【自动驾驶】多传感器信息融合研究综述学习笔记

最新推荐文章于 2025-12-03 15:13:50 发布
原创 最新推荐文章于 2025-12-03 15:13:50 发布 · 303 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #图像处理 #目标检测

本文是多传感器信息融合研究综述的学习笔记，介绍了多传感器信息融合的定义、优势、功能模型和结构模型，阐述了随机类方法和人工智能等融合算法，还提及了融合策略及其应用，并给出了参考文献，最后提到用Xmind制作思维导图。

多传感器信息融合研究综述学习笔记

  • 文章结构

  • 多传感器信息融合
  1. 定义与优势

  1. 功能模型

  1. 结构模型

3.1以目标身份为基准

最低0.47元/天 解锁文章
多传感器融合方法综述
人无远虑，必有近忧
10-17 4566
自动驾驶正成为影响未来行业的关键技术，传感器是自动驾驶系统中感知外部世界的关键，其协作性能直接决定自动驾驶车辆的安全性。本文主要讨论了近年来自动驾驶中多传感器融合的不同策略。分析了常规传感器的性能和多传感器融合的必要性，包括radar、激光雷达、摄像机、超声波、GPS、IMU和V2X。根据最近研究中的差异，将融合策略分为四类，并指出了一些不足之处。传感器融合主要应用于多目标跟踪和环境重建，论文讨论了多目标跟踪中建立运动模型和数据关联的方法。最后，作者分析了当前研究中的不足，并提出了未来进一步改进的建议。通过
【自动驾驶系列丛书学习】2.《自动驾驶汽车环境感知》学习笔记
Akaxi的博客
03-07 2690
【自动驾驶系列丛书学习】2.《自动驾驶汽车环境感知》学习笔记
轨迹预测笔记：自动驾驶轨迹预测综述剖析~
CV_Autobot的博客
04-08 827
deep learning-based models是目前最主流的轨迹预测方法，也是这篇文章所讨论的重点，在这类方法的早期阶段， supervised learning，如RNN-based networks、Graph-based networks、Transformer-based networks，在分析时空数据的复杂性上的表现十分优秀，但这类算法需要大量高精度的标注数据，而self-superviesed learning方法，却能够通过数据增强等手段，缓解高质量数据不足的问题。
（一）多传感器融合
yangyang_chuai的博客
01-06 6064
多传感器融合（Multi-sensor fusion）是指将来自不同类型或不同位置的传感器信息进行整合，以提高感知和信息处理的精确度、鲁棒性和可靠性的技术。传感器可以是各种物理传感器，如摄像头、雷达、激光雷达、惯性测量单元（IMU）等。多传感器融合的目标是通过综合不同传感器的信息，提供更全面、准确的环境感知和决策支持。其原理基于不同传感器对同一目标或现象的测量具有互补性和冗余性。通过融合这些数据，可以消除单个传感器的局限性和不确定性，提高系统的性能和鲁棒性。融合的过程通常包括。
面向自动驾驶的边缘计算技术研究综述
SAUTOMOTIVE的博客
12-20 4975
本文由吕品，许嘉，李陶深，徐文彪联合创作 摘要 边缘计算在自动驾驶的环境感知和数据处理方面有着极其重要的应用。自动驾驶汽车可以通过从边缘节点获得环境信息来扩大自身的感知范围，也可以向边缘节点卸载计算任务以解决计算资源不足的问题。相比于云计算，边缘计算避免了长距离数据传输所导致的高时延，能给自动驾驶车辆提供更快速的响应，并且降低了主干网络的负载。基于此，首先介绍了基于边缘计算的自动驾驶汽车协同感知和任务卸载技术及相关挑战性问题，然后对协同感知和任务卸载技术的研究现状进行了分析总结，最后讨论了该领域有待
书评&学习笔记《自动驾驶汽车环境感知》
小树屋
08-31 2205
对自动驾驶感知有一个框架式的介绍。 优点： - 专门介绍感知的书很少，这本书填补了这一块空白。做到了对感知有一个全方位的介绍。追求更详细的感觉可以直接看论文。 - 而且编排结构合理。 - 成书稍晚，选材也新一些。......
【自动驾驶系列丛书学习】1.《自动驾驶技术概论》学习笔记
Akaxi的博客
03-02 3385
【自动驾驶系列丛书学习】1.《自动驾驶技术概论》学习笔记
百度Apollo自动驾驶学习笔记
zouzhenhong98的博客
04-06 3725
Apollo学习笔记 作者：邹镇洪（清华大学车辆学院，个人主页） 本文是对百度Apollo自动驾驶的学习笔记。 最后更新：2021年4月6日 最后更新内容：Apollo进阶课程 ⑦ | 高精地图的采集与生产 目录 文章目录Apollo学习笔记概览拓展阅读：无人驾驶行业及Apollo 的Overview拓展阅读：拓展阅读：Apollo 开发说明高精地图定位感知**参考链接**预测规划地图路径规划路径-速度解耦规划Lattice 规划控制PID控制线性二次调节器模型预测控制（MPC）整车系统架构硬件系统标准
强化学习与自动驾驶研究内容
hooksten的博客
08-29 4036
https://www.nuscenes.org/2021.7，《华为数据中心自动驾驶网络白皮书》，27页，华为，https://www.chenxiaofang.site/wp-content/uploads/2021/07/%E5%8D%8E%E4%B8%BA%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E7%BD%91%E7%BB%9C%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf。
对SLAM和自动驾驶定位的思考，最新自动驾驶视觉SLAM方法综述！
