- 综合排序
- 最热优先
- 最新优先
- 来自专栏人人都是极客
无人驾驶技术课——感知（2）
神经网络 人工神经网络用于无人驾驶车受到构成人类神经系统的生物神经元启发，生物神经元通过相互连接，构成了神经元网络或神经网络，通过类似的方式我们可以将人工神经元层连接起来以创建用于机器学习的人工神经网络
70320发布于 2018-12-25 - 来自专栏人人都是极客
无人驾驶技术课——定位（2）
本节将介绍自动驾驶汽车的定位技术下，包括：激光雷达定位和视觉定位，以及Apollo框架是如何解决定位问题的。
1.4K30发布于 2018-12-29 - 来自专栏企鹅号快讯
无人驾驶-一些有趣的项目（2）
今天我们简要介绍无人驾驶中广泛使用的摄像头，激光雷达等传感器。 摄像头： 摄像头对大家来说并不陌生，基本就是获取视频或者图像的设备。 不同的设备价格不一样，你觉得你的苹果手机很贵，但无人驾驶车上的一个摄像头可能比你手机还贵。价格贵是因为像素高吗？我觉得不是。 虽然软件部分会讲到部分的算法，但我还是在这简要提一下深度学习在无人驾驶中的应用。讲个有意思的故事，普林斯顿的教授肖建雄(Prof. X)前段时间成立无人驾驶的创业公司AutoX，公司宣传的重点是，他们使用50美金左右级别的摄像头可以实现“可靠”的无人驾驶，并不需要其它激光雷达等价格昂贵的传感器。 过去几篇基本介绍完了无人驾驶中标配的各种硬件设备。未来几周我们将介绍如何获取这些硬件设备的数据。
94760发布于 2018-01-04 - 来自专栏新智元
无人驾驶 | MIT无人驾驶运动路线控制
对于无人驾驶汽车来说，除了感知周边的环境、定位这两大方面之外，很重要的一点就是运动的控制。 对于无人驾驶汽车循着特定的轨迹稳定的运动并非易事，下面就根据MIT研究的无人驾驶汽车运动控制的视频来看看这方面的技术。 1. 2. Proportional Control 比例控制系统是线性的回授控制系统，像浴室抽水马桶的浮球阀及离心式调速器都是经典的比例控制系统。 利用PID控制可以实现对无人驾驶汽车按照线路行驶的控制。 声明：我对PID控制基本上是小白了，大学学的都还给老师了，如果有不对的地方请各位看官指正，谢谢！
1.6K50发布于 2018-03-14 - 来自专栏云深之无迹
MathorCup 2022 C题无人驾驶泊车问题.2（若干论文阅读）
cuboid[center_: {0, 0}, dim_, radius_: 0] := Rectangle[center - dim/2, center + dim/2, RoundingRadius -> 0.01]; move2D[shape_, pose_] := Translate[Rotate[shape, pose[[3]], {0, 0}], pose[[1 ;; 2]]]; L = bicycle[pose_, \[Delta]_] := { rearWheel = cuboid[{0, 0}, {0.4, 0.1}, 0.1]; frontWheel = move2D [rearWheel, {L, 0, \[Delta]}]; trunk = cuboid[{L/2, 0}, {L, 0.02}, 0.1]; move2D[{Blue, frontWheel }; Manipulate[ pose = Flatten@{p, \[Theta]}; dirvec = AngleVector[\[Theta]]; vertvec = {-dirvec[[2]
1.4K21编辑于 2022-04-25 - 来自专栏s09g的技术博客
无人驾驶 03
卡尔曼滤波 Kalman Filter Kalman Filter 经常运用于无人驾驶系统中感知模块，用于目标状态估计。 the Basis of the Kalman Filter Via a Simple and Intuitive Derivation》） 行为克隆 Behavior Cloning 使用神经网络进行无人驾驶的理论基础来源于
31220编辑于 2022-07-06 - 来自专栏杨熹的专栏
无人驾驶车
能成功穿越一片沙漠的无人驾驶汽车 So we decided at Stanford to build a different self-driving car.
