当我们在谈感知的时候,究竟在说哪些内容?

点击下方卡片,关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心BEV感知技术交流群

当我们谈到感知究竟在谈什么?从早期的2.5D到单目3D,再到多目3D等等,感知一直在往鲁棒、适配下游的方向靠拢。目前通用的感知子方向有:BEV检测、单目3D检测、点云3D检测、多模态3D检测、车道线检测、Occupancy、3D/4D雷达感知、在线高精地图、轨迹预测、端到端等。

这里我们又可以分为几大类:动态障碍物感知、静态障碍物感知、预测任务、端到端任务等,如果您对这几类感知任务有兴趣,也欢迎关注自动驾驶之心的教程!

五一少量88折优惠券,扫码领取

fe20a7b6ac2b64ecc8ee398ec3dff230.png

1)动态障碍物感知

动态障碍物感知的方案主要有单目方案、多目方案、多模态方案!其中多模态方案又包括毫米波雷达视觉融合、激光雷达视觉融合等。

ef3c9db2bc05aa4ab3d4372d67841da8.png

目前工业界量产较多的方案有单目感知(低成本方案)、多目BEV感知(orin或J5等高阶方案),以及面向L4的点云视觉方案。视觉方案成本低,视觉特征丰富,几乎成为了每个量产车型的标配。但是受到相机参数、天气、照明影响较大,雨天、雾天、夜晚等场景下几乎失效。

de629a952aa74dbf450fbc0790160b0a.png

基于RV和LV的融合感知方案能在视觉任务失效的同时,做近大可能的弥补,目前3D毫米波雷达/4D毫米波雷达/激光雷达是主要传感器,也被大多数自动驾驶公司量产采用。无论是RV、LV在特征级上的融合感知,还是后处理融合,都能大幅提升系统的整体效果。

bdc82bec77c068c01607d22556e860c0.png

而基于占用栅格网络的障碍物感知,则能进一步解决上述感知无法处理的非常规障碍物,比如挂车、树木、垃圾、以及石子等!也是今年各家自动驾驶公司争先量产的方案。

1be0d3d9bd73cd39b0f566696e41dc71.png

2)静态障碍物检测

静态障碍物检测在自动驾驶领域,一般指的是车道线检测和禁停标志、静止障碍物的检测。车道线检测方法主要包括2D车道线检测、单目3D车道线检测、多目3D车道线检测、在线地图等。被广泛应用到自适应巡航(ACC)、车道保持辅助(LKA)、车道偏离预警(LDW)等功能是核心功能,还有更高阶的自动拨杆变道功能、城市NOA无图方案。

相比于车道线检测任务,目前大火的在线地图更能输出道路的拓扑关系,脱离传统高精地图方案,成为目前各家公司量产的主要技术。

2792d857e2f3d9a7943f155b3ab80210.png

除此之外,检测和Occupancy任务也承担了部分的禁停标志、通用障碍物(比如栏杆、石墩)的检测功能。

3)预测任务

何为轨迹预测?自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。通过预测车辆的轨迹,智驾系统可以提前识别潜在的危险情况,如避免与其他车辆或障碍物的碰撞,避免突发状况的发生等。同时,预测轨迹还可以帮助系统规划最佳的行驶路线,提高行驶效率和舒适性。

73d7a087b10f3f0c0d7b45e81d397b2c.png

4)端到端任务

上述的所有任务其实本质上是自动驾驶系统的子模块,如果想要形成一个完整的功能,需要感知、融合、定位、规划等多个模块协作。模块与模块之间解耦,需要独立的优化训练,流程繁琐。端到端任务的出现,是期望从数据输入(比如多目数据、点云数据等)直接生成下游可用的规划指令。多个任务进行耦合,解决繁琐的优化问题,也是24年各家自动驾驶公司争先落地的方案,期待!

d6c56b927a8d19387327fdb2fc5a6e02.png

5)写在最后

如果您对上述的感知技术很感兴趣,也欢迎学习我们的课程:

五一少量88折优惠券,扫码领取

454a0a71b9cf6740197507efb7b97895.png

投稿作者为『自动驾驶之心知识星球』特邀嘉宾,欢迎加入交流!

① 全网独家视频课程

BEV感知、毫米波雷达视觉融合多传感器标定多传感器融合多模态3D目标检测车道线检测轨迹预测在线高精地图世界模型点云3D目标检测目标跟踪Occupancy、cuda与TensorRT模型部署大模型与自动驾驶Nerf语义分割自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频(扫码即可学习

b37b128af58ece52b943d81e87f778a7.png 网页端官网:www.zdjszx.com

② 国内首个自动驾驶学习社区

国内最大最专业,近3000人的交流社区,已得到大多数自动驾驶公司的认可!涉及30+自动驾驶技术栈学习路线,从0到一带你入门自动驾驶感知2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪)、自动驾驶定位建图SLAM、高精地图、局部在线地图)、自动驾驶规划控制/轨迹预测等领域技术方案大模型、端到端等,更有行业动态和岗位发布!欢迎扫描下方二维码,加入自动驾驶之心知识星球,这是一个真正有干货的地方,与领域大佬交流入门、学习、工作、跳槽上的各类难题,日常分享论文+代码+视频

34e4f92a9a5e1f34360271733b60e5a3.png

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区,聚焦感知、定位、融合、规控、标定、端到端、仿真、产品经理、自动驾驶开发、自动标注与数据闭环多个方向,目前近60+技术交流群,欢迎加入!

