Driving 第3页

技术解析 | 特斯拉为什么押注人形机器人“擎天柱”？

特斯拉本次发布的人形机器人“擎天柱”采用了与特斯拉相同的完全自动驾驶系统FSD(FullSelf-Driving)以及Autopilot相关神经网络技术，通过传感器和计算机视觉，利用海量数据持续训练，动态感知周围世界

Magic Data·2023-04-07 01:01

使用Kaggle API下载数据集

使用KaggleAPI下载数据集1.首先来到kaggle官网https://www.kaggle.com/competitions/twitter-sentiment-analysis-self-driving-cars

Marsbupt·2023-04-04 02:18

高德地图更新后地图滑动很卡。

RouteSearch.DriveRouteQuerydriveRouteQuery=newRouteSearch.DriveRouteQuery(fromAndTo,PathPlanningStrategy.DRIVING_MULTIPLE_ROUTES_DEFAULT

mt大山·2023-03-30 13:22

Elementary ‐ The Office ‐ Driving Sales (C0010)

Elementary‐TheOffice‐DrivingSales(C0010)A:Allright,people.We’reholdingthismeetingtodaybecausewe’vegottodosomethingaboutoursales,andweneedtodoitNOW!Iwantconcretesolutions.Howdoyouintendtodrivesales...R

strivenus·2023-03-21 14:26

机器学习基本原理

01概览我们身边的机器学习自动驾驶self-driving.png人脸识别facerecognition.png垃圾邮件识别spamdetection.png信用卡诈骗识别creditcardfrauddetection.png

浪花三朵·2023-03-21 14:51

Autonomous Driving：Shape the future transportation

AutonomousDriving：Shapethefuturetransportation（TeamProject，我主要负责关于经济利益、未来产值等数据的收集，和对商业模式、相关产业的好处的分析）ThestockpriceofTesla,aUS-basedelectricvehiclemaker,plungedtoitslowestinsevenyearsafteraTesladriverdi

苏三宇·2023-03-14 04:44

3 Visual Perception for Self-Driving Cars 课程习题编程解答及笔记

自动驾驶课程-The3rd视觉-课后答案及部分解释WEEK1Module1GradedQuizWEEK2VisualOdometryforLocalizationinAutonomousDrivingWEEK3Feed-ForwardNeuralNetworksWEEK4ObjectDetectionForSelf-DrivingCarsWEEK5SemanticSegmentationForSe

Kin__Zhang·2023-02-22 13:26

《AI系统的挑战2——少量数据带来的挑战》

原文链接：https://info.deeplearning.ai/the-batch-self-driving-cars-that-cant-see-pedestrians-evolutionary-algorithms-fish-recognition-fighting-fraud

赵玮_4c07·2023-02-06 10:56

点云 3D 目标跟踪 - SimTrack: Exploring Simple 3D Multi-Object Tracking for Autonomous Driving（ICCV 2021）

点云3D目标跟踪-SimTrack（ICCV2021）摘要1.引言2.相关工作3.方法3.1准备工作3.2概述3.3联合检测和跟踪4.实验4.1数据集4.2评估指标4.3实施细节4.4nuScene结果4.5消融研究4.6Waymo结果5.结论References声明：此翻译仅为个人学习记录文章信息标题：ExploringSimple3DMulti-ObjectTrackingforAutonom

77wpa·2023-02-03 18:39

【Multi-modal Sensor Fusion for Auto Driving Perception: A Survey学习笔记】

Multi-modalSensorFusionforAutoDrivingPerception:ASurvey一、简介二、为什么需要多模态？三、任务和公开比赛四、融合方法五、强融合前融合深度融合后融合不对称融合六、弱融合七、弱融合八、多模态融合的机遇更先进的融合方法多源信息利用传感器固有问题九、激光雷达和图像的表达形式9.1.图像表达形式9.2.基于点的点云表示9.3.基于体素的点云表示9.4.基

