惊鸿一博

边缘计算（Edge Computing）是一种计算范式，它将数据处理和分析从传统的集中式数据中心和云计算平台移至更接近数据生成源头的位置（即“边缘”），例如物联网设备、传感器、路由器或其他边缘设备。边缘计算旨在通过在数据生成的源头附近进行处理和存储，减少数据传输的延迟，提高实时性和带宽利用率。

RFID（Radio Frequency Identification）和UWB（Ultra-Wideband）都是无线通信技术，用于定位和跟踪，但它们在工作原理、应用场景、性能和特点等方面有显著区别。

catkin屏蔽掉不想编译的package; Packages "your-pkg-name" not found in the workspace

天才、忽悠与炮灰原创 宇多田 虎嗅APP 2021-12-10 07:58图片出品| 虎嗅科技组作者| 宇多田封面来自电影《敦刻尔克》。一家估值高达100亿美元，融资总额超过11亿美元的中国自动驾驶小巨兽，终于在2021年的此刻，站在了“无新故事可讲”的悬崖边。小马智行，英文名叫Pony.ai。在该公司卡车与造车团队“解散”的消息11月被陆续爆出之前，内部基于发展路线分歧的创始人权力斗争，便早已白热化。而赴美上市受阻，让公司没了讲支线故事的必要条件。“确切地说，是

摘要：定位作为自动驾驶中最基本的环节之一，目的在于明确车辆相对于全局的绝对位置或相对于交通参与者的相对位置，其准确性直接影响了自动驾驶系统的安全性。当前，自动驾驶技术正在对我们的出行产生越来越深远的影响，但是在复杂的真实道路环境中，面向自动驾驶的定位方法还不够成熟。本文对已有的定位方法进行了全面而系统的梳理，首先针对单个定位方式逐类别地进行了归纳，包含基于通信的、基于航位推算的、和基于特征匹配的方式三种类别，并重点分析对比了各种定位方式的基本原理和优缺点；然后调研和讨论了现阶段典型的融合定位方式；最后对当.

参考：https://blog.youkuaiyun.com/weixin_43159148/article/details/833752181、设置sources.listsudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list'2、设置key（公钥已更新）sudo apt-key adv --keys

1 设置国内源sudo sh -c '. /etc/lsb-release && echo "deb http://mirrors.ustc.edu.cn/ros/ubuntu/ $DISTRIB_CODENAME main" > /etc/apt/sources.list.d/ros-latest.list'2 设置密钥sudo apt-key adv --keyserver keyserver.ubuntu.com --recv-keys F42ED6FBAB17C65

基本情况出处：Guizilini, V., Ambrus, R., Pillai, S., Raventos, A., & Gaidon, A. (2020). 3d packing for self-supervised monocular depth estimation. InProceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(pp. 2485-2494). Video: ..

以下链接来自于 计算机视觉life 从零开始学习SLAM 知识星球参考：https://wx.zsxq.com/dweb2/index/topic_detail/215522528158181传感器使用及标定T265 D435 相机标定https://t.zsxq.com/FYz3zjm双目标定问题 https://t.zsxq.com/myRby7e相机选择方法 https://t.zsxq.com/7QjmIQRros修改相机分辨率方法 https://t.zsxq.com/iy

这几天想用ORBSLAM3评估一下车载环境VIO的精度，但是ORBSLAM3没有适配KITTI数据集（你们懂的~）。然后在网上搜了一下还没搜到，只好自己来适配。在此记录一下的走过的辛酸历程，希望能给大家带来帮助。——————————分割线———————————1.KITTI数据格式KITTI提供两种数据：odometry：标定图像calib、彩色图像color、灰度图像gray、轨迹真值poses、激光数据velodyne；raw：相机、激光、IMU的原始数据。分sync和extrac

说明:功能: 求cam2相机坐标系(3D)到IMU坐标系(3D)的变换Tbc (输出, 即T_body_cam2)输入:T_velo_imu: IMU到激光雷达的变换 T_cam_velo: 激光雷达到cam0的变换 R_i_rect: 旋转矩阵cam0到cami P_i_rect: 由cami的内参, 和 cami相对于cam0的位移组成的投影矩阵(3D->2D)公式来源:实现:# based on the paper :Vision meets robot...

目录一、导航方式AGV导航方式种类二、工作原理三.AGV小车未来主流导航方式分析参考如今AGV小车已经在工业行业领域运用的炉火纯青，它不仅仅解决了在工业生产中首位重要的安全性问题，更是加快了生产效率，那么一个功能性的AGV小车到底是如何进行作业的呢?它的工作原理和导航方式又是什么呢?这么多问题，快跟米克力美小编一起去对AGV小车进行全面的认识和了解吧。一、导航方式AGV小车按导航方式多达十几种，这里只简单说说两大主流技术：激光导航、磁带导航等等。那么这些导航方式的原理和.