自动驾驶感知:目标检测、语义分割、BEV感知、毫米波雷达视觉融合、激光视觉融合、车道线检测、目标跟踪、Occupancy、深度估计、transformer、大模型、在线地图、点云处理、模型部署、CUDA加速等技术交流群;

多传感器标定:相机在线/离线标定、Lidar-Camera标定、Camera-Radar标定、Camera-IMU标定、多传感器时空同步等技术交流群;

多传感器融合:多传感器后融合技术交流群;

规划控制与预测:规划控制、轨迹预测、避障等技术交流群;

定位建图:视觉SLAM、激光SLAM、多传感器融合SLAM等技术交流群;

三维视觉:三维重建、NeRF、3D Gaussian Splatting技术交流群;

自动驾驶仿真:Carla仿真、Autoware仿真等技术交流群;

自动驾驶开发:自动驾驶开发、ROS等技术交流群;

其它方向:自动标注与数据闭环、产品经理、硬件选型、求职面试、自动驾驶测试等技术交流群;

扫码添加汽车人助理微信邀请入群,备注:学校/公司+方向+昵称(快速入群方式)

a23f936c6f1b41de563becf076a3f720.jpeg

④【自动驾驶之心】平台矩阵,欢迎联系我们!

c80120212012251694adcebdff0944f2.jpeg

内容概要:本文围绕EKF SLAM(扩展卡尔曼滤波同步定位与地图构建)的性能展开多项对比实验研究,重点分析在稀疏与稠密landmark环境下、预测与更新步骤同时进行与非同时进行的情况下的系统性能差异,并进一步探讨EKF SLAM在有色噪声干扰下的鲁棒性表现。实验考虑了不确定性因素的影响,旨在评估不同条件下算法的定位精度与地图构建质量,为实际应用中EKF SLAM的优化提供依据。文档还提及多智能体系统在遭受DoS攻击下的弹性控制研究,但核心内容聚焦于SLAM算法的性能测试与分析。; 适合人群:具备一定机器人学、状态估计或自动驾驶基础知识的科研人员及工程技术人员,尤其是从事SLAM算法研究或应用开发的硕士、博士研究生和相关领域研发人员。; 使用场景及目标:①用于比较EKF SLAM在不同landmark密度下的性能表现;②分析预测与更新机制同步与否对滤波器稳定性与精度的影响;③评估系统在有色噪声等非理想观测条件下的适应能力,提升实际部署中的可靠性。; 阅读建议:建议结合MATLAB仿真代码进行实验复现,重点关注状态协方差传播、观测更新频率与噪声模型设置等关键环节,深入理解EKF SLAM在复杂环境下的行为特性。稀疏 landmark 与稠密 landmark 下 EKF SLAM 性能对比实验,预测更新同时进行与非同时进行对比 EKF SLAM 性能对比实验,EKF SLAM 在有色噪声下性能实验
内容概要:本文围绕“基于主从博弈的售电商多元零售套餐设计与多级市场购电策略”展开,结合Matlab代码实现,提出了一种适用于电力市场化环境下的售电商优化决策模型。该模型采用主从博弈(Stackelberg Game)理论构建售电商与用户之间的互动关系,售电商作为领导者制定电价套餐策略,用户作为跟随者响应电价并调整用电行为。同时,模型综合考虑售电商在多级电力市场(如日前市场、实时市场)中的【顶级EI复现】基于主从博弈的售电商多元零售套餐设计与多级市场购电策略(Matlab代码实现)购电组合优化,兼顾成本最小化与收益最大化,并引入不确定性因素(如负荷波动、可再生能源出力变化)进行鲁棒或随机优化处理。文中提供了完整的Matlab仿真代码,涵盖博弈建模、优化求解(可能结合YALMIP+CPLEX/Gurobi等工具)、结果可视化等环节,具有较强的可复现性和工程应用价值。; 适合人群:具备一定电力系统基础知识、博弈论初步认知和Matlab编程能力的研究生、科研人员及电力市场从业人员,尤其适合从事电力市场运营、需求响应、售电策略研究的相关人员。; 使用场景及目标:① 掌握主从博弈在电力市场中的建模方法;② 学习售电商如何设计差异化零售套餐以引导用户用电行为;③ 实现多级市场购电成本与风险的协同优化;④ 借助Matlab代码快速复现顶级EI期刊论文成果,支撑科研项目或实际系统开发。; 阅读建议:建议读者结合提供的网盘资源下载完整代码与案例数据,按照文档目录顺序逐步学习,重点关注博弈模型的数学表达与Matlab实现逻辑,同时尝试对目标函数或约束条件进行扩展改进,以深化理解并提升科研创新能力。