百度森森·2023-01-30 13:59

Multi-modal Sensor Fusion for Auto Driving Perception: A Survey 自动驾驶多模态传感器融合综述

Multi-modalSensorFusionforAutoDrivingPerception:ASurveyKeliHuangBotianShiXiangLiXinLiSiyuanHuangYikangLi论文翻译摘要：多模态融合是自动驾驶系统感知的一项基本任务，最近引起了许多研究人员的兴趣。然而，由于原始数据噪声大、信息利用率低以及多模传感器未经过校准，要获得相当好的性能并非易事。在本文中，我

感知小波·2023-01-30 13:57

深度学习论文: Multi-modal Sensor Fusion for Auto Driving Perception: A Survey

深度学习论文:Multi-modalSensorFusionforAutoDrivingPerception:ASurveyMulti-modalSensorFusionforAutoDrivingPerception:ASurveyPDF:https://arxiv.org/pdf/2202.02703.pdfPyTorch代码:https://github.com/shanglianlm052

mingo_敏·2023-01-30 13:21

英语2019.3.10总结（A1.5）

A1.4课程5学会场所、职业的描述该课程主要场所、生活类的词语，老师、学生、医生等doctor医生teacher老师car汽车student学生cat猫bicycle自行车driver司机driving

梦想何必远方·2023-01-30 08:03

谈谈开车这件小事

昨天晚上送完wanwan回家之后，我一个人从蛇口开回了西丽，畅通无阻的北环大道真是让人心旷神怡，我居然也开始特别享受driving这

哆啦芊芊·2023-01-28 07:45

Introduction to Self-Driving Cars Final Project-W7_PID纵向控制+纯跟踪横向控制

IntroductiontoSelf-DrivingCarsFinalProject-W7_PID+纯跟踪实现车辆横向和纵向控制PurePursuit简介Final项目中纯跟踪横向控制器contorller2d.py本文是《IntroductiontoSelf-DrivingCarsFinalProject-W7_PID实现车辆横向和纵向控制》的延续，旨在将车辆横向控制器改为纯跟踪（Purepur

Rocky_96·2023-01-20 08:17

[自动驾驶系列一]Introduction to Self-Driving Cars

IntroductiontoSelf-DrivingCarsModule1:TheRequirementsforAutonomyLesson1:TaxonomyofDriving（驾驶分类）Lesson1:PracticeLesson2:RequirementsforPerceptionLesson2:PracticeLesson3:DrivingDecisionsandActions测验1Mod

蛋总的快乐生活·2023-01-20 08:16

Coarse-to-fine Semantic Localization with HD Map for Autonomous Driving in Structural Scenes

一、创新点提出了一个基于语义分割和矢量高精地图的视觉定位系统，完整包含了初始化，追踪和丢失恢复等模块追踪模块用costmap上的“光度误差”代替了重投影误差，省略了数据关联的步骤可以支持多个相机在不同场景进行了充分的实验二、精度和速度rollandlongitudinalarenotincludedinoptimizationstageiftherearenosignboardsorpolespr

chaoqinyou·2023-01-18 09:25

【论文笔记】Are We Ready for Vision-Centric Driving Streaming Perception? The ASAP Benchmark

原文链接：https://arxiv.org/abs/2212.089143.ASAP基准3.1自动驾驶流感知（ASAP） ASAP以在线方式进行评估：即使当前帧样本的处理还未完成，也进行评估。给出流式输入{Xi}i=1T\{X_i\}_{i=1}^T{Xi}i=1T，其中XiX_iXi是tit_iti时刻的环视图像。感知算法需要对输入进行在线响应，生成预测{Y^j}j=1M\{\hat{Y

byzy·2023-01-18 09:11

【论文笔记】K-Radar: 4D Radar Object Detection for Autonomous Driving in Various Weather Conditions

原文链接：https://arxiv.org/pdf/2206.08171.pdf阅读本文的目的是了解K-Radar数据集而非其目标检测方法。1.引言本文介绍了K-Radar这一大型4D雷达张量（多普勒-距离-水平角-俯仰角）目标检测数据集。该数据集还包含高分辨率激光雷达点云、来自4个环视相机的RGB立体图像、RTK-GPS和自车的IMU数据。采集场景包括多种道路（城市、郊区、高速路等）、多个

byzy·2023-01-18 09:41

awesome self-driving-car

AwesomeSelf-DrivingCars(https://github.com/sindresorhus/awesome)IntroductionAcuratedlistofallawesomethingsrelatedtoself-drivingcar.TableofContentsOpensourcecodeFullstackLibraryCoursesPapers&BlogsOverv

