0. 简介 作为无人车以及智能机器人而言,在装配过程中各个传感器之间的外参标定一直是比较头疼的问题。这里作者也系统的学习了一下,传感器的外参标定和在线标定问题。下图是我们常用的几个坐标系,而对于常用的外参问题经常是IMU/GNSS与车体坐标的外参、Lidar和Camera的外参、Lidar和Lidar的外参、Lidar和IMU/GNSS的外参。 1. 离线外参标定 1.1 IMU/GNSS与
0. 简介 在阅读了近些年的前视的工作后,发现现在以特斯拉为首的BEV纯视觉语义分割方法目前也越来收到关注,并吸引了大量的研究工作,但是灵活的,不依赖内外参的任意位置安装单个或多个摄像头仍然是一个挑战,而Nullmax就提出了《BEVSegFormer: Bird’s Eye View Semantic Segmentation From Arbitrary Camera Rigs》以用来解决这
0. 简介 最近在群里划水时,看到很多初学的SLAMer面对精度评估这个问题无从下手。而精度评估确实是在SLAM算法实际评估中急需一种手段和工具,本文将从2维室内和3维室外两个层面来向各位展示如何通过各种手段来对SLAM算法完成。 1. 2D评估—基于cartographer 室内的评估方案比较多样,作者也选取了几种方法来实现二维层面上的室内定位性能评估 1.1 直尺和角度计 这种是作为
0. 简介 定位模块是自动驾驶最核心的模块之一,定位又包括全局定位和局部定位,对于自动驾驶,其精度需要达到厘米级别。传统的AGV使用一类SLAM(simultaneous localization and mapping)的方法进行同时建图和定位,但是该方法实现代价高,难度大,难以应用到自动驾驶领域。自动驾驶车辆行驶速度快,距离远,环境复杂,使得SLAM的精度下降,同时远距离的行驶将导致实时构建
0. 简介 作为SLAMer常用的优化工具,我们会经常接触Ceres这一优化工具,但是在优化的过程中一直不支持GPU加速,这就导致优化性能难以提高,但是在Ceres2.1这一版本后,GPU加速开始适用于Ceres,为此本文来采坑看一看如何适用GPU加速Ceres。 1. 删除原本Ceres 通过find . -name ceres*函数我们可以发现ceres代码路径是存在在下面三个路径下的,
0. 简介 protobuf也叫protocol buffer是google 的一种数据交换的格式,它独立于语言,独立于平台。google 提供了多种语言的实现:java、c#、c++、go 和 python,每一种实现都包含了相应语言的编译器以及库文件。 由于它是一种二进制的格式,比使用 xml 、json进行数据交换快许多。可以把它用于分布式应用之间的数据通信或者异构环境下的数据交换。作为一种
0.背景 在自动/辅助驾驶中,车道线的检测非常重要。在前视摄像头拍摄的图像中,由于透视效应的存在,本来平行的事物,在图像中确实相交的。而IPM变换就是消除这种透视效应,所以也叫逆透视。 而我们需要认识的变换主要分为三类透视变换、仿射变换、单应性变换: 透视变换:不能保证物体形状的“平行性”。仿射变换是透视变换的特殊形式。透视变换是将一个平面投影到另一个平面,简单理解就是把一张图片投影到另一
0. 前言 最近尝试着去在SLAM当中使用深度学习,而目前的SLAM基本上是基于C++的,而现有的Pytorch、Tensorflow这类框架均是基于python的。所以如何将Python这类脚本文件来在C++这类可执行文件中运行,这是非常有必要去研究的,而网络上虽然存在有例子,但是很多都比较杂乱,所以本篇文章将网络上常用的方法进行整理,以供后面初学者有迹可循 1. 模型认识 我们知道,目前基于C
0. 前言 最近公司需要实现基于HD-MAP的自动驾驶定位技术,而这方面之前涉及的较少,自动驾驶这部分的定位技术与SLAM类似,但是缺少了建图的工程,使用HD-MAP的形式来实现车辆的定位(个人感觉类似机器人SLAM当中的初始化+回环定位的问题)。下面是我个人的思考与归纳 1. AVP-SLAM 从AVP-SLAM自动泊车SLAM中我们发现基础(封闭)的视觉定位模式避不开下面几个步骤 A 首先是I
无人驾驶
博客
泡泡
积分
勋章
精选使用CyberRT写第一个代码
精选经典文献阅读之--TwinLiteNet(可行驶区域和车道分割的高效轻量级模型)
精选经典文献阅读之--Online Monocular Lane Mapping(使用Catmull-Rom样条曲线完成在线单目车道建图)
精选经典文献阅读之--Vision-based Large-scale 3D Semantic Mapping...(自动驾驶的大规模三维视觉语义地图的构建)
精选点云滤波与匹配进阶
OpenCalib之Lidar_imu自动标定----自输入输入数据采集
精选浅谈Dead reckoning实现原理以及常用算法
精选小白能看懂的CyberRT学习笔记
精选一种简化的3D点云车道线自动识别标注一些思考
常见的3d bounding box标注工具
经典文献阅读之--IGP2(可解释性目标的自动驾驶预测与规划)
3D帧间匹配-----剔除动态障碍物
SemanticKITTI点云标注工具
经典文献阅读之--用于自动驾驶的高清地图生成技术
基于Open3D的Lidar-Segment
Lidar-MOS 安装与使用
openpilot了解与分析
AVM 环视拼接方法介绍
IPM 鸟瞰图公式转换与推导
多传感器融合综述---FOV与BEV
多传感器融合感知 --传感器外参标定及在线标定学习
BEVSegFormer---BEV的语义分割
SLAM精度评估
自动驾驶之高精地图
Ceres2.1 GPU加速的开始
Protobuf 二进制文件学习及解析
逆透视变换(IPM)多种方式及代码总结
深度学习之从Python到C++
基于HD-MAP的自动驾驶定位技术
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信