<think>首先,用户的问题是:“感知均匀的cmap有哪些?”这是在Matplotlib上下文中询问感知均匀的颜色映射选项。 回顾之前的对话: - 用户一开始问了关于matplotlib中cmap='viridis'的其他选择。 - 我提供了一个详细的回答,包括顺序性、发散性、定性等colormap选项。 - 在后续回答中,当用户问深紫到绿到黄到红的cmap时,我提到了'jet'但不推荐,因为它不是感知均匀的。 - 现在用户直接问感知均匀的cmap有哪些。 关键点:感知均匀的colormap(perceptually uniform colormaps)是指颜色渐变在视觉上均匀变化,有助于防止误导数据表示。在Matplotlib中,有几个推荐的感知均匀的colormap。 从Matplotlib的文档和常见知识: - **顺序性感知均匀cmap**:这些是从低到高均匀变化的颜色映射。 - `'viridis'`:默认推荐,从深蓝紫到黄绿。 - `'plasma'`:从深紫到亮黄。 - `'inferno'`:从黑到亮黄。 - `'magma'`:类似inferno,但色调不同。 - `'cividis'`:色盲友好,从黄到蓝。 - **发散性感知均匀cmap**:突出中间值。 - `'coolwarm'`:感知均匀的蓝-白-红渐变。 - `'RdBu_r'`或相关变体(但需要确认感知均匀性;Matplotlib的一些发散cmap是均匀的)。 Matplotlib官方推荐的感知均匀cmap主要包括: - 来自Viridis家族的:viridis, plasma, inferno, magma, cividis。 - 其他:如`'seaborn'`风格中的一些,但核心Matplotlib中,viridis等是标准。 在回答中,我需要: 1. 使用中文回答问题。 2. 在回答完问题后,提出3-5个相关问题。 3. 相关问题必须以“§§相关问题§§”开头,且在第一行完整输出。 4. 禁止换行分散,相关问题必须连续输出。 5. 根据用户的问题和我的回答提出相关问题。 结构回答: - 先直接回答用户问题:列出感知均匀的cmap选项。 - 提供简要明或类别。 - 然后结尾输出相关问题。 相关问题的灵感: - 基于回答的内容: - 什么是感知均匀性?为什么重要? - 如何评估一个colormap是否感知均匀? - 在特定场景下如何选择感知均匀的cmap? - 如何自定义感知均匀的colormap? - 确保3-5个问题。 最终回答框架: 1. 回答部分: - 列出感知均匀的cmap。 - 示例代码展示如何获取或使用。 2. 相关问题部分: - 第一行:"§§相关问题§§" - 后续1. 2. 3. ... 列出问题。 确保所有内容符合规则:无换行分散,相关问题连续。 草拟回答: - 感知均匀的cmap主要包括Viridis家族的:`'viridis'`, `'plasma'`, `'inferno'`, `'magma'`, `'cividis'`。这些设计为在视觉上均匀变化,避免突然的色彩跳跃。 - 其他如`'seismic'`或`'coolwarm'`可能有一定均匀性,但Viridis家族是最推荐的。 - 代码示例:`import matplotlib.pyplot as plt; print(plt.colormaps())` 查看所有。 相关问题: 1. Matplotlib中感知均匀的colormap是如何设计的? 2. 在实际数据可视化中,为什么感知均匀性如此重要? 3. 如何测试一个colormap是否感知均匀? 4. 除了Viridis之外,还有哪些广泛使用的感知均匀colormap选项? </think>在Matplotlib中,感知均匀的colormap(即perceptually uniform colormap)设计为颜色过渡平滑、视觉上均匀,避免误导数据解读。以下是主要推荐的选项: ### 核心感知均匀colormap(来自Viridis家族): - **顺序性(Sequential)**:适合表示从低到高的数值数据 - `'viridis'`:默认推荐,从深蓝紫渐变到黄绿 - `'plasma'`:从深紫过渡到亮黄 - `'inferno'`:从黑渐变到亮黄 - `'magma'`:类似inferno,但以深紫为起点 - `'cividis'`:色盲友好方案,从黄渐变到蓝 ### 其他感知均匀选项: - **发散性(Diverging)**:适合突出中间值 - `'coolwarm'`:感知均匀的蓝-白-红渐变 - `'RdBu_r'`(反转的Red-Blue):感知优化的红-白-蓝渐变 可通过代码查看和验证: ```python import matplotlib.pyplot as plt # 列出所有colormap,标注感知均匀性 print([cmap for cmap in plt.colormaps() if cmap in ['viridis', 'plasma', 'inferno', 'magma', 'cividis', 'coolwarm', 'RdBu_r']]) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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
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