【智路】智路OS airos-v2x-msg

原创 已于 2024-09-17 10:28:09 修改 · 190 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 #交通物流 #物联网 #边缘计算 #云计算

于 2024-09-13 17:54:12 首次发布
部署运行你感兴趣的模型镜像

AIR OS V2X Messages

https://gitee.com/ZhiluCommunity/airos-v2x-msg

V2X 消息转换模块。更多信息请访问 AIROS-Vehicle

您可能感兴趣的与本文相关的镜像

GPT-oss:20b

GPT-oss:20b

图文对话
Gpt-oss

GPT OSS 是OpenAI 推出的重量级开放模型，面向强推理、智能体任务以及多样化开发场景

【智路】智路OS airos-vehicle
我的博客
09-13 565
AIROS Vehicle也可用于T-Box、OBU、RSU等通信设备中实现C-V2X标准协议栈。
【智路】智路OS airos-edge
我的博客
09-13 1256
智路OS是一套完整的软件和服务开放系统，由路侧操作系统（airos-edge），车端（airos-vehicle）和云端开发者平台共同构成，为行业提供了统一的车路云开发环境。其中airos-edge自下而上分别由内核层，硬件抽象层、中间件层和服务层构成；airos-vehicle由V2X协议栈和应用服务框架组成；云端开放平台为开发者提供了标定，标注等开箱即用的工具集；开发者可基于智路OS快速搭建一套完整的车路协同或其他智能交通系统。
基于C-V2X标准的airos-vehicle车端车路协同应用框架设计源码
09-27
该项目为基于C-V2X标准的airos-vehicle车端车路协同应用框架设计源码，包含143个文件，涵盖37个头文件、35个C/C++源代码文件、18个文本文件、12个Python脚本、11个C++头文件、8个图片文件、3个Shell脚本、2个Markdown文件和1个格式化配置文件。该框架支持C-V2X相关标准，便于开发者快速构建车端V2X应用。
【智路】智路OS 组件开发基础
我的博客
09-17 451
所有使用包管理工具创建的文件目录基本相同，以下分别是设备、应用、服务的默认包目录。
【智路】智路OS 应用开发
我的博客
09-17 822
其中，v2xpb.asn.MessageFrame为V2X标准消息对应的protobuf格式，airos.cloud.CloudFrame为根据路云数据交互规范标准制定的protobuf格式，同时需要修改配置供框架加载，例如编译的动态库名为libnew_app.so，对应的conf/app_lib_cfg.pb需要修改为。初始化接口，在应用初始化时调用，框架在描述文件中读取配置文件相对路径，增加前缀路径后传入接口。应用的基类，开发者需要继承该类并实现对应的接口，由智路OS框架加载模块后调用。
长安大学与百度达成战略合作 聚焦人工智能与自动驾驶协同创新
大力财经
12-30 333
中国科学院院士、长安大学校长李树涛，百度首席技术官王海峰，长安大学教授、西安建筑科技大学校长赵祥模，中国交通运输协会城市交通分会会长、中国交通报社原党委书记、董事长蔡玉贺，长安大学北京校友会会长季求知等出席并见证合作协议签署。12月28日，长安大学与百度公司正式达成战略合作，在古都西安举行合作签约仪式。此次签约标志着双方在产教融合、科教融汇方面迈出重要一步，随着战略合作持续推进，长安大学与百度将围绕人工智能和自动驾驶等重点方向深化协同创新，加快科研成果转化与人才培养实践，为我国科技进步与产业升级贡献力量。
特斯拉自动驾驶技术的“具身认知”特征分析
weixin_41939376的博客
12-29 931
特斯拉的技术用“视觉+端到端网络”把道路世界压缩成一个高频、低时延的感知-行动闭环；再用大规模车队数据 + OTA 更新让这套闭环持续“学习长大”；而在现实运行中，这个闭环仍然把驾驶员监督当作关键组成部分。Tesla一、从工程实践维度：特斯拉如何实现“具身认知”1.1 具身认知特征 A：把认知做成“高频闭环”，而不是“模块拼装”从 v13 的更新说明看，特斯拉强调“升级端到端驾驶网络”，包括36Hz、全分辨率 AI4 视频输入、以及photon-to-control 延迟减半。
