yhwang-hub
还是什么也不写吧
展开
-
A ConvNet for the 2020s(论文翻译)
A ConvNet for the 2020sAddressAbstract1. IntroductionAddresshttps://github.com/facebookresearch/ConvNeXthttps://arxiv.org/pdf/2201.03545.pdfAbstractViT伴随着视觉的“20年代”咆哮而来,它迅速取代了 ConvNets,成为最先进的图像分类模型。另一方面,常规的 ViT 在应用于目标检测和语义分割等一般计算机视觉任务时面临困难。正是分层 Transfo原创 2022-01-22 20:57:30 · 3032 阅读 · 0 评论 -
本菜鸡的秋招经验总结
本菜鸡的秋招经验总结前言-写在前面制作简历项目和实习经历描述关键点简历制作注意点事项简历格式做好简历review简历相关问题准备工作面试分类及侧重点考察面试过程中的注意事项关于实习狗血的面试经历结语前言-写在前面在正式开写之前首先要感谢在我找工作过程中对我有过帮助的人!非常感谢彭方想师兄提供的简历模板,这套模板我一直用到了最后!非常感谢王振兴师兄提供的简历,让我明白了该怎样写好一份算法相关的简历,王振兴师兄真的是非常热情,为我提供了很多资料,无论是当初实习交接项目还是后面我正式开始找工作有问题向他请原创 2021-02-12 17:59:06 · 3004 阅读 · 4 评论 -
Advanced控制理论_状态预测器设计
原创 2019-06-20 21:59:33 · 502 阅读 · 1 评论 -
PID控制算法
PID控制算法是一个在工业控制应用中常见的反馈回路算法,它把收集到的数据和一个参考值进行比较,然后把这个差别用于计算新的输入值,从而使得整个系统更加准确而稳定。PID控制算法由比例单元(Proportional)、积分单元(Integral)和微分单元(Derivative)三部分组成,通过这三个单元的增益, Kp,KI和Kd来达到理想的控制效果。PID主要适用于基本上线性,且动态特性不随时间变化的系统。下面我们主要了解PID控制算法的细节及其在机器人/自动驾驶领域的应用。在机器人/自动驾驶领域,原创 2020-10-04 14:10:17 · 570 阅读 · 0 评论 -
在Jetson Nano中使用TensorRT加速yolov3-tiny进行目标识别
Jetson Nano使用TensorRT加速yolov3-tiny目标识别前言环境准备运行TRT-yolov3测试(识别))前言Jetson nano运行yolov3-tiny模型,在没有使用tensorRT优化加速的情况下,达不到实时检测识别的效果,比较卡顿。英伟达官方给出,使用了tensorRT优化加速之后,帧率能达到25fps。本文详细介绍了在nano上怎么用tensorRT优化模型。环境准备安装protobufsudo pip3 install -i https://pypi原创 2021-02-08 21:07:06 · 886 阅读 · 1 评论 -
Ubuntu16.04环境下STM32和ROS间的串口通信
目录前言介绍<1> 最终协议的样子<2> 本方案提供的API实现的功能原理<1> 简要叙述<2> 这里是如何使用共用体的?前期准备<1> 确保硬件连接<2> 查看串口设备方法<3> 串口权限设置方法代码部署<1> STM32端<2>ROS端代码测试<1>确保设备连接:<2>打开新终端,启动ros master<3>打开新终端,启动测试功能包参考文献前言在实际的数转载 2020-12-13 13:16:28 · 2207 阅读 · 3 评论 -
环视拼接系统中的光照均一化处理
由于四路鱼眼摄像头在CMOS传感器的噪音,快门速度,曝光时间抖动等之间存在一定的差异,特别是在感光度上,另外每个摄像头装置在车身的前后左右四个方向,对于汽车来说每个方向的场景光照亮度都存在不同,有的地方光度非常亮,有的却十分阴暗,这样极容易造成驾驶员视觉上观察的困难,对于车身周边情况观察不清晰。经拼接缝融合出来后,虽然拼接缝消除,但是在拼接缝两边的区域图像都存在一定的光照差异,使得映射后两图的存在颜色差异,因此我们需要对拼接融合处理后的图片进行光照均一化处理。光照不均匀的补偿方法有多种,如图像直方图均衡化原创 2020-10-16 19:24:21 · 1375 阅读 · 0 评论 -
张正友标定法-完整学习笔记-从原理到实战
