- 博客(725)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 RoMe：通过网格表示实现大规模道路表面重建
本文介绍了RoMe：通过网格表示实现大规模道路表面重建。大规模道路表面重建对自动驾驶系统而言越来越重要，因为它有效地提供了有价值的训练和测试数据。在本文中，我们介绍了一种简单但有效的方法RoMe，用于通过网格表示进行大规模道路表面重建。为了简化问题，RoMe将三维道路表面分解为三角剖面和多层感知网络来隐式地建模道路高度。为了保留精细的表面细节信息，每个网格顶点具有两个额外的属性，即颜色和语义。为了提高RoMe在大规模环境中的效率，本文提出了一种新型的路径点采样方法。
2024-07-22 19:57:40
296
原创 数据闭环的核心-Auto-labeling方案分享
在实际工作中，自动驾驶的数据是非常重要的， 如何高效低成本的获得高质量的数据集成为了自动驾驶企业的核心竞争力。随着自动驾驶感知技术的不断发展，对于标注的要求也越来越高，很多标注任务也越来越难。Camera/Lidar 联合标注，3d 语义分割，最近大火的多Camera BEV，如何向特斯拉那样，完成vector space 的自动化标注，目前也没有看到有哪个国内公司能做的。
2024-07-22 01:16:05
283
原创 GaussianPro使用笔记
根据cuda的版本找到对应版本的torch, torchvision, torchaudio。安装 torch, torchvision, torchaudio。
2024-07-18 09:59:46
638
1
转载 机器学习理论基础到底有多可靠？
总体而言，因果关系仍然是一个令人沮丧的追求，其中当前的方法通常不能满足我们想要提出的问题，除非这些问题可以通过随机对照试验进行探索，或者它们恰好适合某些框架（例如，作为“自然实验”的偶然结果）。尽管如此，对于听起来像是一个奇特的概念（大致概括为：“将模型引入数据，而不是将数据引入模型”），FL 是有效的，并且在键盘文本预测和个性化新闻推荐等领域有切实的成功案例. FL 背后的基本理论和技术似乎足以让 FL 得到更广泛的应用。理论理解程度高的方法往往具有公式化的实现，具有强大的理论基础和可预测的结果。
2024-07-11 19:43:19
185
原创 深度学习中的特征融合方式
concat是通道数叠加，描述图像本身的特征增加了，而每一特征下的信息是没有增加。add为简单的像素叠加，通道不变；add后描述图像的特征下的信息量增多了，但是描述图像的维度本身并没有增加，只是每一维下的信息量在增加，这显然是对最终的图像的分类是有益的。特征add的时候就是增加特征的信息量，特征concat的时候就是增加特征的数量，注重细节的时候使用add，注重特征数量的时候使用concat。作用：Concate操作用于将两个或多个张量在某个维度上连接在一起，生成一个更大的张量。
2024-07-11 19:27:00
901
原创 HUGS使用笔记
基于 RGB 图像对城市场景进行整体理解是一个具有挑战性但又很重要的问题。它包括理解几何和外观，以实现新颖的视图合成、解析语义标签和跟踪移动物体。尽管取得了长足的进步，但现有方法通常侧重于此任务的特定方面，并且需要额外的输入，例如 LiDAR 扫描或手动注释的 3D 边界框。在本文中，我们介绍了一种利用 3D 高斯 Splatting 进行整体城市场景理解的新型管道。我们的主要思想涉及使用静态和动态 3D 高斯的组合来联合优化几何、外观、语义和运动，其中移动物体的姿势通过物理约束进行正则化。
2024-07-11 17:17:25
378
1
原创 Hugging Face使用笔记
Hugging Face Hub和 Github 类似，都是Hub(社区)。Hugging Face可以说的上是机器学习界的Github。hugging face在NLP领域最出名，其提供的模型大多都是基于Transformer的。
2024-07-09 09:58:25
1572
原创 Text2Street：犀利的街景生成神器，车道拓扑、目标布局、天气条件全都有！
文本到图像生成，作为计算机视觉的一个重要任务，旨在仅基于文本描述生成连贯的图像。近年来，针对常见场景（如人物和目标）的文本到图像生成已经付出了很多努力。特别是随着扩散模型的出现，取得了显著进展。然而，在专业领域生成图像同样具有重要价值，包括自动驾驶、医学图像分析、机器人感知等。对于街景的文本到图像生成在自动驾驶感知和地图构建的数据生成方面具有特殊重要性，但目前仍相对未被充分探索。街景文本到图像生成作为一个尚未充分开发的任务，面临着几个严峻的挑战，可以分为三个主要方面。