参考1.单目/双目与imu的融合（一）目前单目slam存在初始化的尺度问题和追踪的尺度漂移问题，而双目也存在精度不高和鲁棒性不好的问题。针对这些问题，人们提出了融合imu的想法。那么imu的作用是什么呢？单目（1)解决初始化尺度问题 （2)追踪中提供较好的初始位姿。 （3)提供重力方向 （4)提供一个时间误差项以供优化双目（1)追踪中提供较好的初始位姿。 （2)提供重力方向 （3)提供一个时间误差项以供优化参考2.视觉和imu融合的算法研究同SLAM发展过程类...

目录基本情况摘要主要内容基于单目相机在LIDAR点云地图中定位的流程A .2D-3D的线提取B .2D-3D线段的匹配C .线匹配和位姿的优化实验总结基本情况文章：Monocular Camera Localization in Prior LiDAR Maps with 2D-3D Line Correspondences 作者：Huai Yu1;2, Weikun Zhen2, Wen Yang1, Ji Zhang2 and Sebastian Sch..

目录基本情况1、kitti数据采集平台2、表示方法3、kitti 激光雷达、摄像头数据融合：4、在论文中所述:5、 传感器标定基本情况参考了以下文章kitti数据集标定文件解析更详细的解释见文章:Vision meets Robotics: The KITTI Dataset1、kitti数据采集平台KITTI数据集的数据采集平台装配有2个灰度摄像机，2个彩色摄像机，一个Velodyne64线3D激光雷达，4个光学镜头，以及1个GPS导航系统。图示为传感器的配置平面

说明:将kitti数据集中 雷达点云图像投影到camera图像平面, 并生成 深度图的灰度图(灰度值=深度x256 保存成int16位图像(kitti中 depth benchmark的做法))输入:P2: camera02相机内参 Tr: 激光雷达到camera00的变换矩阵输出:投影图 深度图的灰度图坐标系:代码:# -*- coding: utf-8 -*-# for data sequences 00# calib.txt 来源 sequences 00

目录基本情况摘要相关工作与主要贡献主要内容MonoRec架构实验对比总结参考基本情况出处：Wimbauer F, Yang N, von Stumberg L, et al. MonoRec: Semi-Supervised Dense Reconstruction in Dynamic Environments from a Single Moving Camera[J]. arXiv preprint arXiv:2011.11814, 2020. 文章主页：h

介绍KITTI作为广为人知的自动驾驶数据集，很多创业公司喜欢拿来做算法排名。官网下载比较慢，这里参考文末博客给出百度云下载（27G）链接：https://pan.baidu.com/s/1-4WchJlcZ2guwcfbHqrdFw提取码：grys解析我的目的是解析三维激光点云并投影至二维图像坐标，得到类似RGBD相机的效果。需要用到的文件包括：二进制Velodyne点云、双目RGB相机左眼cam2图像、激光到相机矩阵等标定文件各传感器坐标在KIT的文章Vision meets

目录基本情况摘要背景与贡献算法流程主要结果参考基本情况标题：LiStereo: Generate Dense Depth Maps from LIDAR and Stereo Imagery 作者：Junming Zhang, Manikandasriram Srinivasan Ramanagopal, Ram Vasudevan and Matthew Johnson-Roberson 来源：ICRA 2020摘要大家好，今天为大家带来的文章是：通过雷达和.

基本情况题目：DeepLiDAR:Deep Surface Normal Guided Depth Prediction for OutdoorScene from Sparse LiDAR Data and Single Color Image 论文地址：https://arxiv.org/abs/1812.00488 来源：中国电子科技大学，旷视科技 原文作者：Jiaxiong Qiu 出处：Qiu J, Cui Z, Zhang Y, et al. Deeplidar: Deep sur.

目录1.KITTI数据集概述2.数据采集平台3.Dataset详述3.1 数据组织形式3.2 Development Kit3.3 GPS/IMU位姿数据3.4 传感器标定参考1.KITTI数据集概述　　KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(ob

参考：2020自动驾驶技术报告（2020 Autonomous Vehicle Technology Report）https://www.wevolver.com/article/2020.autonomous.vehicle.technology.report

在自动驾驶技术问题中，定位技术（自身定位以及对周围环境相对位置的认知）似乎是无人驾驶汽车难掌握的技术，这与城市的动态性质有关。例如施工路面、封闭道路、新标志和缺失的道路标志等，都是这种动态性和不确定性的例子。人类面对以上随时随地可能发生改变的因素都会感到困惑，更不用说机器了。目前没有方法可以完美地解决自动驾驶汽车的定位问题，但以下几种是当前为有效也有希望解决问题的办法。不同公司有不同的倾向性选择，本文将根据具体的策略对三种定位方法进行介绍。自从特斯拉和Waymo等公司出现以来，车企对自动驾驶技术的关注愈

