AgentPotato-CSDN博客

原创传感器融合与ACC控制系统

一、基于传感器融合的无人驾驶汽车（一）什么是多传感器融合？利用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程。常用的传感器有摄像头、激光雷达、毫米波雷达等。 1.大多数路面上行驶车辆内的传感器都是独立工作的，这意味着它们彼此之间几乎不交换

2020-10-08 11:23:40 2866 1

原创 (九) 画出KITTI本车行驶轨迹

一、两帧间计算距离和偏航原理为了在RVIZ中画出本车的轨迹，需要计算当前帧（frame）在本车坐标系下，其他帧（frame-1….n）下本车坐标系经过移动后的位置。车辆行驶时的偏航和平移可以看作是车辆坐标系的旋转和平移。如下图所示，先不考虑旋转，平移时第（frame）帧和第（frame-1）帧始终差一个d，这个d

2020-09-23 22:32:11 1802

进入python3环境(virtualenv)之后，先进入到catkin_workspace工作目录下，运行下面的source，然后再到相关的节点工作空间（如catkin_ws），就可以启动那些使用到cv_bridge库的相关节点了：#打开虚拟环境env_py3和进入catkin_workspace空间进行source。#workon env_py3cdcd catkin_workspace/#这里 --extend 参数的作用是让这次的路径配置不影响之前配置好的路径，否则这一次source会覆

2020-09-11 11:19:08 960

原创 ROS常用命令记录

/ROS版本Melodic*/roscorerosrun turtlesim turtlesim_node __name=‘turtle1’rosrun turtlesim turtle_teleop_key __name=‘turtle1’新建一个小乌龟rosservice call /spawn 3 3 0 ‘turtle’/常用命令行*****/rospack find turtlesimrosstack find ros_commrosls turtlesim #显示turtles

2020-09-11 11:17:05 325

原创基于多项式拟合和透视变换的车道线检测及曲率计算

基于多项式拟合和透视变换的车道线检测及曲率计算车道线的检测方法有很多，其中具有代表性的有霍夫变换检测车道线（直线检测效过较好但较容易出现错帧），详见：基于霍夫变换的车道线检测多项式拟合及透视变换检测车道线（可以较好的检测直道弯道，但实时性较差）深度学习模型检测车道线（泛化能力较强，检测效果好，但检测较慢）基于深度学习的车道线检测方法 &

2020-09-10 22:19:28 12180 15

原创（八）可视化KITTI标注的TrackID

一、KITTI 标注TrackID格式在Tracking文件中有一列为’track_id’ 这个ID是人为加注的，将同一个物体设定为一个永久的track_id在之后的探测中一直保持不变，因此可以使用track_id进行同一物体的路径跟踪，预测等功能。在本节中先完成在3D Bounding Box 上显示track_id的工作。二、使用Marker显示TrackID &nb

2020-09-07 15:45:16 1277

原创（七）可视化KITTI标注的3D BoundingBox

一、KITTI 标注3DBouding Box文件格式在以下网址下载已经标注好的文件，里面有20个场景的标注文件。寻找与自己对应场景的文件。比如我对应的为文档里的0004.txt 。　　可以从https://blog.csdn.net/qq_29931083/article/details/106460698 这里下载　　

2020-09-03 17:13:37 9692 7

原创（六）可视化KITTI标注的2D检测框

一、KITTI 标注文件格式在以下网址下载已经标注好的文件，里面有20个场景的标注文件。寻找与自己对应场景的文件。比如我对应的为文档里的0004.txt 。　　可以从https://blog.csdn.net/qq_29931083/article/details/106460698 这里下载　　通过Track

2020-09-02 21:22:51 1974 2

原创（五）ROS发布GPS数据

一、GPS数据格式从KITTI的readme文件中https://github.com/yanii/kitti-pcl/blob/master/KITTI_README.TXT可以看到GPS数据的格式，KITTI中的IMUS数据文件存在oxts文件夹下，以txt格式保存。　　GPS数据在IMU文件中的前三组，分别是 lat(latitude)维度，lon(longitude)经度和alt(altitude) 海拔，只可以通过topic发布出去，但无法可视化。　　通过Jupyter可以查看其中的GPS数