文章目录(零)前言:1 为什么需要标定?2 相机标定的已知条件和待求解是什么?标定前的已知条件:待求信息:(一)概念介绍和成像几何模型1.张正友标定处于什么水平,为啥提到相机标定,就不得不提他张博士的方法?2 简单介绍张博士----张氏标定法发明人3【WHY:为什么要进行相机标定?】4【HOW:相机标定的原理】在这里我们先引入「棋盘」的概念:1.从世界坐标系到相机坐标系(零)前言:1 为什么需要标定?我们拿到一个新的相机,用来拍照,将三维世界的信息,投影到二维平面,得到一张RGB图像。一般来说,小原创 2020-10-16 10:06:41 · 971 阅读 · 0 评论 -
TCP/IP UDP面试问题总结
TCP/IP UDP面试问题总结2.详细说一下TCP协议,三次握手传输的内容?四次挥手的内容?13种状态3.TCP为啥挥手要比握手多一次?△4.为什么一定进行三次握手?5.TCP与UDP的区别?应用场景都有哪些?6.为什么UDP有时比TCP更有优势?7.UDP中一个包的大小最大能多大8.TCP 粘包9.传输层功能10.TCP可靠性保证11.拥塞控制12.TCP流量控制13.流量控制与拥塞控制的区别?14.time_wait与close_wait,time_wait状态持续多长时间?为什么会有time_wai原创 2020-10-06 17:34:45 · 372 阅读 · 0 评论 -
透视变换与图像拼接
鸟瞰图生成原理:1、摄像机斜视拍摄一物体后,形成的图像会发生变形,如果将图像映射到拍摄物体平面上,相当于将相机垂直于拍摄平面,这样就会得到图像的真实形状。由于这种映射相当于将原图重新透视到另一个平面,这种称之为“重投影”。2、鸟瞰图的本质就是将图像平面中的信息“重投影”到地平面上,所以,首先要获取两个平面间的投影变换关系H。在程序中,是通过在地平面上放置标定板图像,然后获得地平面上棋盘格图像上四个顶点的坐标(0,0),(widht-1,0),(0,height -1),(wdith-1,height-1原创 2020-10-04 13:31:32 · 1250 阅读 · 0 评论 -
Linux面试问总结
Linux操作系统1.操作系统特点2.什么是进程3.进程4.进程与线程的区别5. 进程状态转换图6. 进程的创建过程?需要哪些函数?需要哪些数据结构?7. 进程创建子进程,fork详解8. 子进程和父进程怎么通信?9. 进程和作业的区别?10.死锁是什么?必要条件?如何解决?11.鸵鸟策略12.银行家算法13.进程间通信方式有几种,他们之间的区别是什么?14.线程同步的方式?怎么用?△15.页和段的区别?16.孤儿进程和僵尸进程的区别?怎么避免这两类进程?守护进程?17.守护进程是什么?怎么实现?18.线程原创 2020-10-02 20:21:51 · 241 阅读 · 0 评论 -
LInux面试问题总结
LInux面试问题总结1.Linux进程间通信2.socket网络编程面试题3.多线程和多进程的区别4.为什么每个线程都需要创建一个栈1.Linux进程间通信https://blog.csdn.net/qq_33287871/article/details/1083260512.socket网络编程面试题https://blog.csdn.net/qq_33287871/article/details/1082873843.多线程和多进程的区别https://blog.csdn.net/qq_3原创 2020-09-24 23:16:42 · 86 阅读 · 0 评论 -
数组索引的kdtree建立及简明快速的k近邻搜索方法
数组索引的kdtree建立及简明快速的k近邻搜索方法1. kdtree概念2. 建立kdtree3. k近邻搜索1. kdtree概念kd树(k-dimensional树的简称),是一种分割k维数据空间的数据结构,主要应用于多维空间关键数据的搜索,如范围搜索和最近邻搜索。如下图所示,在既定的分割维度上,每一个根节点的值均大于其左子树,并小于其右子树。这样的二叉树,对于搜索某个点的最临近点或k近邻点,是十分高效快速的。2. 建立kdtree建立kdtree,主要有两步操作:选择合适的分割维度,选择原创 2020-09-14 23:37:00 · 287 阅读 · 0 评论 -
Socket网络编程面试题
Socket网络编程面试题1、TCP和UDP的区别:2、流量控制和拥塞控制的实现机制:3、重传机制:4、滑动窗口机制:5、多线程如何同步:6、进程和线程的区别:7、进程间通讯的方式有哪些,各有什么优缺点:9、tcp断开连接的具体过程,其中每一步是为什么那么做:10、tcp建立连接和断开连接的各种过程中的状态转换细节:11、epoll与select的区别:12、epoll中et和lt的区别与实现原理:13、ThreadLocal与其它同步机制的比较:14、内存池、进程池、线程池:1、TCP和UDP的区别:原创 2020-08-28 22:12:28 · 1056 阅读 · 0 评论 -