1.HD Maps: Structure, Functionalities, Accuracy And Standards在自动驾驶系统的功能系统架构中，高精地图与定位功能紧密相关，与感知模块交互，并最终支持规划和控制模块。不同级别的自动驾驶对地图的精细程度要求不同。高精地图不仅存储Road和Lane等详细信息，而且还存储Landmark信息和周围环境信息用于辅助车辆定位；车辆定位信息和高精地图信息又作为Perception模块的输入，实现为物理环境建模的目的；Planning&C...

参考链接高翔：非结构化道路激光SLAM中的挑战

参考文章2020年高精地图市场发展现状与前景分析：高精地图有望进入发展黄金期【组图】

滴滴沃芽及其自动驾驶技术

目录1 SLAM是什么？2 SLAM的数学描述​3 经典参考论文整理自视频：https://www.bilibili.com/video/BV1eJ411H7mG/?spm_id_from=333.788.videocard.31 SLAM是什么？相机的优势：便宜，低功率，信息丰富2 SLAM的数学描述3 经典参考论文...

目录什么是规划传统规划方法传统的机器人基础无人车PlanningApollo规划的方式整理自视频：https://www.bilibili.com/video/BV137411E7oC?p=10什么是规划传统规划方法传统的机器人基础无人车PlanningApollo...

目录1 跟踪介绍1.1 什么是跟踪?1.2 跟踪算法难点2 单目标跟踪2.1 产生式模型2.1.1 Meanshift/光流2.1.2 Kalman Filter2.1.3 粒子滤波2.2 鉴别式模型2.2.1 Boosting/MIL/MedianFIOW2.2.2 TLD2.3 基于相关滤波的跟踪算法2.4 基于深度学习的跟踪算法2....

目录1 激光雷达点云简介2 常用数据集​3 目标检测对比:传统vs深度学习4 基于激光雷达点云的检测算法4.1 Pixel-Based4.1.1 MVCNN4.1.2 MV3D4.1.3 AVOD4.1.4 Apollo2.0激光雷达感知方案4.1.5 SqueezeSeg4.2 Voxel-Based​4.3 Tree-Based4.4 ...

目录1 无人驾驶中的检测2 基于图片的检测算法2.1 怎么得到位置？2.2 怎样得到特征，进行分类？2.3 两步方法(two-steps)2.3.1 CNN未出现之前2.3.2 RCNN2.3.3 SPPnet2.3.4 Fast-RCNN2.4 一步法(one-step)2.4.1 YOLO2.4.2 SSD2.4.3 YOYO...

目录1 无人驾驶中的感知2 分割算法2.1 传统方法车道检测2.2 基于深度学习的边缘检测​2.2.1 U-Net2.2.2 FCN2.2.3 SegNet/DeconvNet2.2.4 DeepLab2.2.5 PSPNet2.2.6 Mask R-CNN2.2.7 LaneNet整理自视频:https://www.bilibili.com/...

1 机器学习在自动驾驶中的应用1.1强化学习/逆强化学习/模仿学习1.2 强化学习主要方法1.3 无人车强化学习示例链接1.4 DQN网络1.5 DeepTraffic2 课程总结Ros是做软件的基本功 高精地图的制作，做起来，目前没有太多前沿的技术，相对比较成熟 定位领域还有一些...

1 规划与控制 PNC出问题的地方： 50%出现在PNC上，25%是硬件问题，25%是天气问题；5%是感知。 MPI: 多远人工接管一次 PNC:两个难点：无保护左转，拥堵式汇入1.1 预测的两种方式怎样看业界这么解决对应的问题：看业界最知名的公司，看招聘岗位的技术要求2 车辆预测2.1 车道模型RNN对于序列化的数据...

目录1 定位技术简介2 单个定位技术2.1 GNSS2.2 IMU2.3 Lidar/Camera3 定位融合技术3.1 直方图滤波实例4 Apollo定位方案整理自视频:https://www.bilibili.com/video/BV137411E7oC?p=81 定位技术简介应稍加留意的定位方式： marker磁条(街道上如，交通标示...

整理自视频：https://www.bilibili.com/video/BV137411E7oC?p=7HapMap 综述自动驾驶软件结构HD MAP介绍坐标系/定位/感知/规划定位主要用GPS-RTK, 差分GPS精度:分米将汽车的有限性能应用到动态物体的识别当中去，是很有意义的，因为静态的物体信息可以通过HD map提前制作好...