77160发布于 2018-04-02 - 来自专栏人工智能头条
无人驾驶的未来
百度计划几年后商业推广无人驾驶汽 车，将首先在中国城市试运行。[2]百度目前已经获得几个地方监管部门的批准，在事先确定的路线进行试验，希望在不远的将来推出这类车辆。 无人车依靠V2V的交流，以及V2I的连接。维护这些通道及电子邮件、电话、短信、上网和定位数据等乘客个人电子通信的安全至关重要。 产业发展 目前，无人驾驶发展的格局呈现两种趋势，如图2所示，传统汽车公司更倾向于渐进式自动化，而以特斯拉、Google、Baidu等为代表的科技公司是以人工智能进入完全自动无人驾驶，具有颠覆式的色彩。 图2 各类企业在无人驾驶行业的布局 来自中信证券的报告显示，预计至2025年，科技型公司将在智能汽车领域分得40%的市场，而传统车企将坚持 60%的市场。 2016年12月14日，美国交通部发布了V2V的新法规，进入了90天公示期，法规强制要求新生产的轻型汽车安装V2V通信装置，这是一个里程碑式的进步。这无疑会推动自动驾驶技术在产业化方面的快速进展。
1K20发布于 2018-07-20 - 来自专栏机器视觉工坊
无人驾驶系统-控制
聚焦无人驾驶行业动态，引领智能汽车科技创新 控制层作为无人车系统的最底层，其任务是将我们规划好的动作实现，所以控制模块的评价指标即为控制的精准度。
75430发布于 2020-07-28 - 来自专栏机器视觉工坊
无人驾驶-感知
无人驾驶-感知包括：摄像头、激光雷达、毫米波雷达、超声波雷达。 ? 1）摄像头： 摄像头：可分为数字摄像头和模拟摄像头两大类。 2）激光雷达： 激光雷达:以发射激光束探测目标的位置、速度等特征量的雷达系统。激光雷达是激光技术与现代光电探测技术结合的先进探测方式,由发射系统、接收系统 、信息处理等部分组成。
64330发布于 2020-07-28 - 来自专栏全栈程序员必看
无人驾驶汽车毫米波雷达_无人驾驶雷达
参数2：β β是超声波雷达检测宽度范围的影响因素之一，该角度一般较小。UPA的β角为20°左右，APA的β角比较特殊，为0°。 UPA的最大量程为2米~2.5米，APA的最大量程至少是5米，目前已有超过7m的APA雷达在业内使用。 超声波雷达的特性 特性一：温度敏感 超声波雷达的测距原理和之前介绍的激光雷达、毫米波雷达类似，距离=传播速度*传播时间/2。不同的是激光雷达和毫米波雷达的波速都为光速，而超声波雷达的波速跟温度有关。 应用1：泊车库位检测 自动泊车功能需要经历两个阶段：1.识别库位；2.倒车入库 识别库位功能就是依赖安装在车辆侧方的APA，如下场景。 如果近似认为汽车为匀速行驶，直接用车速乘以(t2-t1)即可。
91840编辑于 2022-10-01 - 来自专栏儿童编程
Scratch案例——无人驾驶汽车
（本文为前一篇文章《理解编程语言只需四个词-编程知识体系介绍（带python及scratch案例）》的说明案例之一） 下面我们用Scratch做一个无人驾驶汽车的小程序来具体说明下编程系统。 ? 第二步：将目标分解 我们想要汽车具备如下几个功能： （1）遇到障碍物自动换向； （2）遇到屏幕边缘自动改变方向； （3）前方无障碍物的时候，加速行驶； （4）前方一定距离内有障碍物，减速行驶； 第三步： 基本原理也是通过判读汽车到障碍物的距离来决定车速的大小：当距离大于300的时候，速度加到8；当距离小于150的时候，速度降到2；当距离在150~300的时候，恢复正常默认速度5。 辅助工具2 这个案例完成了么？其实一个程序永远没有真正完成的时候，可以一直变得更好。我们想一想怎样把这个程序改的更好？ 下面是一些提示： 1.增加障碍物数量，并让其位置随机分布； 2.将汽车和马换成猫和老鼠试试； 3.加入一些故事情节。
3.5K21发布于 2018-12-07 - 来自专栏机器视觉工坊
无人驾驶系统基本框架
聚焦无人驾驶行业动态，引领智能汽车科技创新 无人驾驶系统的核心可以概述为三个部分：感知（Perception），规划（Planning）和控制（Control），这些部分的交互以及其与车辆硬件、其他车辆的交互可以用下图表示 ： 无人驾驶系统核心部分交互图 ? 感知是指无人驾驶系统从环境中收集信息并从中提取相关知识的能力。 规划是无人车为了某一目标而作出一些有目的性的决策的过程，对于无人驾驶车辆而言，这个目标通常是指从出发地到达目的地，同时避免障碍物，并且不断优化驾驶轨迹和行为以保证乘客的安全舒适。