2025：把“大模型”写进“数据闭环”——从自动驾驶到具身机器人，我如何用数据与算法做可落地的智能系统
数据与算法架构提升之路专栏
12-29 1441
2025年AI领域最显著的变化是从单一模型向可持续迭代的闭环系统转变。本文系统梳理了"数据→模型→行动→数据"的完整闭环链路，重点分析了四大关键层：数据底座（可追溯/可增量/可观测）、模型侧（本地推理可靠性）、自动驾驶（数据再生产）、具身智能（VLA可训练性）。作者通过实践总结出可落地的工程准则，包括数据湖布局策略、量化部署模板、Occupancy自动标注方案等，并将读者互动转化为闭环系统的需求输入端。文章强调真正的智能价值在于系统化的稳定生产能力，而非孤立模型效果。
自动驾驶中间件iceoryx - 介绍
yuanmenghao
12-27 690
本文介绍了高性能中间件iceoryx的设计理念与技术特点。现代嵌入式系统面临数据规模增长、多进程架构和实时性要求等挑战，传统IPC方案存在性能瓶颈。iceoryx采用零拷贝共享内存机制，通过预分配内存池、无锁并发和相对指针等技术实现微秒级延迟和确定性传输。其核心组件包括RouDi守护进程、MePoo内存池和发布订阅API，采用控制/数据/通知三平面架构确保性能隔离。相比DDS、ROS等方案，iceoryx专注于本机进程间通信，具有轻量级、硬实时等特点，适合自动驾驶、工业控制等场景。该项目由Eclipse基金
智能体在车联网中的应用：第37天 CARLA仿真中的端到端车道保持：基于CNN模仿学习的自动驾驶实践
IT深耕十余载，大道之简
12-31 961
本项目构建了一个完整的端到端自动驾驶训练框架，核心思想是让神经网络学会从视觉输入到控制输出的直接映射关系。数据收集模块：在CARLA环境中控制车辆行驶，同步采集摄像头图像和对应的车辆控制信号模型训练模块：使用收集的数据训练CNN模型，学习从图像到转向指令的映射函数部署验证模块：将训练好的模型部署到CARLA中，验证其车道保持性能与传统方法不同，我们的系统不包含显式的车道线检测、路径规划或控制算法，所有决策逻辑都编码在神经网络的权重中。
德思特Q&A | GNSS模拟器如何赋能自动驾驶？聚焦HIL、多实例与精准轨迹仿真的技术优势
hongke_weixin的博客
12-31 834
德思特解决方案通过灵活硬件架构+深度场景化仿真能力，解决了GNSS测试中频段兼容性、多频并发、高动态轨迹还原等关键挑战，尤其为自动驾驶提供了低成本、高保真、全链路的测试验证支撑，加速产品研发与全球合规认证。
《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（3）
qq_74174950的博客
12-29 738
的激光雷达里程计，这种称为特征法激光雷达里程计，方法为先对点云提取一些简单的特征，之后对特征点进行配准，同时也要根据特征点本身的不同性质，采取不同的配准方法，使之更加精准。一定限度地提取特征，有助于进一步优化配准结果，然而，这种基于线束的方法实际上利用了很多先验信息，如点云由若干条扫描线组成，激光雷达是水平放置的，等等。基于线束的特征提取需要知道点云本身的线束信息（可以从驱动程序中获取，也可以根据每个点的坐标计算该点的俯仰角度，然后通过雷达自身每条线的俯仰角度信息，推断该点属于哪个线束）。
# 2011 IEEE T-BME 经典 | 给透析机装上“自动驾驶”：如何利用控制算法预防透析低血压？
最新发布
alfred_torres的博客
01-02 613
这是一篇关于血液透析自动化控制的经典工程学论文。针对透析过程中患者容易出现低血压（Hypotension）这一临床痛点，作者提出了一套基于模型预测控制 (MPC)的闭环反馈系统。该系统不仅监测血容量，还同时监测心率和血压，通过自动调节超滤率 (UFR)和透析液钠浓度 (DSC)，像“自动驾驶”一样，让患者在透析过程中的各项生理指标保持在安全范围内，从而减少透析并发症。主要贡献引入心率 (HR)：证明了将心率纳入反馈回路对于维持透析稳定性至关重要。双管齐下。
【YOLO数据集】自动驾驶
AI
12-29 730