2020-09-02 20:54:49 4221

原创（四）可视化ＩＭＵ数据

一、ＩＭＵ数据格式从KITTI的readme文件中https://github.com/yanii/kitti-pcl/blob/master/KITTI_README.TXT可以看到IMU里数据的格式,　　KITTI中的IMUS数据文件存在oxts文件夹下，以txt格式保存。　　其中有[‘lat’,‘lon’,‘alt’,‘roll’,‘pith’,‘yaw’,‘vn’,‘ve’,‘vf’,‘vl’,‘vu’,‘ax’,‘ay’,‘az’,‘af’,‘al’,‘au’,‘wx’,‘wy’,‘wz’

2020-09-02 20:10:21 10636 1

原创 VCU控制策略之车辆传感器

一、汽车传感器（一）水温传感器汽车水温传感器的内部是汽车水温传感器，温度愈低，电阻愈大；反之电阻愈小，安装在发动机缸体或缸盖的水套上，与冷却水直接接触。从而测得发动机冷却水的温度。也可使用正温度系数的如ＰＴ１０００传感器。它的作用是向发动机控制单元提供一个温度变化的模拟量信号。它的供电电压是由控制单元提供的5V电源，返回控制单元的信号为1.3V-3.8V的线性变化信号。主要作用是告诉发动机控制单元现在的温度有多少。水温传感器与ＶＣＵ中接有上拉电阻的ＡＤ采集口进行连接，可以通过信号端的电阻分压电压得到和可

2020-08-26 16:59:57 2188

原创（三）使用Marker划出camera视野和本车模型

一、使用Marker画出Camera视野官方资料 http://wiki.ros.org/rviz/DisplayTypes/Marker使用Line Strip划出相机的两条线，从KITTI采集车辆Camera的布置可以看出我们使用的Camera-02数据的Camera2在车辆的正中间。其视野场为90度，因此划出两条视野线。Publish.pyfrom visualization_msgs.msg import Markerfrom geometry_msgs.msg import Poi

2020-08-25 12:02:16 621

原创（二）发布KITTI摄像头激光雷达数据到ROS

一、发布image_02 中的文件在KITTI数据中有四个相机的文件分别是image_00, image_01, image_02, image_03,四个相机，本文使用image_02的彩色相机。image_02下的data文件夹中，记录了每秒10帧共314张图片，即31.4s的分帧照片。其名称组成均为10位数字+png。我们可以编写一个Publisher文件将文件夹中的image发布出去创建新文件imagePublisher.py使用ros发布图片需要处理花建立节点话题等，通过open

2020-08-03 23:47:17 1064

原创（一）KITTI数据集简介及下载

KITTI数据集在ROS中的复现一、KITTI简介使用4个Camera 1个Velodyne的64线激光雷达还有IMU和GPS 采集的基本数据。详细如下：1 Inertial Navigation System (GPS/IMU): OXTS RT 30031 Laserscanner: Velodyne HDL-64E2 Grayscale cameras, 1.4 Megapixels: Point Grey Flea 2 (FL2-14S3M-C)2 Color cameras, 1.

2020-08-03 23:09:47 3686

原创基于TF2.0和Keras深度学习模型的车道线检测方法

深度学习车道线检测方法一、训练数据集实例本文的训练图片文件使用 full_CNN_train.p 对应的标签图片文件为 full_CNN_labels.p 其中包含了12764张图片，包括各种场景下的车道线图片。其尺寸为(80,160,3)标签文件大小为(80,160,1)。将其集合到两个.p文件当中。其中示例图片为：读取.p文件操作可以使用以下代码：import pickle as plimport cv2fr = open('full_CNN_train.p','rb')images

2020-06-24 22:13:02 3987 21

原创基于Opencv和哈夫变换的车道线检测实例

基于Opencv和Tensorflow的车道线检测实例1. 实例整体原理及结构正常条件下车道线检测的主要步骤如下图所示：基本程序框架如下图：其中比较重要的几点，图灰度化，高斯平滑，边缘检测，哈夫变换等，以后会单独提出来。2. 霍夫变化方法车道线检测（Hough-Transformation）在完成边缘检测、提取兴趣区域之后，我们得到了区域散点的集合，不仅有多条线，还有一些点状和块状区域，哈夫变换的目的就是找到途中的线，并与原图进行叠加。...

