20:11:18
2181
原创 SLAM 05.视觉里程计-2-特征法
前端的实现主要是视觉里程计,通过多个图片之间的特征值匹配,进行地图重建,同时得到相机机身的定位。主要分为特征点法和直接法。
2022-07-27 14:19:58
1330
原创 SLAM 04.视觉里程计-1-相机模型
相机模型是理解视觉里程计之前的基础。本文主要是对高翔博士的《SLAM十四讲》的总结。视觉里程计就是要根据相机拍摄的多幅图像估计出机器人当前的位置,然后再重建地图。
2022-07-27 13:35:35
219
原创 SLAM 03.多传感器融合算法
传感器标定是自动驾驶的基本需求,一个车上装了多个/多种传感器,而它们之间的时间和空间关系需要统一,传感器数据的标定主要为了定位的准确性。
2022-07-27 12:45:24
2972
原创 SLAM 02.整体框架
SLAM是同步定位与地图构建(Simultaneous Localization And Mapping)的缩写,最早由Hugh Durrant-Whyte 和 John J.Leonard提出。**SLAM主要用于解决移动机器人在未知环境中运行时定位导航与地图构建的问题**。SLAM更像是一个概念而不是一个算法。 这里说的同步定位和地图构建,其中的定位是指机器人对自身的定位,包括当前的位姿(位置和姿态)。地图构建是对周围环境的的重建,一般是3D环境。同步定位和建图是同步进行的,没有先后顺序。这里就存
2022-07-22 18:14:52
2425
原创 SLAM 01.人类识别环境&路径的模型建立
我觉得很多人写的SLAM文章都太太复杂了,把场景、功能和技术问题混在一起。我就想很少谈技术,顺着人类的感知和思路去理解这个问题,然后通过计算机技术复现,这样分析起来就简单多了,所以写了此文。......
2022-06-23 17:35:20
920
原创 工业机器人概述
市场现状 机器人当前最主要的应用领域是工业机器人,主要应用在汽车制造行业和3C行业(电脑、通讯、消费电子)。最大的几个工业机器人厂商包括:日本安川、发那科、德国库卡、瑞士ABB。这几家厂商占据国内市场份额的70%,国内的机器人厂商只能吃剩下的30%残羹冷炙。即使这样,国内机器人厂商的主要零部件也要靠进口,这部分也要吞噬掉很多利润。汽车制造是标准化比较高的行业,并且是大规模工业化生产,所以能承担高昂机器人的成本。机器人干的工作包括:油漆,涂层和密封、电弧焊和点焊、物件抓取等。这个行业要求稳定性高,精
2022-05-11 16:16:44
1084
转载 自动驾驶汽车如何感知到周围环境?
传感器自动驾驶的汽车要眼观六耳听八方,那么就需要使用多种传感器,常用的传感器如下:激光雷达:根据发射和接收激光的时间差,按照光速计算出距离。因为激光的波长短,所以能够构造出被扫描物体的表面。但是因为激光不断发射,则需要有源,功耗大。激光雷达分为机械式:不断360度旋转扫描;另外就是多探头相控雷达:靠不同相位的变换扫描,也能达到360度角度的扫描效果,这种雷达寿命更长,是未来发展趋势。毫米波雷达:发射的毫米波,例如超声波。因为波长稍长,所以无法构造物体表面。摄像头:最常用的传感器,不必发射,只是接收
2022-05-11 14:29:27
1503
转载 深度传感器的三种技术对比分析
深度传感器的三种技术目前人们如果想探测环境深度信息,主要依赖于三种技术,分别是相机阵列, TOF(TIme of flight)技术,以及基于结构光的深度探测技术。结构光:接收器使用激光光源投射目标物,检测反射目标物的变形,以基于几何形状计算深度图。它必须扫描整个平面以获得需要时间的深度图,因此它是非常准确的。但是,此方法对环境亮度敏感,因此通常仅在黑暗或室内区域使用。飞行时间(ToF):ToF主要有两种方法。第一个很简单:激光源发出一个脉冲,传感器检测到该脉冲在目标物体上的反射,以记录其飞行时间
2022-02-16 12:03:22
695
转载 传感器科普系列:深度传感器