2024-06-17 13:27:27
976
原创 DriveWorld：一个预训练模型大幅提升检测+地图+跟踪+运动预测+Occ多个任务性能
以视觉为中心的自动驾驶技术近期因其较低的成本而引起了广泛关注，而预训练对于提取通用表示至关重要。然而，当前的以视觉为中心的预训练通常依赖于2D或3D预训练任务，忽视了自动驾驶作为4D场景理解任务的时序特征。这里通过引入一个基于世界模型的自动驾驶4D表示学习框架“DriveWorld”来解决这一挑战，该框架能够从多摄像头驾驶视频中以时空方式进行预训练。
2024-06-11 12:50:16
1395
原创 Point-LIO：鲁棒高带宽激光惯性里程计
现有系统都是基于帧的，类似于VSLAM系统，频率固定（例如10Hz), 但是实际上LiDAR是在不同时刻进行顺序采样，然后积累到一帧上，这不可避免地会引入运动畸变，从而影响建图和里程计精度。此外，这种低帧率会增加延时，限制系统带宽（里程计带宽的定义类似动态系统的带宽，即系统增益降至0.707以下的频率，表示里程计在能够满意地估计时可以运动多快）。1) 提出了一种逐点(point-wise) LIO框架，该框架在实际采样时间融合激光雷达点，而不会累积到帧中。去除点累积消除了帧内运动失真，并允许以接近点采样率的
2024-06-08 17:46:33
1481
原创 Large-Scale LiDAR Consistent Mapping using Hierarchical LiDAR Bundle Adjustment
重建精确一致的大规模激光雷达点云地图对于机器人应用至关重要。现有的基于位姿图优化的解决方案，尽管它在时间方面是有效的，但不能直接优化建图的一致性。激光雷达集束调整(BA)最近被提出来解决这个问题；但是在大尺度规模建图上太费时间了。为了解决这一问题，本文提出了一种适用于大尺度地图的全局一致的高效建图方法。我们提出的工作由自底向上的分层BA和自顶向下的位姿图优化组成，结合了两种方法的优点。通过分层设计，我们用比原始BA小得多的Hessian矩阵来解决多个BA问题；
2024-06-08 17:43:23
1001
原创 SLAM中线特征的参数化和求导
众所周知，线特征比点特征可以提供更多的约束条件，并且在某些场合下比点特征要鲁棒。但是如果我们想要把线特征加入到SLAM系统中面临的是参数化和优化求导。这篇文章介绍了贺博的PL-VIO中线特征的参数化和求雅克比。下面我们就来详细介绍一下空间直线的两种参数化方法：Plücker参数化方法，直线正交表示方法。为什么需要两种参数化方法呢？因为空间中的直线有4个自由度，而Plücker参数化方法需要使用6个参数表示直线，这样就会导致过参数化，过参数化在优化的时候就需要采用带约束的优化，不太方便。于是引入了可以用4
2024-06-06 21:17:40
1932
2
原创 FreeReg运行笔记
下载MinkowskiEngine安装依赖安装MinkowskiEngine在终端中开一个python，或者把代码写为脚本记录MiDaS下载的地址。
2024-06-06 12:40:27
350
原创 Cartographer学习笔记
Cartographer 是一个跨多个平台和传感器配置提供 2D 和 3D 实时同步定位和地图绘制 (SLAM) 的系统。
2024-06-06 12:39:39
516
1
原创 VSCode插件EditorConfig for VS Code
编辑器本身是不支持 EditorConfig 代码格式化的，需要安装插件才可以正常使用 EditorConfig 格式化代码。
2024-06-06 12:34:56
248
原创 git rebase
首先理解这个rebase，它的意思是re base，翻译过来就是“重新基于”。意义是：重新整理当前分支的开发线，使其变成基于某个开发节点的开发线。
2024-06-06 12:32:58
468
原创 Jupyter Notebook学习笔记
Jupyter Notebook是基于网页的用于交互计算的应用程序。其可被应用于全过程计算：开发、文档编写、运行代码和展示结果。——Jupyter Notebook官方介绍cyber_record play -f data显示记录信息cyber_record info data
2024-06-03 13:54:16
1040
1
原创 Github上一款开源、简洁、强大的任务管理工具：Condution