2020-06-24 16:01:12 690

原创（五）基于哈夫变换的车道线检测（Hough Transformation）

基于哈夫变换的车道线检测（Hough Transformation）在完成边缘检测、提取兴趣区域之后，我们得到了区域散点的集合，不仅有多条线，还有一些点状和块状区域，哈夫变换的目的就是找到途中的线，并与原图进行叠加。一、哈夫变换原理1.简单介绍Hough变换是图像处理中从图像中识别几何形状的基本方法之一。Hough变换的基本原理在于利用点与线的对偶性，将原始图像空间的给定的曲线通过曲线表达形式变为参数空间的一个点。这样就把原始图像中给定曲线的检测问题转化为寻找参数空间中的峰值问题。也即把检测整体特性

2020-06-24 15:06:13 5456 1

原创（四）Canny边缘检测及ROI区域选择

Canny边缘检测边缘检测是车道线识别中一个非常重要的项目。Canny边缘检测是基于求梯度变化最大值的方法来实现边缘检测，其基本原理就是对图像中各个点求梯度，梯度最大的地方就是边缘。图像中的边界和边缘边界和边缘不同，边界是与区域有关的全局概念，而边缘表示图像函数的局部性质；边界与边缘也相互关联，一种寻找边界的方法是连接显著的边缘。边界(border)区域R的边界是自身的像素集合，其中的每个点具有一个或者多个的R的外接领域点。检测图像中的对象边界，更偏向于关注上层语义对象边缘(edge)边缘是图

2020-06-24 11:37:04 6084 1

原创（三）对图像进行Gauss高斯平滑处理

对图像进行Gauss高斯平滑处理高斯平滑处理(Gaussian Smoothing)后的图像虽然肉眼上看会模糊，但是图像处理时有去除高频噪声的功能。图像平滑是局部图像预处理的一种技术。图像经过灰度化、二值处理之后，可能存在有噪音，或者图像的不平稳性导致图像处理过程中有干扰对图像本质理解的频率信息，我们需要将这些噪音、频率信息等干扰处理掉，需要用到平滑处理。高斯平滑是对图片应用一个高斯滤波器（Gaussian Filter），来起到模糊图片和消除噪声的效果。图中的左侧图片中的噪点就是图片中的高频部分，通

2020-06-24 10:13:02 15838 2

原创（二）对图像进行预处理（灰度化，二值化）

对图像进行预处理（灰度化，二值化）一、图像灰度化处理图像灰度化是指每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗黑色到最亮的白色的灰度。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，一般称为二值图（0 or 255），灰度图在黑色与白色中间还有很多级的颜色深度（0-255）。在RGB模型中，如果R=G=B是，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值。1.图像灰度化的方法灰度化方法主要有，分量法，最大值法，平均值法和加权平均值法。公式如下图所示：现以加

2020-06-23 23:25:59 31726 1

原创（一）对视频（图片）的读入及分帧

视频（图片）的读入—分帧—预处理Opencv一、对图片的读取操作通过cv2.imread()对图片进行读取，创建图片窗口，然后关闭。1. import cv2 2. #读取图片文件的位置3. image = cv2.imread('.\\Python baby.jpg') 4. #创建一个新的窗口 5. cv2.namedWindow("Image") 6. cv2.imshow("Image", image) 7. 8. cv2.waitKey(0) 9. cv

2020-06-23 22:43:31 1425

neural-net-rbf-master.zip

RBF神经网络程序，其中包括PDF介绍文档和程序 In this exercise you will experiment with Radial-Basis Functions (RBFs). RBF networks is a neural network type which can be used for classication as well as function approximation. During this exercise you will study two aspects of RBFs: supervised learning of the network weights and unsupervised learning (self-organized learning) of the positions of RBF units in the input space. In both cases, function approximation will be an example of the practical use of an RBF network. When you are nished you should: understand the structure of an RBF network know methods for learning the weights in an RBF network know methods for learning the positions of units in the input space understand the terms vector quantization and expectation maximization know how to use an RBF network to approximate functions

2020-02-24

CNN-immune-RBF-master.zip

1，CNN对原始图片数据进行特征提取；2，利用优化后RBF神经网络对提取的特征进行分类。主要思想是，RBF中心点的确定大多是基于K均值聚类，通过迭代的方式进行选择，然后K均值聚类在计算中心点时受初始值影响较大，通常得不到好的效果，因此我直接利用免疫算法进行RBF中心点计算，包括两个主要程序:IMMUNE_FORRBF_MAIN是免疫算法主程序，mainforclasst.m是没有优化的rbf。