笔试中遇到的问题
目录1、联合体和结构体大小1、联合体和结构体大小一、字节对齐的原因如果不按照适合平台的要求对数据存放进行对齐,则会在存取效率带来损失。假设某平台每次读取都从偶地址开始。若不对数据的存放进行对齐,则某些数据可能被存放于奇地址开始的地方。这种情况下,平台就需要2个读周期,并对两次读取的结果的高低字节进行拼凑,才可能得到该数据。显然效率下降很多。二、字节对齐的规则1.常见类型的对齐方式(默认)类型 对齐方式(变量存放的起始地址相对于结构的起始地址的偏移量)char 偏移量为 size原创 2020-08-27 00:43:34 · 1153 阅读 · 0 评论 -
C++基础面试问题总结
目录1.面向对象的特征?2.一个C++源文件从文本到可执行文件经历的过程?3.new和malloc的区别?4.虚函数是什么以及其作用?5.虚函数表是什么?6.什么函数不能声明为虚函数?构造函数为什么不能为虚函数?7.纯虚函数是什么?8.虚函数与纯虚函数的区别?9.简单描述虚继承与虚基类?10.简单描述多态?11.C++内存分为哪几块?12.简单介绍内存池?13.简单描述内存泄漏?14.内存中的堆与栈有什么区别?15.说几个C++11的新特性?16.简单介绍智能指针?17.shared_ptr 和 uniqu原创 2020-08-14 11:06:45 · 422 阅读 · 0 评论 -
秋招面试问题总结-视觉算法
1.YOLOv3对YOLOv2的改进:1.loss不同:作者v3替换了v3=2的softmax loss变成logistic loss,由于每个点所对应的bounding box少并且差异大,每个bounding与ground truth的matching策略变成了1对1.2.anchor bbox porior不同:v2的作者用了5个先验框,v3用了9个先验框,提高了IOU3.detection的策略不同:v2只有一个detection,v3一下子变成了3个,分别是一个下采样的,feature ma原创 2020-08-16 15:30:08 · 719 阅读 · 0 评论 -
图像特征提取与匹配技术
Feature detection and matchingGithub: https://github.com/williamhyin/SFND_2D_Feature_Tracking特征提取和匹配是许多计算机视觉应用中的一个重要任务,广泛运用在运动结构、图像检索、目标检测等领域。每个计算机视觉初学者最先了解的特征检测器几乎都是1988年发布的HARRIS。在之后的几十年时间内各种各样的特征检测器/描述符如雨后春笋般出现,特征检测的精度与速度都得到了提高。特征提取和匹配由关键点检测,关键点特征描述.原创 2020-07-16 17:28:12 · 438 阅读 · 0 评论 -
ros实现地面过滤+欧式聚类(boundingbox)
代码解析地面分割根据论文和开源代码进行了修改,主要实现过程是这样的.首先是对点云根据z值进行排序// 1. 复制一份点云pcl::PointCloud<VPoint> cloud_org(cloud_in); // 复制一份点云// cout << "点云复制完成" << endl;// 2.Sort on Z-axis valuesort(cloud_in.points.begin(), cloud_in.end(), point_cmp); //原创 2020-07-14 11:42:00 · 879 阅读 · 0 评论 -
传感器融合-SFND_3D_Object_Tracking源码解读(五)
matching2D_Student.cpp#include <numeric>#include "matching2D.hpp"using namespace std;// 根据几种匹配方法找到两张相机图像中关键点的最佳匹配void matchDescriptors(std::vector<cv::KeyPoint> &kPtsSource, std::vector<cv::KeyPoint> &kPtsRef, cv::Mat &原创 2020-06-14 17:03:51 · 371 阅读 · 0 评论 -
传感器融合-SFND_3D_Object_Tracking源码解读(四)
