自动驾驶
文章平均质量分 85
David-Chow
知行合一,砥礪前行,腳踏實地,精益求精
展开
-
详解可变形注意力模块(Deformable Attention Module)
Deformable Attention(可变形注意力)首先在2020年10月初商汤研究院的《Deformable DETR: Deformable Transformers for End-to-End Object Detection》论文中提出,在2022CVPR中《Vision Transformer with Deformable Attention》提出应用了Deformable Attention(可变形自注意力)机制的通用视觉Transformer骨干网络DAT(Deformable Att原创 2023-02-20 14:21:35 · 13042 阅读 · 1 评论 -
自动驾驶中应用Transformer的单目 BEV 感知
Monocular BEV Perception with Transformers in Autonomous DrivingA review of academic literature and industry practice as of late 2021作者:Patrick Langechuan Liu原文地址:https://towardsdatascience.com/monocular-bev-perception-with-transformers-in-autonomo.转载 2022-01-25 11:20:27 · 3175 阅读 · 1 评论 -
Apollo 6.0 参考线 ReferenceLine 生成
简介参考线在apollo中起到了关键的承上启下的作用。它收集了上游路由,高精地图,定位等模块的信息,整合后生成一段基于车道中心线的平滑的路径,输送给下游决策规划控制模块使用。在阅读了几遍源码和网上的介绍后,我想要整理出一版参考线生成的简化版本。主要参考的还是下面这个链接。pnc_map模块(规划与控制地图)_lzw0107的博客-CSDN博客blog.csdn.net/lzw0107/article/details/107814610#t1正在上传…重新上传取消https://lin转载 2021-12-30 12:29:49 · 4873 阅读 · 0 评论 -
LiDAR基础、数据处理、领域任务及处理软件、开源库汇总
一、LiDAR 基础与入门1. 激光雷达定义 Light Deteation and Ranging激光探测及测距系统的简称,用激光器作为发射光源,采用光电探测技术手段的主动遥感设备。 2. 优缺点(1)优点 具有极高的分辨率 抗干扰能力强 获取的信息量丰富 可全天时工作 (2)缺点 容易受到大气条件以及工作环境的烟尘的影响 3. 分类(1)按原理分类: 三角测距激光雷达 ToF 激光雷达 (2)按功能分类:转载 2021-11-08 14:58:33 · 1641 阅读 · 1 评论 -
【3D目标检测】PointPillars: Fast Encoders for 3D Object Detection from Point Clouds
参考:《pointpillar 维度分析:location loss》前言1. 为什么要做这个研究?作者认为采用3D卷积会大大降低处理速度,浪费计算资源。2. 实验方法是什么样的?•从俯视图划分成H×W个格子,每个格子作为一个柱子,共有P根非空的柱子,每个柱子最大点数为N,每个点取D个维度,得到[D,P,N];•对每个柱子采用PointNet提取特征得到[C,P,N],再对点N最大池化为[C,P],P=H×W,因此得到2D伪图像[C,H,W];•使用top-down网络捕获不同.原创 2021-09-22 16:51:09 · 334 阅读 · 0 评论 -
TensorRT及PyCUDA安装记录
一、PyCUDA安装记录 环境版本说明:Ubuntu 16.04 LTSpython3.6CUDA11.0cuDNN8.0Pytorch 1.7Tensorflow(GPU) 2.4.0numpy 1.17.50、PyCUDA介绍 Nvidia的CUDA 架构为我们提供了一种便捷的方式来直接操纵GPU 并进行编程,但是...原创 2021-09-15 16:35:14 · 974 阅读 · 1 评论 -
雅克比(Jacobian)矩阵及其在神经网络梯度计算中的应用