体感交互、远程遥控机器人、无人驾驶这些科幻的场景都离不开距离传感器,可以说传感器的性能就是如今虚拟与现实世界之间的瓶颈。通过挥手切换图片这种功能虽然已经实现但是效果还不理想。目前人们如果想探测环境深度信息,主要依赖于三种技术,分别是双目立体视觉,雷达探测,TOF(time of flight)技术,以及基于结构光的深度探测技术,本文主要介绍目前应用较为广泛的结构光技术。最著名的结构光产品就是微软kinect体感设备。随着精度是kinect100倍的leap motion出现,体感设备越来越成为关注热点,也
2022-02-16 12:02:18
1947
原创 对2021年度人工智能学习的一些总结
上年度在人工智能技术积累方面进步还是蛮大。首先是卷积神经网络(CNN),CNN在图像识别、目标检测方面应用最成熟。文章目录1 卷积神经网络1.1 图片分类网络1.2 图像分割网络1.3目标检测网络2 循环神经网络3:迁移学习4:生成对抗网络5:强化学习1 卷积神经网络围绕卷积神经网络出现了一大堆衍生的网络结构,例如:1.1 图片分类网络AlexNet、VGGNet、GoogLeNet、ResNet、ResNeXt、DenseNet、DPN(Dual Path Network)。1.2 图像分割网
2022-01-05 15:46:02
1827
原创 Could not load dynamic library ‘cudart64_110.dll‘; dlerror: cudart64_110.dll not found Ignore above
问题描述2021-12-11 22:03:37.094666: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'cudart64_110.dll'; dlerror: cudart64_110.dll not found2021-12-11 22:03:37.095079: I tensorflow/stream_executor/cuda/cudart_stu
2021-12-11 22:31:21
17940
5
原创 安装detectron2的一些坑
想安装detectron2这个目标检测框架,竟然不能直接用pip安装。只能按照安装手册运行如下命令:git clone https://github.com/facebookresearch/detectron2.gitpython -m pip install -e detectron2但是却出了问题:ninja出错问题就是ninja -v 出错,安装了ninja后还是出错,在本地目录下运行没问题,出错:subprocess.CalledProcessError: Command ‘[‘n
2021-12-11 21:50:53
4510
原创 肺结节检测的一些要点总结
肺结节检测实际上就是目标检测,但是有一些地方要注意。1:在二维平面图上检测不准,还需3D方式进行检测。2: 一个患者的片子可能包括几百张切片,重构为3D后占用内存很大,需要采用补丁输入的方式,就是把整个3d切分为mmm大小的小的立体3d输入。3:提升正例的比重,平衡输入训练数据。在训练数据中小的结节(小于3mm)的占据很大数量,如果不做处理,则训练出的网络偏向于小结节。但是大结节更能帮助判断病状,所以在可以增大对大结节的采样比例,例如采样时候大结节可以是小结节的几倍。4:hard negative
2021-09-14 19:04:07
709
1
原创 人工智能进入了瓶颈期?
在搞AI医疗的工作过程中遇到一些问题,进行了思考,这也是很多人工智能厂商面临的问题。现在的人工智能主要以深度神经网络为主,这是一种靠数据驱动的神经网络:模型可能相同,但是输入的数据不同,则训练出来的神经网络不同;以监督学习为主,需要大量的标签数据,没有高质量的数据AI就变成了无源之水。据说一些人工智能厂商的数据获取成本占据整个公司成本的30%左右。有一句笑话:“人工智能”已经变成了“智能人工”。就是说虽然号称人工智能,却还是需要靠智能的人类去标注数据,去教会AI学习。拿医疗领域来说,数据获取的成本非常
2021-08-29 18:01:05
299
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人