camFusion_Student.cpp#include <iostream>#include <algorithm>#include <numeric>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include "camFusion.hpp"#include "dataStructures.h"using names原创 2020-06-14 16:32:40 · 427 阅读 · 0 评论 -
传感器融合-SFND_3D_Object_Tracking源码解读(三)
lidarData.cpp#include <iostream>#include <algorithm>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include "lidarData.hpp"using namespace std;// 根据X,Y,Z的最小和最大值去除激光雷达点void cropLidarPoints(std::v原创 2020-06-13 23:08:20 · 327 阅读 · 0 评论 -
传感器融合-SFND_3D_Object_Tracking源码解读(二)
objectDetection2D.cpp此文件主要做的是在OpenCV上使用YOLOv3,YOLO是什么原理?我们可以把目标检测看成是目标定位和目标识别的结合。在传统的计算机视觉方法中,采用滑动窗口查找不同区域和大小的目标。因为这是消耗量较大的算法,通常假定目标的纵横比是固定的。早期的基于深度学习的目标检测算法,如R-CNN和快速R-CNN,采用选择型搜索(Selective Search)来缩小必须测试的边界框的数量(本文的边界框指的是,在预测到疑似所识别到的目标后,在图片上把对象框出的一个矩原创 2020-06-13 18:28:45 · 615 阅读 · 0 评论 -
传感器融合-Lidar and Radar Sensorfusion源码解读
1.完整代码地址:链接:https://pan.baidu.com/s/1bV7ImmrRmee7KBQRKdQX6Q提取码:x8hn2.理论部分:3.代码部分(1)初始化(initialization)使用Eigen库中非定长的数据结构,下图中的VerctorXd表示X维的列矩阵,其中的元素数据类型为double。#include "Eigen/Dense"class KalmanFilter {public: KalmanFilter(); ~KalmanFilt原创 2020-06-12 23:50:06 · 909 阅读 · 0 评论 -
传感器融合-SFND_3D_Object_Tracking源码解读(一)
1.FinalProject_Camera.cpp这个文件中存放的主要是主函数首先先放出需要用到的自定义结构体struct LidarPoint { // single lidar point in space double x,y,z,r; // x,y,z in [m], r is point reflectivity};struct BoundingBox { // bounding box around a classified object (contains both 2D a原创 2020-06-12 16:44:46 · 781 阅读 · 0 评论 -
传感器融合-SFND_3D_Object_Tracking环境配置
1.环境:cmake >= 2.8All OSes: click here for installation instructionsmake >= 4.1 (Linux, Mac), 3.81 (Windows)Linux: make is installed by default on most Linux distrosMac: install Xcode command line tools to get makeWindows: Click here for install原创 2020-06-11 10:56:17 · 834 阅读 · 1 评论 -
SFND_Lidar_Obstacle_Detection代码笔记
简介:激光雷达扫描得到的点云含有大部分地面点,这对后续障碍物点云的分类、识别和跟踪带来麻烦,所以需要将其分割掉。本章主要讲解点云的基础分割算法—RANSAC算法,通过例子分析其基本原理,然后讲解如何运用PCL实现RANSAC算法。RANSAC算法原理RANSAC (Random Sample Consensus) 随机采样一致性算法,其实就是想办法找出代表地面的平面。如下图所示,红色的点为打在地面上的点,红色的点为打在障碍物上的点。打在地面上的点基本上是处在一个平面上的,所以我们的目标就是找到这个平面原创 2020-05-26 01:02:18 · 1754 阅读 · 1 评论 -