CV_Autobot的博客
02-24 3267
自动驾驶车辆在不同的驾驶环境中需要精确的定位和建图解决方案。在这种背景下，SLAM技术是一个很好的解决方案。LIDAR和相机传感器通常用于定位和感知。然而，经过十年或二十年的发展，激光雷达SLAM方法似乎没有太大变化。
学习笔记1--自动驾驶环境感知概述
FUXI_Willard
12-01 5153
本系列博客包括6个专栏，分别为：《自动驾驶技术概览》、《自动驾驶汽车平台技术基础》、《自动驾驶汽车定位技术》、《自动驾驶汽车环境感知》、《自动驾驶汽车决策与控制》、《自动驾驶系统设计及应用》，笔者不是自动驾驶领域的专家，只是一个在探索自动驾驶路上的小白，此系列丛书尚未阅读完，也是边阅读边总结边思考，欢迎各位小伙伴，各位大牛们在评论区给出建议，帮笔者这个小白挑出错误，谢谢！ 此专栏是关于《自动驾驶汽车环境感知》书籍的笔记。 1.自动驾驶环境感知概述 1.1 自动驾驶环境感知介绍 自动驾驶四大核心技术：环
学习笔记之——3D Gaussian Splatting及其在SLAM与自动驾驶上的应用调研
热门推荐
gwpscut的博客
01-09 2万+
论文主页3D Gaussian Splatting是最近NeRF方面的突破性工作，它的特点在于重建质量高的情况下还能接入传统光栅化，优化速度也快（能够在较少的训练时间，实现SOTA级别的NeRF的实时渲染效果，且可以以 1080p 分辨率进行高质量的实时（≥ 30 fps）新视图合成）。开山之作就是论文“3D Gaussian Splatting for Real-Time Radiance Field Rendering”是2023年SIGGRAPH最佳论文。
Co-MTP：面向自动驾驶的多时间融合协同轨迹预测框架
m0_65010824的博客
12-02 1037
本文是对论文《Co-MTP: A Cooperative Trajectory Prediction Framework with Multi-Temporal Fusion for Autonomous Driving》的深度解读。在自动驾驶领域，V2X技术虽能突破单车感知局限，但现有研究难充分利用帧间时间线索支撑轨迹预测。同济大学团队提出Co-MTP框架，创新实现历史与未来双时间域融合，以异构图Transformer处理不完整历史轨迹、扩展至未来域捕捉交互，在V2X-Seq数据集获最优性能。
《自动驾驶与大模型融合新趋势：端到端感知-决策一体化架构分析》
nmdbbzcl的博客
12-01 697
从规则工程到大模型，从模块堆叠到端到端一体化。过去依赖工程师“穷举规则”的时代，已经无法支撑未来复杂城市交通与全球化扩张的需求；而以大模型为核心、端到端感知-决策一体化的架构，则在可扩展性、泛化能力和迭代效率上展现出巨大的潜力。特斯拉 FSD V12/13 用大规模端到端模型在量产车上完成了“从 perception-heavy 到 behavior-heavy”的范式转变；UniAD、DriveGPT4 等研究工作证明了，在学术基准数据集和模拟环境中，端到端一体化可以显著提升整体闭环表现；
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载
极智视界
12-01 418
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载「包含VOC、COCO、YOLO三种格式」
FSD入华“加速”中国自动驾驶产业的推动与重构
最新发布
lmj1689120的博客
12-03 509
FSD入华将促进中国自动驾驶产业从"跟跑"到"并跑"甚至"领跑"的转变，为中国智能网联汽车产业的高质量发展注入新的活力
挥手示意车辆先行，自动驾驶为何常 “不知所措”？ Alpamayo-R1给出新解法
finehoo_andy的博客
12-02 828
2025 年 NeurIPS 人工智能大会（加利福尼亚州圣地亚哥举办）上，英伟达发布的，被业内称为 “自动驾驶领域首个视觉语言动作模型”。这款开源工具的核心目标，正是解决自动驾驶长期面临的 “常识判断” 难题 —— 而这一切技术落地，都离不开 GPU 服务器的算力支撑。
自动驾驶场景驾驶员注意力安全行为睡驾分心驾驶疲劳驾驶检测数据集VOC+YOLO格式5370张6类别
FL1623863129的博客
12-02 210
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["DangerousDriving","Distracted","Drinking","SafeDriving","SleepyDriving","Yawn"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注数量(xml文件个数)：5370。标注数量(txt文件个数)：5370。
自动驾驶之眼：动态目标理解的关键突破
alex1013999的博客
12-02 974
自动驾驶系统中的动态目标理解是保障行车安全的核心技术，涉及目标检测识别、跟踪、状态估计和行为预测等多个环节。当前主流方法采用多传感器融合（摄像头、激光雷达、毫米波雷达）结合深度学习算法，但仍面临长尾场景、复杂交互、遮挡和预测不确定性等挑战。未来发展趋势包括深化多模态融合、发展交互式预测模型、利用高清地图信息以及探索端到端学习等方向。解决这些技术难题将推动自动驾驶在复杂道路环境中的安全应用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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