大别山伧父·2023-01-17 11:46

Cylinder3D: An Effective 3D Framework for Driving-scene LiDAR Semantic Segmentation（论文阅读笔记）

Cylinder3D:AnEffective3DFrameworkforDriving-sceneLiDARSemanticSegmentation（Cylinder3D：一种有效的三维驱动场景激光雷达语义分割框架）非一致性残差块、维度分解语义建模、柱状卷积骨干网络一、重点内容提取设计了一种柱面划分的三维点云表示，它适用于驱动场景激光雷达点云的不同稀疏性，并提出了一种基于三维卷积的网络。该骨干网络

董*飞飞·2023-01-12 23:23

立体视觉跟踪(一)：Stereo Vision-based Semantic 3D Object and Ego-motion Tracking for Autonomous Driving

一、ego-motion的概念总览ego-motion指的是相机自身的运动，具体描述为相机与其所感知的环境的相对运动。ego-motion的概念常出现于机器人或者自动驾驶汽车的状态估计中。因相机与机器人或者汽车处于固定状态，所以相机的ego-motion与机器人的状态估计只需要一个坐标系转换即可换算。更详细的解释是估计相机的自我运动的目的是使用相机拍摄的一系列图像来确定相机在环境中的3D运动。估计

是魏小白吗·2023-01-12 06:38

❀论文篇❀一文了解基于计算机视觉的自动驾驶（Autonomous Driving）子任务算法研究综述

自动驾驶是在没有人类传导的情况下驾驶车辆的任务。自动驾驶是最近汽车公司研究的重要方向，自动驾驶汽车子任务包含了以下几点：1.算法相关论文截止2022年7.11号，1.1.2022.Trajectory-guidedControlPredictionforEnd-to-endAutonomousDriving:ASimpleyetStrongBaseline端到端自动驾驶的轨迹引导控制预测：一个简单

夏天｜여름이다·2023-01-11 13:50

【论文阅读】Trajectory-guided Control Prediction for End-to-end Autonomous Driving: A Simple yet Strong Ba

参考与前言Summary:leaderboard现存第一名TCP，非常simple的设置取得了很好的效果论文链接：Trajectory-guidedControlPredictionforEnd-to-endAutonomousDriving:ASimpleyetStrongBaseline代码链接：https://github.com/OpenPerceptionX/TCP作者回复预计9月开jg

Kin__Zhang·2023-01-11 13:13

3D Object Detection for Autonomous Driving: A Survey（自动驾驶中的3D目标检测综述）论文阅读笔记

原文链接：https://arxiv.org/pdf/2106.10823.pdfII.传感器分为被动传感器（如摄像机）和主动传感器（如激光雷达）。优缺点如下：传感器优点缺点单目摄像机提供色彩和纹理信息成本低对光照条件敏感不提供深度信息立体摄像机提供深度信息计算复杂；视野有限激光雷达受光照影响小；360°视野无纹理色彩；稀疏不规则；贵固态激光雷达比普通激光雷达可靠；成本低视野有限关于摄像机-激光雷

byzy·2023-01-10 10:55

【论文导读】Online Training Data Poisoning of Autonomous Driving Systems

1.IntroductionDeeplearningisincreasinglybeingdeployedforreal-worldapplicationslikeself-driving,facerecognitionsystems

城南方铭·2023-01-09 07:07

《BDD100K: A Diverse Driving Dataset for Heterogeneous Multitask Learning》论文阅读笔记

论文链接ADiverseDrivingDatasetforHeterogeneousMultitaskLearningAbstract介绍了BDD100K数据集，包含100K段视频以及10种类型的任务，针对这种多元化任务需要特殊的训练策略。1IntroductionImageNet、COCO等数据集在之前很长一段时间里推动了计算机视觉的发展，针对自动驾驶，作者团队提出了BDD100K数据集，包含i