基于激光雷达3D多目标追踪
无人驾驶中的目标检测分为2D目标检测和3D目标检测,2D目标检测常用的模型是YOLO模型,这篇文章介绍的是无人驾驶中基于激光雷达的3D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GPU且取得了最快处理速度(214.7FPS)论文地址:A Baseline for 3D Multi-Object TrackingGithub地址:https://github.com/xinshuoweng/AB3DMOT1.概述在自动驾驶或辅助机器人等实时原创 2020-07-03 22:34:49 · 2660 阅读 · 0 评论 -
KITTI数据集下载及解析
KITTI Dataset1 简介 KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办,是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo),光流(optical flow),视觉测距(visual odometry),3D物体检测(object detection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能。KITTI包含市区、乡村和高速公路等场景采集的真实图像数据,每张图像中最多达15辆车和30个行人,还有各.转载 2020-07-03 10:21:09 · 6902 阅读 · 5 评论 -
3D目标跟踪及防碰撞系统搭建
Collision detection model碰撞检测是自动驾驶安全的基石,是最后一道保险杠,需要大量的工程实践和测试才能确保碰撞检测功能的绝对安全和可靠。因此碰撞检测即使在整车厂,也是汽车工程师的一个重要的研究方向。在本文中,我会带大家了解经典基于摄像头的碰撞检测原理,以及使用激光雷达为碰撞检测功能提供冗余。现在让我们来了解下什么是碰撞检测。防碰撞系统(CAS) 是在行驶路径上和物体即将发生碰撞时,警告司机甚至触发紧急制动的主动安全系统。它允许汽车通过单一传感器或多传感器组合感知其他车辆,行人和障原创 2020-06-27 00:06:42 · 652 阅读 · 1 评论 -
UTM坐标和WGS84坐标转换
UTM坐标简介像橘子一样均匀地切成60个称为“区域”的部分,展平这些区域中的每个区域,通用横轴Mercator(UTM)投影;可以这样看:UTM区域是地球的6°区域,因为圆具有360°,这意味着地球上有60个UTM区域。比如:中国东部地区属于UTM Zone 50N,可以到官网找到目标地区的编号官网:http://www.dmap.co.uk/utmworld.htm原理图:X轴:指向东边、Y轴:指向北边、Z轴:指向天顶本坐标系采用三维直角坐标系来描述地球表面,实际应用较为困难,因此一般转载 2020-06-18 18:31:42 · 12265 阅读 · 0 评论 -
无人驾驶模型预测控制carSIM和MATLAB联合仿真
本例参照龚建伟的《无人驾驶车辆模型预测控制》书中第四章节1.carSIM软件介绍carSIM是由美国MSC公司开发的车辆动力学仿真软件,它可以方便灵活地定义实验环境和试验过程,准确预测和仿真汽车的操纵稳定性、动力性、平顺性等,适用于轿车、轻型货车等车型的建模仿真。2.仿真实例所用软件和环境:(1)carSIM8.02(2)正版MATLABR2019a(3)win10先进行车辆模型...原创 2019-08-03 21:52:27 · 23231 阅读 · 46 评论 -
视觉融合-相机校准与激光点云投影
Github: 添加链接描述像平面坐标系到像素坐标系的转换3D空间中的点在图像平面上的投影与我们在实际的数字图像中看到的并不直接对应, 实际的数字图像由数千个图片像素组成. 因此我们需要实现从图像平面到数字图像上的投影.在下图中相机中心是O点, 伴随着坐标系i,j,k. 其中k指向图像平面. 与k轴位置相交的C点被称为主点, 代表着图像平面的中心. 以主点为原点的右手平面坐标系o-xy为像平面坐标系.因此, 在空间上将点P投影到图像平面上之后的第一步是减去主点坐标, 以使离散图像具有其自身的坐标系,转载 2020-05-31 17:28:59 · 2402 阅读 · 0 评论 -
基于欧几里德聚类的激光雷达点云分割及ROS实现