自动驾驶技术的普及对环境感知系统的实时性与准确性提出了严苛要求，目标检测作为感知层核心任务，直接决定了自动驾驶车辆对行人、车辆、交通标志等道路元素的识别能力与行驶安全性。然而，真实道路环境中的透视畸变、光照变化、目标遮挡等复杂因素，以及车载计算平台的资源限制，仍导致现有 YOLO 算法在小目标检测精度、模型轻量化与实时性能的平衡上存在瓶颈，因此围绕 YOLO 算法优化以提升其在自动驾驶场景下的鲁棒性与适配性，具有重要的研究价值与应用意义。（注意：不同版本的yolo在不同tag）1、安装miniconda。
自动驾驶中的传感器技术88——Sensor Fusion（11）
Godspeed_zwh的博客
12-28 467
本文探讨了自动驾驶中端到端模型与传统规则模型的对比，分析了感知端到端、模块化端到端等不同架构的特点。重点研究了多传感器数据融合技术，包括目标级融合、前融合、原始数据级融合等框架，以及GNSS/IMU/RTK组合定位系统在无人驾驶高精度定位中的应用。通过多个技术框架图展示了自动驾驶系统中端到端学习与多源传感器融合的关键作用。
【Autonomous Driving/Sim】2026年度自动驾驶极端场景与车辆动力学仿真基准索引 (Benchmark Index)
2501_91053407的博客
01-01 1078
及**极端物理边界（Extreme Physics）**下的控制能力，我们整理了 "Fast-Furious-Benchmark" 全系列基准测试集。适合测试物理引擎在处理**极大质量差异（Mass Ratio）**物体碰撞时的数值稳定性与穿透检测（CCD）。扭矩映射（Torque Mapping）**以及NOS喷射时的瞬时加速度计算，是校准物理引擎摩擦系数的基准。与**脑机接口（BCI）**在高速机动战中的响应延迟与运动预测。：《速度与激情2》 (2 Fast 2 Furious)
自动驾驶的“脏活”：手撕激光雷达运动畸变与鬼影（附 Python/C++ 核心实现）
数据与算法架构提升之路专栏
12-29 977
摘要：本文探讨自动驾驶领域激光雷达点云预处理的关键技术挑战。针对运动畸变问题，提出基于IMU数据的高效运动补偿方案，采用SLERP插值和SIMD指令集优化计算性能。同时分析多路径反射导致的鬼影现象，给出强度筛选、几何一致性和时序跟踪的三重过滤策略。文章强调在端到端大模型时代，传统预处理技术对数据质量保障的核心价值，并分享C++/Python工程实践中的性能优化技巧，为自动驾驶感知系统提供可靠的数据基础。
《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（2）
qq_74174950的博客
12-27 559
时，才将当前帧标记为关键帧，平移阈值：相对平移距离 > 设定值（如 0.5 米），旋转阈值：相对旋转角度（转弧度后）> 设定值（如 30 度））更新关键帧队列，将关键帧点云转换到世界坐标系后，存入双端队列，：若缓存的关键帧数量超过设定上限（如 30 个），每次新增关键帧后，拼接队列中所有关键帧的世界坐标系点云，将重建后的局部地图设为 NDT 配准的 “目标点云”，为后续帧配准做准备。由此可得在实现局部地图构建时，只需去一些关键帧，不断地往NDT内部添加新关键帧，然后效用函数即可，不用去拼接关键帧点云。
自动驾驶_端到端_VLA_概念介绍
惊鸿一博
12-29 1235
MLLM 是 LLM 的自然扩展，通过模态编码器与跨模态对齐机制，将非文本数据（如图像、语音）转化为与文本兼容的语义表征，在统一空间中融合信息，让模型具备 “看、听、说、想” 的综合智能，更贴合人类多感官认知习惯。世界模型并非复刻真实世界，而是对环境的抽象化、结构化内部表征，聚焦实体、因果、物理规则与动态变化，核心实现 “感知→建模→预测→行动” 的闭环，帮助 AI 在潜在空间做 “虚拟实验”，评估动作后果并优化策略。query = 你给秘书的 “任务指令”（比如 “帮我找今天的会议资料”）；
AIROS Vehicle：一站式C-V2X车路协同应用开发框架
AIROS-vehicle是一个针对车端设计的C-V2X车路协同应用框架。其主要特点包括： - 支持C-V2X相关标准，确保了通信的标准化与兼容性。 - 支持四跨和新四跨技术，有助于实现跨行业、跨领域的通信和协同。 - 支持Linux和...
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