凉拌西瓜炒鸡腿·2023-01-08 21:52

Enhancements of V2X Communication in Support of Cooperative Autonomous Driving （支持协同自动驾驶场景的V2X通信增强）

EnhancementsofV2XCommunicationinSupportofCooperativeAutonomousDrivingLaurensHobert,AndreasFestag,IgnacioLlatser,LucianoAltomare,FilippoVisintainer,andAndrasKovacs摘要对于汽车行业两个新兴的技术：自动汽车和V2X通信。虽然它们两者经常被分别

Love_marginal·2023-01-07 20:03

220609_Efficient Uncertainty-aware Decision-making for Automated Driving Using Guided Branching

0、摘要1）提出了一个有效的不确定性感知决策(EUDM)框架该框架在复杂的驾驶环境中实时生成长期的横向和纵向行为。通过闭环策略树（DCP-Tree）结构和条件聚焦分支（CFB）机制控制计算复杂度。主要思想：利用特定领域的专家知识来指导行动和意图空间的分支。2）使用真实车辆捕获的车载传感数据和交互式多智能体模拟平台进行了验证。3）发布了我们框架的代码以适应基准测试。https://github.co

BorisVandermeer·2023-01-07 09:52

「Self-driving: KITTI」KITTI数据集简介

背景KITTI数据集建立前，前人的实验在米德尔伯里等既定基准上排名靠前的方法在从实验室转移到现实世界时表现低于平均水平。除了向社区提供具现实世界数据以减少实验偏差，KITTI在补充现有基准的情况下，形成了一个新颖且具有挑战性的计算机视觉基准。KITTI数据集涵盖的任务包括：立体视觉、光流、视觉里程计量、3D目标检测和3D跟踪。使用的传感器包括：两个高分辨率彩色相机和灰度视频相机、激光雷达、GPS系

Liiipseoroinis·2023-01-04 19:53

【ROS】如何将两个rosbag包合并成一个rosbag

参考：如何将两个rosbag包合并或者提取rosbag包中某些话题到一个rosbag里https://github.com/udacity/self-driving-car/blob/master/image-localization

Amelie_xiao·2022-12-29 11:40

【MatLab学习笔记】大型实例Highway Trajectory Planning Using Frenet Reference Path

原文链接：https://ww2.mathworks.cn/help/driving/ug/highway-trajectory-planning-using-frenet-reference-path.htmlHighwayTrajectoryPlanningUsingFrenetReferencePath

Pinoxchio·2022-12-28 18:31

DC使用教程系列2-时钟的概念与环境接口面积约束脚本

中的时序约束3、环境、设计规则和面积约束3.1环境设置选择**set_operatting_condition**3.2设置线负载模型set_wire_load_model3.3设置驱动强度(set_driving_cell

ciscomonkey·2022-12-25 08:35

Point-cloud based 3D object detection and classification methods for self-driving applications

说明仅个人总结原文下载链接一、摘要由深度学习技术提供的自动驾驶系统正成为未来移动出行的中心。自动驾驶的性能高度依赖于预测任务的质量。传感技术的发展引领了3D扫描仪可用性的增长。例如LiDAR，从而可以更精确地表示车辆周围环境实现更安全的系统。自从2010年初以来，围绕自动驾驶系统的研究迅速发展和随之而来的兴起，导致目标检测方法的数量和创新上一个急剧的增长。在第一波基础上试图从图像中的物体检测扩展已

学一点@·2022-12-23 05:18

High Definition Map for Autonomous Driving of NVIDIA

NVIDIAoffersanend-to-endmappingsystemforself-drivingcars,designedtohelpautomakers,mapcompaniesandstartupstorapidlycreateHDmapsandkeepthemupdated.Thisprocessthatusedtotakeweekscannowhappeninnearreal-ti

在路上moving·2022-12-22 10:18

论文阅读《High-Definition Map Generation Technologies For Autonomous Driving: A Review》2

目录4.2.2三维点云的道路标志提取4.3杆状物体提取5高精地图框架5.1Lanelet25.2OpenDRIVE5.3Apollo地图6局限性和开放性问题7参考文献航空图像道路标志提取。卫星图像和航空图像不仅可以用于路网提取，还可以用于道路标志提取。Azimi等[108]提出了从航空图像中直接提取道路标志的AerialLaneNet。该网络包含一个对称的全卷积神经网络(FCNN)。将原始航空图像

