自动驾驶学习笔记(三)——场景设计

本文为Apollo开发者学习自动驾驶课程的总结。介绍了在云端仿真平台进行Apollo场景设计的过程,包括选择场景地图、填写基本信息、添加主车及指定终点、添加交通参与车辆并定义类型,最后保存场景。还分享了学习课程传送门,欢迎交流。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

#Apollo开发者#

学习课程的传送门如下,当您也准备学习自动驾驶时,可以和我一同前往:

《自动驾驶新人之旅》免费课程—> 传送门

《2023星火培训【感知专项营】》免费课程—>传送门

文章目录

 

前言

场景设计平台

场景地图

场景基本信息

主车行为

交通参与者

保存场景

总结


前言

        见《自动驾驶学习笔记(一)——Apollo平台

        见《自动驾驶学习笔记(二)——Apollo入门

场景设计平台

        Apollo的场景设计,是在云端仿真平台中进行的,平台主界面如下所示:

场景地图

        为自己的场景选择一个地图,如下图所示:

场景基本信息

        给自己的场景填写基本信息,主要包括名称、编号、道路结构、车辆行为等,如下图所示:

主车行为

        在场景中添加一个主车,并指定主车运行的终点,如下图所示:

交通参与者

        在场景中添加一个交通参与车辆,并将它定义为静态障碍物类型,如下图所示:

保存场景

        点击左上角’保存’按钮后,就可以在个人场景口中看到该场景了,如下图所示:

总结

        以上就是本人在学习自动驾驶时,对所学课程的一些梳理和总结。后续还会分享另更多自动驾驶相关知识,欢迎评论区留言、点赞、收藏和关注,这些鼓励和支持都将成文本人持续分享的动力。

        另外,如果有同在小伙伴,也正在学习或打算学习自动驾驶时,可以和我一同抱团学习,交流技术。


        版权声明,原创文章,转载和引用请注明出处和链接,侵权必究!

        文中部分图片来源自网络,若有侵权,联系立删。

### 2D Gaussian Splatting 的概念 2D Gaussian Splatting 是一种用于高效表示和渲染场景的技术,其核心思想是通过二维高斯分布(2D Gaussians)来近似维空间中的物体表面[^2]。相比传统的基于体素或网格的方法,2DGS 提供了一种更加紧凑且快速的方式来进行场景建模和渲染。 --- ### 2D Gaussian Splatting 的实现方法 #### 数据结构设计 2D Gaussian Splatting 使用的是 **定向椭圆盘** 来作为基本单元,这些单元可以看作是对场景的一种简化表示形式。每一个 2D 高斯分布由以下几个参数定义: - 中心位置 $(\mu_x, \mu_y)$ 表示该高斯分布在图像平面上的位置。 - 协方差矩阵 $\Sigma$ 描述了形状和方向的信息。 - 不透明度 ($\alpha$) 控制可见程度。 - RGB颜色值决定视觉效果。 这种数据结构的设计使得它能够很好地适应现代图形处理硬件的能力,在GPU上执行高效的并行运算成为可能[^4]。 #### 渲染过程优化 在实际渲染过程中,2DGS 利用了精确的光线与椭圆形基元之间的相交测试技术 ("ray-splat intersection") ,从而实现了比传统体积渲染更高的精度以及更低的时间复杂度。具体来说: 1. 对于每一条从相机出发到达屏幕像素点的视线(ray),找到与其发生碰撞的所有splat; 2. 计算每个被击中的splat对该特定像素贡献的颜色强度; 3. 将所有相关联的结果按照一定规则融合起来形成最终画面输出。 这种方法避免了由于视角变化而导致的传统3D GS可能出现的问题——即当观察角度改变时产生的深度排序不连贯现象。 --- ### 应用场景分析 #### 新视图合成 得益于其强大的表达能力和优秀的性能表现,2D Gaussian Splatting 特别适合应用于虚拟现实(VR)/增强现实(AR)领域内的实时动态环境创建任务之中。例如,在电影制作或者游戏开发当中,可以通过采集少量真实世界的图片资料之后构建完整的沉浸式体验场所。 #### 自动驾驶感知系统改进 另外一方面,在自动驾驶汽车所依赖的各种传感器获取的数据基础上运用此算法还可以进一步提升对于周围障碍物识别的速度与准确性。因为相较于其他类型的模型而言,采用2D GS方式不仅可以减少存储需求量还能加快推理速度,这对于需要即时响应的安全关键型应用尤为重要[^3]。 #### SLAM 系统升级 同时,在同步定位与地图绘制(SLAM)研究方面也有着广泛的应用前景。借助于2D Gaussian Splatting 技术的优势特性可以帮助机器人更有效地理解其所处的空间布局情况,并据此做出合理的行为决策。 ```python import numpy as np def render_2d_gaussian(center, covariance_matrix, alpha, color): """ Simulates rendering a single 2D Gaussian splat. Parameters: center (tuple): The mean position of the Gaussian distribution on image plane. covariance_matrix (np.ndarray): Covariance matrix defining shape and orientation. alpha (float): Opacity value controlling visibility level. color (list or tuple): RGB values specifying appearance characteristics. Returns: rendered_image (np.ndarray): A synthetic representation showing how this element contributes visually within scene context. """ # Placeholder implementation details omitted here... pass ``` ---
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Mr.Cssust

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值