资料《Jacobian矩阵和梯度矩阵》《Computing Neural Network Gradients》(PDF)介绍原创 2020-06-05 11:03:09 · 2814 阅读 · 0 评论 -
交通流仿真建模 | 由数据驱动的建模方法
本节主要介绍基于数据驱动的交通流建模方法,主要包括真实数据收集和建模方法两个方面。真实数据收集交通传感器有几种形式[lbh10,Led08]。举几个例子,一个固定的传感器是感应环探测器,它通常被放置在高速公路和主要道路上,记录每辆经过的车辆的属性。另一个固定的传感器是摄像机,它也用于监控交通。除了固定的传感器,移动传感器也无处不在:手机和GPS设备被用来记录车辆的速度和位置自20世纪60年代初引入感应环探测器以来,它已经成为使用最多的传感器[AKH 12, KMGK06]。它可以检测通过或到达转载 2020-06-05 10:03:31 · 3718 阅读 · 1 评论 -
自动驾驶通信中间件
对不同自动驾驶系统所用的通信中间件比较感兴趣。但直接相关的资料比较少。最近看了两篇比较早的论文,大致先总结下里面的内容,之后再逐渐往上补充内容。为什么需要通信中间件现代基本的软件设计原则是模块化。模块化可以提高可维护性、代码重用性并隔离故障。例如,一个大型机器人系统可以分解成特定的任务,如数据采集、状态估计、任务规划等。为了完成它们的任务,模块必须与其他模块交换信息。在现代操作系统中,将单个模块映射到软件进程非常方便,这些进程可以位于相同的计算设备上,也可以位于物理上独立的计算设备上。这就把信息交换转载 2020-06-05 09:33:01 · 2164 阅读 · 0 评论 -
轨迹向量(Trajectory Embedding)的理解
名词解释轨迹向量:英文为Trajectory Embedding,是词向量(word embedding)[1,2]的扩展领域。词向量也就是将一个词表示为固定长度的数值向量,并且可以从该嵌入向量中学习到共现字(co-occurrence of words)。相关文献:文献[1]提出了用于下一地点推荐系统中的基于时间感知的轨迹嵌入模型,用于解决序列信息和数据稀疏问题;文献[2]使用时空语义神...原创 2020-03-29 18:31:22 · 2849 阅读 · 1 评论 -
自动驾驶中的行人及车辆行为意图建模、预测及规划总结
1行人的行为意图建模和预测主要的论述文章包括:(1)行人的行为意图建模和预测(上);(2)行人的行为意图建模和预测(下);(3)自动驾驶中路上行人的行为和意图理解及预测;上面文章基本对目前主流的对行人的行为意图预测(即对行人进行轨迹预测)的文章进行了阐述。简单的归纳分析:和驾驶行为一样,不确定性和多模态是行人行为建模的挑战; 大多方法采用递归神经网络,如RNN/LS...原创 2020-03-27 18:13:32 · 7403 阅读 · 0 评论 -
自动驾驶中的时空坐标系
简介介绍自动驾驶技术中几种常用的坐标系统,以及他们之间如何完成关联和转换,最终构建出统一的环境模型。所谓时空坐标系,包括三维空间坐标系和一维时间坐标系。在此基础上,用解析的形式(坐标)把物体在空间和时间的位置、姿态表示出来。一般三维空间坐标系用三个正交轴表示物体的位置,用绕这三个正交轴的旋转角度(roll......原创 2019-12-03 09:40:23 · 2624 阅读 · 1 评论 -
交通术语
并道 merging并道的英文为merging,包括我们口语中的换道(lane changing)和汇流(merging),统称为并道。(1) 换道 lane chaging指存在多个并行道路,车辆越线换道,示意图:(2) 汇流merging指前方车道减少,车辆需要汇集,有以下场景示意图(部分):a.lanes endingb.lane...原创 2019-11-20 17:46:30 · 615 阅读 · 0 评论 -
Frenet坐标系相关知识系统学习
一、Frenet坐标系简介二、Frenet坐标系与全局坐标系的转换可以基于Frenet坐标系,报据自动驾驶车辆的始末状态,利用五次多项式建立自动驾驶车辆轨迹规划模型,并建立各个场景下的轨迹质量评估函数。三、深入学习《硕士论文-基于Frenet坐标系采样的自动驾驶轨迹规划算法研究》《Optimal Trajectory Generation for Dynami...原创 2019-10-31 10:43:05 · 37524 阅读 · 13 评论