williamhyin的博客

Kalman Filter and Extended Kalman Filter卡尔曼滤波是自动驾驶领域最常用的数据最优估计算法。人们对它的第一印象往往是它那复杂的线性代数表达式。本文将介绍卡尔曼滤波及其变种扩展卡尔曼滤波的数学原理及代码实现，帮助初学者熟悉和掌握卡尔曼滤波。在实际项目中我们会融合激光雷达和毫米波雷达的测量数据，从而精确地追踪目标的位置和速度。Github: https://github.com/williamhyin/CarND-Extended-Kalman-FilterEmai

一文读懂EfficientDet今年年初Google Brain团队在 CVPR 2020 上发布了 EfficientDet目标检测模型, EfficientDet是一系列可扩展的高效的目标检测器的统称, 其精度与速度全面领先于YOLO V3, MaskRCNN, RentinaNet, NAS-FPN这些常见目标检测模型. EfficientDet-D7 的性能更是非常的惊人, 在 326B FLOPS, 参数量 52 M的情况下, COCO 2017 validation 数据集上取得了 51.0

一文读懂YOLO V5 与 YOLO V4YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。然而在4月23日，继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。YOLO V4是YOLO系列一个重大的更新，其在COCO数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10%

YOLO V5 模型结构及迁移学习YOLO 是一种快速紧凑的开源对象检测模型，与其它网络相比，同等尺寸下性能更强，并且具有很不错的稳定性，是第一个可以预测对象的类别和边界框的端对端神经网络。YOLO 家族一直有着旺盛的生命力，从YOLO V1一直到”V5“，如今已经延续五代，凭借着不断的创新和完善，一直被计算机视觉工程师作为对象检测的首选框架之一。Ultralytics于5月27日发布了YOLOv5 的第一个正式版本，其性能与YOLO V4不相伯仲，是现今最先进的对象检测技术之一，并在推理速度上是目前

Unscented Kalman Filter在上一篇的文章“卡尔曼及扩展卡尔曼滤波(Lidar&Radar)”中我已经详细介绍了卡尔曼KF及扩展卡尔曼滤波EKF，今天我们来看以下在处理非线性问题上更为强大的无迹卡尔曼滤波UKF。在本文中，首先我会介绍无迹卡尔曼滤波的原理，并分析EKF和UKF的优缺点，然后我会介绍一个更符合现实场景的过程模型“恒转弯速率和速度幅值模型(CTRV)” ，最后我会在CTRV上执行UKF，从而实现基于激光雷达和毫米波雷达的多目标追踪。Github:https://g

Camera Calibration and LIDAR Cloud Projection多传感器融合一直是自动驾驶领域非常火的名词, 但是如何融合不同传感器的原始数据, 很多人对此都没有清晰的思路. 本文的目标是在KITTI数据集上实现激光雷达和相机的数据融合. 然而激光雷达得到的是3D点云, 而单目相机得到的是2D图像, 如何将3D空间中的点投影到图像平面上, 从而获得激光雷达与图像平面相...

Feature detection and matchingGithub: https://github.com/williamhyin/SFND_2D_Feature_TrackingEmail: williamhyin@outlook.com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...

Radar target generation and detection - Software本文的代码均在MATLAB上运行, MATLAB在传统辅助驾驶系统的验证和模拟上相对于其他编程语言具有很强的优势.Github: https://github.com/williamhyin/SFND_Radar_Target_DetectionEmail: williamhyin@outloo...

Radar target generation and detection - HardwareGithub: https://github.com/williamhyin/SFND_Radar_Target_DetectionEmail: williamhyin@outlook.comWhy Radars?自动驾驶的感知系统是由多个传感器的输入组成, 每个传感器都有其自身的优缺点, 我...

Lidar Obstacle DetectionGithub: https://github.com/williamhyin/CarND-Path-PlanningEmail: williamhyin@outlook.comLidar Sensors激光雷达传感器通过发射成千上万的激光信号, 为我们提供高分辨率的数据. 这些激光被物体反射回传感器, 然后可以通过计算信号返回所需的时间来确...

Path Planning - Highway Driving projectGithub: https://github.com/williamhyin/CarND-Path-PlanningEmail: williamhyin@outlook.comOverview在自动驾驶流程管道中, 我们按顺序处理以下模块:感知: 负责使用传感器探测对象融合: 负责使用传感器融合提供被检测...

Path Planning - Search algorithms本课程涵盖离散的以及连续的路径规划, 尽管现实世界是连续的, 但在很多情况下, 将世界离散化使得解决路径规划问题变得更加容易和快速.学习路径规划, 主要的思考点有三个：成本函数以及如何将人类洞察力(比如“右转比左转更容易”)纳入我们的规划算法寻找最佳解决方案与寻找足够好的解决方案相关的最优性和权衡在线算法与离线算法, ...

Particle Filter - Kidnapped vehicle projectGithub: https://github.com/williamhyin/CarND-Kidnapped-VehicleEmail: williamhyin@outlook.com1. Definition of Particle Filter粒子滤波器是贝叶斯滤波器或马尔可夫定位滤波器的实现。 粒...

LocalizationGithub: https://github.com/williamhyin/CarND-Kidnapped-VehicleEmail: williamhyin@outlook.comDefinition of Localization汽车会收集当前环境的信息,并和已知地图对比,推断它在世界上的位置. 简而言之, 自动驾驶定位技术就是解决“我在哪儿”的问题, ...