Condution 是一款功能强大、简洁易用的开源任务管理工具，它可以帮助用户有效地管理日常任务，提高工作效率。如果您正在寻找一款免费、易于使用的任务管理工具，那么 Condution 是一个不错的选择。Github地址：GitHub: https://github.com/Shabang-Systems/Condution。
2024-06-03 13:05:27
2249
1
原创 VSCode插件Sort Lines
Sort Lines是一款VSCode中的扩展，可以帮助你对所选文本或整个文件中的行进行排序。可以给你按字母大小排序（升序、降序），也可以进行排序+去重。而且还能将所有文本打乱顺序。做短文本分类的训练，清洗数据集的时候，这个工具大有用处。
2024-06-03 12:49:45
356
原创 Patchwork++：基于点云的快速、稳健的地面分割方法
传统数学方法，采用求反射梯度与地面对比的思路，对于高度有差别的平面难以识别（如低矮路沿），分割出的地面不是很合适。论文提出一种鲁棒性很强的分割方法，基于 Patchwork 的思路进行改进，自适应地调整参数，效果提升明显，运行速度极快。对地面分割做数学建模：对于所有的点云表示为，对点集进行二分类，分为G地面和N非地面，其中包括车辆，行人，植被，墙体等。
2024-06-03 09:45:53
759
原创 VSCode Prettier - Code formatter代码格式化
在项目根目录下创建一个prettier配置方案文件，一般命名为.prettierrc，这里我就创建一个.prettierrc.js文件；然后在这个.prettierrc.js文件中配置规则，相关配置如下：useTabs: false, // 采用tab缩进还是空白缩进tabWidth: 2, // Tab键宽度printWidth: 80, // 宽度限制singleQuote: false, //字符串是否使用单引号semi: false, //行位是否使用分号。
2024-06-01 00:37:21
673
原创 解析自动驾驶算法四大模块的问题与后续发展
自动驾驶涉及技术方方面面。一个成熟的自动驾驶系统主要分为软硬两部分，硬件包括但不限于计算单元、传输网口、传感器本身、网络设备，软件包括但不限于进行任务调度的基础软件、"灵魂所在"的算法模块以及"基础设施"高精度地图。当前公众意义认为的自动驾驶主要指：车上安装的传感器 + 自动驾驶算法。算法模块可以分为大感知(包括融合与预测)、定位、规划与决策、控制几个模块。本文对于以上几个模块总结了一些问题，并给出一些思考。1. 感知感知模块占据了算法模块接近70%的代码，是自动驾驶系统中基本的、重要的、庞
2024-06-01 00:35:22
3117
原创 VSCode编译C++代码
主要通过 设置任务（动作）来实现。tasks.json文件相当于vscode的.sh或.bat文件，用来记录一系列操作的宏。打开控制台，输入Tasks: Configure Tasks，再选择Create tasks.json file from templates，选择Others模板，就自动生成了一个tasks.json文件，编写参数来调整设置。设置完“group”参数后，就能通过来运行该文件夹下的文件(也是你自己新建的)——当然，前提是你已经安装了cmake。一般地，可以写为2. 使用插件
2024-06-01 00:24:38
586
原创 Python代码优化工具memory_profiler
memory_profiler是Python的一个第三方库，其功能时基于函数的逐行代码分析工具。通过该库，可以对(允许分析多个函数)进行内存消耗分析，便于代码调优。
2024-06-01 00:10:26
245
原创 深入理解协程
进程是程序动态运行的一个过程，是操作系统资源分配和独立运行的基本单位。其有自己独立的内存空间，不同的进程之间通过各种相对应的通信方式进行通信。但又因为进程拥有独立的内存空间，所以它的上下文切换（栈，寄存器，页表，文件句柄等）开销就比较大，但是相对来说进程的运行就比较安全稳定。
2024-06-01 00:09:04
1284
原创 pcl::PointCloud各种添加点云方法的速度对比
pcl::PointCloud官方提供了一个添加点云的函数接口push_back()，但是实际中经常看到有人先调用resize()函数，再逐个进行赋值，理由是这样更快。本文对两种方法的速度进行对比。
2024-06-01 00:08:17
294
原创 假设检验学习笔记
在总体分布类型已知的情况下，仅仅涉及总体分布中未知参数的统计假设，称为参数假设在总体分布类型未知的情况下，对总体分布类型或者总体分布的某些特性提出的统计假设，称为非参数假设...
