感知
文章平均质量分 91
自动驾驶算法
瞻邈
老菜鸟一个。
展开
-
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。原创 2024-06-03 09:45:53 · 1072 阅读 · 0 评论 -
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。原创 2024-07-22 01:16:05 · 522 阅读 · 0 评论 -
面向BEV感知的4D标注方案
首先介绍一下4D-Label技术。4D主要就是3D空间和时序。以BEV为代表的感知技术,典型的特征就是输出的空间从2D的透视图像转换到了3D空间。原先都是在图像空间里,输入的是图像,输出的也是2D图像像素空间的信息,也就是所见即所得。但BEV感知技术输入的是2D的图像或者是2D的video,输出的是3D空间的感知结果,通常是以车体坐标系之下的一些3D静态或者动态的结果。对于BEV感知,真值数据的生成是非常关键的环节,因为标注的空间需要从2D透视图像空间转换到3D空间。其中,考虑到时序动态物体,需要用到一项很转载 2023-09-09 22:15:34 · 524 阅读 · 2 评论 -
自动驾驶Camera与Radar融合算法与论文总结
先前的CamRadar后/目标融合策略,无法满足高阶/L3自动驾驶对功能、性能、实时、安全、鲁棒的要求。成熟的、鲁棒、高性能、高精度的基于时序的、基于BEV/Transformer/Occupancy的CamRadar前融合方案会是低成本、高阶ADAS产品落地的关键。转载 2023-09-08 23:31:13 · 432 阅读 · 0 评论 -
AVM环视拼接方法介绍
关于车辆的全景环视系统网上已经有很多的资料,然而几乎没有可供参考的代码,这一点对入门的新人来说非常不友好。全景环视系统,又称AVM。在自动驾驶领域,AVM属于自动泊车系统的一部分,是一种实用性极高、可大幅提升用户体验和驾驶安全性的功能。AVM汽车环视影像系统如图所示,由安装在前保险杠、后备箱、后视镜上的四个外置鱼眼相机构成。该系统包含的算子按照先后顺序:去畸变、四路鱼眼相机联合标定、投影变换、鸟瞰图微调、拼接融合、3D模型纹理映射等。下面我们将围绕着算子的先后顺序来对AVM进行介绍。转载 2021-08-17 22:45:28 · 2279 阅读 · 0 评论 -
BEV空间内的特征级融合
BEV空间内进行特征级融合具有如下优势:1.跨摄摄像头融合和多模融合更易实现2.时序融合更易实现3.可“脑补”出遮挡区域的目标4.更方便端到端做优化转载 2022-07-16 22:43:23 · 2720 阅读 · 0 评论 -
自动驾驶之目标跟踪
目标跟踪从两个维度来展开: 基于视觉的目标跟踪和基于多传感器融合的目标跟踪。1. 基于视觉的目标跟踪一般将目标跟踪分为两个部分:特征提取、目标跟踪算法。目标跟踪的算法大致可以分为以下五种:均值漂移算法,即meanshift算法,此方法可以通过较少的迭代次数快速找到与目标最相似的位置,效果也挺好的。但是其不能解决目标的遮挡问题并且不能适应运动目标的的形状和大小变化等。对其改进的算法有camshift算法,此方法可以适应运动目标的大小形状的改变,具有较好的跟踪效果,但当背景色和目标颜色接近时,容易使转载 2022-05-07 23:37:22 · 2448 阅读 · 0 评论 -
自动驾驶软件工程之目标检测以及传感器融合
准确率与召回率交通灯的检测有一定的难度,但更难的是交通信号的识别,亦即是红灯、绿灯还是黄灯。自动驾驶软件工程课程系列4:目标检测以及传感器融合。原创 2022-10-29 10:28:54 · 890 阅读 · 0 评论 -
Tesla数据标注系统解析
做深度学习和计算机视觉的同学可能比较熟悉ImageNet、MS COCO、Cityscapes等著名的公共数据集,这些数据集主要面向于2D图像上的感知任务,也是直接在2D图像上直接标注的。但是到了自动驾驶时代,所有的感知任务最终都要在现实的3D世界中应用,数据集的规模也不再是几万张、几十万张,或者几百万张图片,与之前的情况已不可同日而语,自然面临了更多更复杂的问题。Autopilot Software主管Ashok Kumar Elluswamy介绍4D自动标注,数据仿真以及数据和模型的迭代。整个数转载 2021-10-05 20:18:25 · 1557 阅读 · 0 评论 -
特斯拉FSD车端感知解析
Tesla AI Day过去已经4个多月,其介绍的很多前卫理念和超级详细的技术方案细节都成为全球自动驾驶从业者津津乐道的话题与专研的方向。这段时间以来我重复看了几遍AI Day的视频资料,也看了不少中英文分析解读的文章,一直希望能找机会把我对AI Day的理解和解读写成文章分享出来,可是因为拖延症一拖再拖,虽然拖了这么久,可至今AI Day上Tesla展现的技术创新仍旧走在自动驾驶视觉感知技术的最前沿,所以希望通过这篇文章能够让更多人了解如今自动驾驶车端感知技术的前沿发展动态。Tesla FSD Be转载 2022-01-29 12:03:27 · 1481 阅读 · 0 评论 -
Tesla数据标注系统解析
Andrej Karpathy博士说,模型需要数据来驱动,模型决定上限,而数据帮助模型到达这个上限!自动驾驶时代,所有的感知任务最终都要在现实的3D世界中应用,数据集的规模也不再是几万张,几十万张,或者几百万张图片,与之前的情况已不可同日而语,自然面临了更多更复杂的问题。Autopilot Software主管Ashok Kumar Elluswamy介绍4D自动标注,数据仿真以及数据和模型的迭代。整个数据标注系统分为三个部分进行介绍,依次为:人工标注,自动标注,数据仿真以及大规模数据生成。原创 2022-01-19 08:42:09 · 1586 阅读 · 0 评论