YMWM_·2022-12-22 09:09

论文阅读《High-Definition Map Generation Technologies For Autonomous Driving: A Review》1

目录摘要1介绍2高精地图的数据采集3点云地图生成3.1建图技术3.1.1基于分割的点云配准3.1.2仅基于激光雷达的点云建图3.1.3里程计融合点云配准3.1.4GPS融合点云配准3.1.5INS融合点云配准3.1.6视觉传感器融合点云配准4高精地图的特征提取方法4.1道路网提取4.1.1二维航空图像道路提取4.1.2三维点云的道路提取4.1.3基于传感器融合的道路/道路边界提取4.1.4其它方法

YMWM_·2022-12-22 09:37

MODNet-Motion and Appearance based Moving Object Detection Network for Autonomous Driving

梦之泪殇·2022-12-21 02:44

《Deep Reinforcement Learning framework for Autonomous Driving》翻译

《DeepReinforcementLearningframeworkforAutonomousDriving》翻译摘要强化学习被认为是一种强大的人工智能范式，可以通过与环境的互动和从错误中学习来教机器。尽管它被认为是实用的，但它还没有成功地应用于汽车应用。基于Atari游戏学习的成功演示和Goby谷歌DeepMind，我们提出了一个使用深度强化学习的自主驾驶框架。这一点特别重要，因为由于自动驾驶

菜鸟小菇凉·2022-12-20 08:49

Fed-SCNN: A Federated Shallow-CNN Recognition Framework for Distracted Driving

Fed-SCNN：用于分散驾驶的联合浅层CNN识别框架（IF：1.968）摘要：虽然分心驾驶识别对交通安全具有重要意义，但出于隐私保护的考虑，驾驶员不愿意向机器学习提供自己的个性化驾驶数据。如何在保证隐私保护的基础上提高分心驾驶识别的准确性?为了解决这个问题，我们提出了联邦浅cnn识别框架(federal-scnn)。首先，在用户端通过DNN和shallow-CNN建立混合模型，对车载图像数据进行

白兔1205·2022-12-15 14:35

【Self-Driving】演进路径：L0~L5的等级划分

关于汽车智能化的分级，业界有两套标准。第一是由美国交通部下属的NHSTA（国家高速路安全管理局）制定的；第二是由SAEInternational，即国际汽车工程师协会制定的。两个机构的标准都把自动驾驶分为了L0~L5，其中L0指的是人工驾驶。要注意的是，其实NHTSA早在2016年9月份，就统一采用了SAEInternational的分类标准。以下是SAEInternational的分类标准：从车

北境の守卫·2022-12-13 09:11

A Survey of Robust LiDAR-based 3D Object Detection Methods for Autonomous Driving（激光雷达3D目标检测方法）论文笔记

原文链接：https://arxiv.org/pdf/2204.00106.pdfIII.SotA将基于点云的3D目标检测分为4类，即基于点的、基于体素的、基于前视图的和基于多视图的方法。A.结构结构上可分为单阶段检测（PointPillars，3DSSD，SA-SSD，CIA-SSD和SE-SSD）和两阶段检测（PV-RCNN，PV-RCNN++和CenterPoint）。PointPillar

byzy·2022-12-12 14:31

毫米波雷达相机融合综述——MmWave Radar and Vision Fusion for ObjectDetection in Autonomous Driving: A Review

MmWaveRadarandVisionFusionforObjectDetectioninAutonomousDriving:AReview该论文是北京邮电大学2022年关于毫米波雷达和摄像头融合的一篇综述摘要：随着自主驾驶的蓬勃发展，复杂场景下的精确目标检测受到广泛关注，以确保自主驾驶的安全。毫米波雷达和视觉融合是实现精确障碍物检测的主流解决方案。本文详细介绍了基于毫米波雷达和视觉融合的障碍物

yzy-TBABTM·2022-12-10 21:12

【论文解读】MmWave Radar and Vision Fusion for Object Detection in Autonomous Driving: A Review