在之前的博客https://blog.csdn.net/qq_33287871/article/details/106154735中复现了一种基于射线坡度阈值的地面分割方法,并且使用pcl_ros实现了一个简单的节点,在完成了点云的地面分割以后,为了使用激光雷达完成环境感知,我们通常会对非地面点云进行进一步的分割,换句话说,我们希望对地面以上的障碍物的点云进行聚类,通过聚类,我们可以检测出障碍物的边缘,并且使用3维的Bounding Box将障碍物从三维点云中框出来。本文将介绍一种基于欧几里德聚类的点云分割转载 2020-05-22 22:32:52 · 6881 阅读 · 2 评论 -
基于深度学习的实时激光雷达点云目标检测及ROS实现
本文是Adam博客"无人驾驶汽车系统入门(二十六)——基于深度学习的实时激光雷达点云目标检测及ROS实现"的复现环境准备:Ubuntu16.04ROS Kinetic简介:近年来,随着深度学习在图像视觉领域的发展,一类基于单纯的深度学习模型的点云目标检测方法被提出和应用,本文将详细介绍其中一种模型—SqueezeSeg,并且使用ROS实现该模型的实时目标检测。传统方法VS深度学习方法:实际上,在深度学习方法出现之前,基于点云的目标检测已经有一套比较成熟的处理流程:分割地面->点云聚类-&原创 2020-05-20 16:43:56 · 4521 阅读 · 0 评论 -
传感器-激光雷达
激光雷达,也称光学雷达(LIght Detection And Ranging)是激光探测与测距系统的简称,它通过测定传感器发射器与目标物体之间的传播距离,分析目标物体表面的反射能量大小、反射波谱的幅度、频率和相位等信息,从而呈现出目标物精确的三维结构信息。自上世纪60年代激光被发明不久,激光雷达就大规模发展起来。目前激光雷达厂商主要使用波长为905nm和1550nm的激光发射器,波长为1550纳米的光线不容易在人眼液体中传输,这意味着采用波长为1550纳米激光的激光雷达的功率可以相当高,而不会造成视网膜原创 2020-05-19 15:12:50 · 1840 阅读 · 0 评论 -
基于地面平面拟合的激光雷达地面分割方法和ROS实现
这篇博客是Adam的无人驾驶汽车系统入门(二十七)——基于地面平面拟合的激光雷达地面分割方法和ROS实现文章的复现地面平面拟合(Ground Plane Fitting)我们采用平面模型(Plane Model)来拟合当前的地面,通常来说,由于现实的地面并不是一个“完美的”平面,而且当距离较大时激光雷达会存在一定的测量噪声,单一的平面模型并不足以描述我们现实的地面。要很好的完成地面分割,就必须要处理存在一定坡度变化的地面的情况(不能将这种坡度的变化视为非地面,不能因为坡度的存在而引入噪声),一种简单的处转载 2020-05-18 09:43:09 · 3939 阅读 · 2 评论 -
激光雷达的地面-非地面分割和pcl_ros实践
此文是Adam博客的案例,学习ROS过程中的一次尝试,代码已经跑通环境Ubuntu16.04 + ROS Kinetic其中ROS在安装的时候选择full,安装full的话应该是把pcl相关的东西安装好了,因此在测试的时候并没有显示pcl相关的错误。下载好完整的代码:https://download.csdn.net/download/adamshan/10696443关于ROS-Kinetic的安装可以参考这篇博客:https://blog.csdn.net/qq_33287871/articl原创 2020-05-16 15:04:20 · 992 阅读 · 0 评论 -
激光雷达在自动驾驶中的应用
0. 前言本文将对激光雷达在自动驾驶领域的应用做一个整体的介绍, 所以每一部分不会特别深, 但是争取囊括激光雷达的所有"知识点".1. 硬件及工作原理首先对激光雷达工作原理, 可以根据下图某厂商的激光雷达性能参数分别介绍一下:1.1 测距原理常见的测距原理有如下几种:1.三角法测距;2.tof(time of flight) 飞行时间测量法;3.FMCW(Frequency Modulated Continuous Wave) 调频连续波, 这是毫米波雷达的主要测距方法, 所以除了测距还可以转载 2020-05-14 16:56:47 · 2250 阅读 · 0 评论 -
OpenDrive
VIRESVTD是一个完整的驱动仿真应用工具链。VTD是我们的工具箱,用于在基于道路和铁路的模拟范围内创建、配置、演示和评估虚拟环境。它用于ADAS和自动驾驶系统的开发,以及训练模拟器的核心。它涵盖了从3D内容的生成到复杂交通场景的模拟,最后到简化或物理驱动传感器的模拟。它用于SIL、DIL、VIL和HIL应用程序中,也可以作为包括第三方或自定义软件包在内的联合仿真进行操作。通过开放和模块化设计...原创 2020-05-08 00:29:43 · 1766 阅读 · 0 评论