2024-06-01 00:07:31
641
原创 Git命令清单
一般来说，日常使用只要记住下图6个命令，就可以了。但是熟练使用，恐怕要记住60～100个命令。下面是我整理的常用 Git 命令清单。几个专用名词的译名如下。
2024-05-27 09:21:36
931
原创 Ceres计算Bundle Adjustment
给定一组测量图像的特征和对应关系，Bundle Adjustment的目标是找到使重投影误差最小的3D点位置和相机参数。这个优化问题通常被描述为非线性最小二乘法问题，要最小化的目标函数即为测得图像中特征点位置和相机成像平面上的对应的投影之间的差的平方。Ceres例程使用了BAL数据集。观测值：像点坐标优化量(平差量)：pose 和landmark。
2024-05-22 17:25:20
1177
原创 Clion使用问题汇总
如果有环境变量需要设置，或者需要调用source命令，建议直接把这些命令写在.bashrc文件中，或者把在终端中设置环境变量，然后再在同一终端中打开Clion。如果在终终中直接打开CLion，再在CLion的子终端中设置变量，结果是无效的。这是因为CLion是运行在打开clion的那个终端中，CLion的子终端其实是另一个终端。
2024-05-22 12:48:55
993
原创 Clion远程调试
本文详细介绍了如何使用CLion进行远程调试，旨在帮助开发者解决在远程开发环境中进行代码调试的难题。文章首先概述了远程调试的概念和重要性，强调了其在提高开发效率和代码质量方面的作用。接着，详细阐述了在CLion中配置远程调试环境的步骤，包括设置远程主机、配置调试器、上传代码等关键操作。此外，文章还分享了一些远程调试的技巧和注意事项，如优化调试性能、处理调试过程中的常见问题等。通过本文的指导，开发者将能够轻松掌握CLion远程调试的技能，提高开发效率，降低错误率，为项目的顺利进行提供有力保障。
2024-05-22 12:47:19
1453
原创 LIO-SAM源码解析（五）：mapOptmization.cpp
这个函数主要就是进行帧到地图的匹配，通过点到面、点到线的距离距离最小作为优化目标。LOAM中雅阁比矩阵推导其实还是过于复杂了，可以使用进行误差扰动来计算雅阁比矩阵，姿态使用失准角（李代数）模型推导更为简单。
2024-05-21 12:56:38
1850
原创 IDEA官方Docker插件
Docker作为目前主流的容器技术，使用它部署应用是非常方便的！对于这款主流容器技术，IDEA官方自然也是有所支持的。最近体验了一把IDEA官方提供的插件，确实非常好用，今天我们以SpringBoot应用的打包部署为例，来聊聊IDEA官方Docker插件的使用！
2024-05-20 12:37:59
4053
原创 视频工具mencoder安装与使用
mencoder是一款命令行方式的视频处理软件。它支持Windows、Linux和macOS操作系统，并且可以批量处理多种视频格式。
2024-05-20 09:24:32
3284
原创 自动驾驶技术现状与需求分析
随着科技的不断进步和智能化浪潮的席卷，自动驾驶技术已成为当今交通领域的热点话题。本文旨在深入探讨自动驾驶技术的当前发展状况，并对其未来的市场需求进行细致分析。首先，我们将回顾自动驾驶技术的起源、发展历程以及当前的技术水平，包括传感器技术、算法优化、车辆控制系统等方面的最新进展。接着，我们将从市场需求的角度出发，分析自动驾驶技术在不同领域（如公共交通、物流运输、私人出行等）的潜在应用，以及这些应用对技术、政策、法规等方面的要求。
2024-05-20 09:19:34
1661
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人