qq_45701501的博客

前言：本节是自动驾驶系列课程最后一节。首先介绍一个强化学习在无人驾驶里面的应用情况，然后介绍一些比较好玩的强化学习网页版资源，最后简单总结从第1课到目前所介绍的内容。能力比较弱，有些理解错误地方，还望大大们不吝赐教。觉得写得还行，麻烦赏个赞哈。好了，让我们开始这系列最后一节课吧。概要：1 机器学习在自动驾驶中的应用2 DQN3 DeepTraffic项目4 课程总结1机器学习在自动驾驶中的应用1.1 2019年机器学习趋势1）2018年是NLP深度学习技术的重要之年：BERTBERT:

前言：这节课，主要介绍了无人车里面基本控制理论，然后介绍常用基本级控制器PID，也介绍以下进阶版本控制器，最后介绍一下matlab里面的控制工具箱。很菜现在，有些理解错误地方，还望大大们不吝赐教。觉得写得还行，麻烦赏个赞哈。好了，不瞎扯了，开始主题。概要1控制理论基础2 PID控制器3进阶控制器设计4 MATLAB控制工具箱1 控制理论基础1.1 control基本介绍【control目前，起到接管与自动驾驶转换的关键点；control直接与车协议沟通的，图中其他模块没有这种功能】【图中

前言：这节课围绕无人车的路径规划开讲，包含规划时采用的一些算法思路、一些规划方式，最后以Apollo项目规划部分为例子，介绍一下其中所使用的一些规划算法以及方式。很菜现在，有些理解错误地方，还望大大们不吝赐教。觉得写得还行，麻烦赏个赞哈。好了，不废话，开始主题。概要：1 什么是规划2 传统的规划方法3无人车的规划4Apollo如何求解规划问题1 什么是规划1）规划planning目前是无人车最困难也最有挑战的部分1.1 规划的本质1）求解：argminf(x)获取最小值就是规划；f 可

前言：这节课主要是介绍无人车里面的预测系统。水平有限，有些理解错误地方，还望大大们不吝赐教。觉得写得还行，麻烦赏个赞哈。好了，不废话，开始主题。概要：01 PNC OVERVIEW02 PREDICTION TASK03 VEHICLE PREDICT04 PEDESTRIAN PREDICT补充，PNC【planning and control】（预测系统是其组成之一）、感知是L4级别的两大重点模块1 PNC OVERVIEW1.1自动驾驶软件框架Prediction属于planing

前言：这节主要介绍无人车定位系统里面使用到的定位算法。概要：1、定位技术简介2、单个定位技术3、定位融合技术4、Apollo定位方案1、定位技术简介1.1 定位作用：1）定位+高精地图：提供当前位置的静态环境感知（车道线/交通指示牌/红绿灯/柱子/建筑物等）2）定位+动态物体感知：将感知到的动态物体正确放到静态环境3）定位获取位置姿态：用于路径规划/决策1.2 定位技术分类1）场景：室内（房间/车库/厂库等）/室外2）按定位模式：----outside-in（从外向内）:接收的

前言：这节课主要介绍高精地图相关知识。个人水平有限，有理解错误地方，欢迎大大们批评指出。CONTENTS:1、 HD MAP OVERVIEW【高精地图介绍】2、 OPENDRIVE PROTOCAL【路网协议，这里指高精地图协议】3、 CLOUD POINT MAPPING【点云地图】4 、V2X【Vehicle-to-everything ,车用无线通讯技术】1 高精地图1.1无人驾驶软件框架图中上：感知、决策规划、控制图中下：高精地图、定位感知：如人的眼睛，获取第一手信息的渠道

前言：这系列笔记，距离上一次更新间隔三个多月了，有点久了。生活艰难，没办法。这节课，主要是介绍动态物体跟踪方面知识；个人能力不足，希望大神莫笑＋赐教。觉得我写的还可以，有所获的话，麻烦一键三连哈。概要1、跟踪算法简介2、单目标跟踪算法–2.1简介–2.2产生式–2.3鉴别式–2.4基于相关滤波–2.5基于深度学习3、多目标跟踪算法1、跟踪算法简介2、单目标跟踪算法–2.1简介–2.2产生式–2.3鉴别式–2.4基于相关滤波–2.5基于深度学习3、多目标跟踪算法...

前言：这节课，主要是介绍激光雷达点云处理算法。处理基本思想就是，将3d点云信息转为2d信息，然后根据上一节课的图片处理算法常规操作即可。是不是挺简单的，哈哈哈。但，比较遗憾，本地环境问题还没有解决，还没有复现。这里就是记录的是，算法相关的论文以及GitHub开源的项目里面部分代码解析。好了，这一篇也仅供各位参考，欢迎大佬批评指正。1 雷达激光点云基础及相关知识1.1 激光雷达点云的认识1）激光产生的–机械式lidar:TOF（利用飞行时间计算距离）、N个独立激光单元、旋转产生360度视场–MEMS

前言：这节，主要是讲授无人驾驶中的图片处理算法，老套路，论文引入深度学习图片处理算法加项目实战，一样的不懂及不复现。好了，这篇也仅供参考，欢迎各位大佬批评指正。下面开始激动人心时刻：1、无人驾驶中的检测2、基于图片的检测算法基本概述2.1储备知识：Classification VS detection (分类vs检测)Classification：类别Detection: 类别 、位置2.2 检测流程流程：–位置：先找到所有的ROI（Region of Interest,b

前言：这节课内容，介绍的是无人驾驶里面感知部分，静态环境感知基本知识，主要介绍一些图片处理算法。算法介绍，是结合一些GitHub开源项目以及论文来展开的，其中包括了车道线检测算法传统方式和深度学习方式。传统方式的在个人电脑实现了，其他涉及tensorflow，也就是深度学习方面的，都没有成功，比较遗憾。所以，由于本人之前没有搞过深度学习，图像处理相关的，只能说，这里面的内容，仅供大家参考。有不恰当地方，欢迎批评指出。后面学校这边时间宽松些，一定会尽快解决环境配置问题（如果有大佬愿意指点一下，非常感谢），跑

背景：无人驾驶知识比较缺乏，来个基本学习环境：ROS-kinetic vscode前言:本文假设已经ROS-kinetic，vscode等相关的依赖或者运行环境都已经配置成功而进行的。概要：围绕ROS的基本操作以及使用展开，重点推荐node编写01 ROS系统概述1.1什么叫ROS？–ROS：The Robot Operating System1.2发展历程–2007年，起源于Stanford AI实验室，为了支持STAIR机器人而建立的交换庭（switchyard）项目。后又与Willo

背景：自动驾驶相关知识如同一张白纸2020111001 无人驾驶行业概述1、无人驾驶（self-drive car）:在人极少的干预条件下，可以感知环境，实现驾驶的行为。2、无人驾驶汽车是可载人的移动智能机器人，通过丰富的感知系统和智能的行为系统实现高效率高可靠性的驾驶能力。3、无人驾驶：完全不依赖于人的行为自动驾驶：某些情况下可以加入人的参与和监督（一般情况，两者都是一样的）4、未来出行的趋势：共享出行、新能源汽车、无人驾驶5、无人驾驶能解决什么问题：–交通效率的提升；–车