MmWaveRadarandVisionFusionforObjectDetectioninAutonomousDriving:AReview摘要4传感器标定A坐标系标定（外参）4.2雷达点滤除4.3误差校准5基于传感器融合的车辆检测5.1数据级融合（前融合）5.2决策级5.3特征级7总结摘要随着自动驾驶的蓬勃发展，复杂场景下的精准物体检测为保障自动驾驶安全而备受关注。毫米波（mmWave）雷达和

说海似云·2022-12-10 21:11

Multi-Modal 3D Object Detection in Autonomous Driving: a Survey（自动驾驶中的多模态3D目标检测综述）论文笔记

原文链接：https://arxiv.org/pdf/2106.12735.pdf1.引言1.1单一传感器3D目标检测基于图像的3D目标检测。低费用换来满意的性能。但存在遮挡、高计算成本、易受极端天气影响等问题。基于激光雷达的3D目标检测。激光雷达提供更丰富的几何信息，性能比图像好；但其昂贵而笨重、分辨率和刷新率低、有效范围小（远处点极为稀疏）、极端天气下不能工作。基于其他传感器的3D目标检测。雷

byzy·2022-12-09 15:56

【3D目标跟踪】Probabilistic 3D Multi-Modal, Multi-Object Tracking for Autonomous Driving阅读笔记（2020）

1、为什么要做这个研究（理论走向和目前缺陷）?之前的3D多目标跟踪，相似度计算基本都不考虑目标的几何和外观特征，也很少会把点云和图像特征融合在一块做，生命周期管理无一例外都是基于经验来设置一个固定参数。不好。2、他们怎么做这个研究（方法，尤其是与之前不同之处）?主要创新就是加了三个可训练的模块：1）特征融合模块：融合图像（maskrcnn）和点云（centerpoint）的特征，计算检测和跟踪的特

蓝田生玉123·2022-12-09 15:20

Pesuo-Lidar ++: Accurate Depth for 3D Object Detection in Autonomous Driving 论文笔记

Pseudo-LiDAR++:AccurateDepthfor3DObjectDetectioninAutonomousDriving论文链接：https://arxiv.org/abs/1906.06310一、ProblemStatement提升pseudo-lidar检测far-away目标的性能。作者观察到一个问题:双目深度估计的方法是比较可靠的，但是它们估计整个目标的深度不是太近就是太远。

Tianchao龙虾·2022-12-03 18:45

Pseudo-LiDAR++: Accurate Depth for 3D Object Detection in Autonomous Driving Yurong

是之前讲过的虚拟激光雷达的改进版。之前的文章有个缺点是说，对于远处的物体，检测效果不好。这篇文章通过改进双目摄像机的深度估计网络让检测的位置更准确，还进一步利用4线的特别便宜的激光雷达来微调检测结果。最终的效果：比之前的那篇文章，效果提升了27%。在某些指标上，可以和64线的激光雷达媲美。4线的激光雷达比64线的激光雷达价格要低两个数量级。这一套设备（4线激光雷达+摄像头）比之前64线的解决方案，

阳阳鸭·2022-12-03 18:10

【3D目标检测】PSEUDO-LIDAR++: ACCURATE DEPTH FOR 3D OBJECT DETECTION INAUTONOMOUS DRIVING

目录概述细节STEREODEPTHNETWORK(SDN)深度修正概述本文是基于双目图像的3D目标检测算法。提出动机与贡献：就像是之前Monocular3DObjectDetectionwithPseudo-LiDARPointCloud中提到的，伪点云中还是存在很多问题的（比如伪点云与真实点云的局部不对齐），但是这些问题都可以归结到深度估计的效果不好上，因此作者聚焦如何提高深度估计的效果，尤其是

可乐大牛·2022-12-03 18:06

【目标检测】SSD: Single Shot MultiBox Detector 模型fine-tune和网络架构

其中方法1，扩充类似数据集，详见UdacitySelf-Driving目标检测数据集简介与使用，由于一些原因，并未对此数据集做过多探索，一次简单训练下，mAP为64%左右，这还需要进一步探索。

苍穹sky·2022-12-03 08:02

推荐频道

Driving