1K20发布于 2020-07-28 - 来自专栏GPUS开发者
水下无人驾驶飞机利用NVIDIA Jetson TX2揭开深海的秘密
自动化机器的新浪潮 到目前为止，水下无人驾驶飞机价格都很昂贵，而且需要专业人士操控，目标受众也是非常专业。 但是iBubble是由一台7.5w的NVIDIA Jetson TX2超级计算机驱动，它的服务对象包括潜水爱好者、海洋学家、水下维护人员、船主等。 Jetson TX2使之成为可能。随着机器学习技术的进步，嵌入式人工智能计算机可以实现卷积神经网络的实时检测。它使用LSTM网络来预测声音信号，大大减少了信号处理的延迟。 Jetson TX2的先进多媒体处理能力支持高清流媒体。强大的Jetson模块可以进行视觉跟踪，也可以处理传统的反射声波信号处理。
1.4K30发布于 2018-12-26 - 来自专栏机器视觉工坊
无人驾驶系统-定位
聚焦无人驾驶行业动态，引领智能汽车科技创新 在无人车感知层面，定位的重要性不言而喻，无人车需要知道自己相对于环境的一个确切位置，这里的定位不能存在超过10cm的误差，试想一下，如果我们的无人车定位误差在 30厘米，那么这将是一辆非常危险的无人车（无论是对行人还是乘客而言），因为无人驾驶的规划和执行层并不知道它存在30厘米的误差，它们仍然按照定位精准的前提来做出决策和控制，那么对某些情况作出的决策就是错的 融合GPS/IMU的定位方法在GPS信号缺失，微弱的情况下无法做到高精度定位，如地下停车场，周围均为高楼的市区等，因此只能适用于部分场景的无人驾驶任务。 ? 我们不再在定位的同时制图，而是事先使用传感器如激光雷达对区域构建点云地图，通过程序和人工的处理将一部分“语义”添加到地图中（例如车道线的具体标注，路网，红绿灯的位置，当前路段的交通规则等等），这个包含了语义的地图就是我们无人驾驶车的高精度地图
1.4K20发布于 2020-07-28 - 来自专栏机器视觉工坊
无人驾驶系统-规划
无人驾驶规划系统的分层结构设计源于2007年举办的DAPRA城市挑战赛，在比赛中多数参赛队都将无人车的规划模块分为三层设计：任务规划，行为规划和动作规划，其中，任务规划通常也被称为路径规划或者路由规划
96510发布于 2020-07-28 无人驾驶发展迅猛
一 、你有乘坐过无人驾驶的汽车吗？ 2024年武汉推出新型乘车模式，萝卜快跑无人驾驶，颠覆了原始的乘车模式，一时间无人驾驶似乎成为了人们必谈的一个话题。 二、无人驾驶对于人们生活的影响 其实不难发现，日常生活中越来越多的无人驾驶出现。 公园内出现的无人驾驶售货车，对于商贩来说，不需要多一个人来售卖物品，加减货品，只需要发指令让售货车自己开回来补货，降低了人力成本，对于路人来说，不需要跑得远远地去购买商品。 无人驾驶航空器试飞成功。 江苏首条全自动无人驾驶地铁线路------南京地铁7号线全线贯通运营... ... 无人驾驶已经悄然走近我们的生活。 三、未来也将会迎来一波科技更迭。 有新的科技，也会迎来新的挑战。 随着无人驾驶在生活中的应用越来越广泛，不禁引发了我们的思考。无人驾驶是否是在跟其他出租车“抢饭碗”，导致出租车司机失业，日常生活中的交通拥堵又应该怎样解决。
19230编辑于 2025-01-05- 来自专栏机器视觉工坊
无人驾驶感知系统介绍
聚焦无人驾驶行业动态，引领智能汽车科技创新 无人驾驶-感知传感器包括：摄像头、激光雷达、毫米波雷达、超声波雷达。 无人驾驶感知传感器 ? 1、摄像头 摄像头可分为数字摄像头和模拟摄像头两大类。 2、激光雷达 激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达系统。激光雷达是激光技术与现代光电探测技术结合的先进探测方式,由发射系统、接收系统 、信息处理等部分组成。
1.9K20发布于 2020-07-28 - 来自专栏人工智能头条
无人驾驶系统安全
在无人驾驶系列文章《基于ROS的无人驾驶系统》（《程序员》2016年5月）中提到，目前的无人驾驶操作系统基本是基于ROS的框架实现。 V2X是车联网通信机制的总称。可以说，V2X是泛指各种车辆通讯的情景，包括V2V车车通讯、V2I车路通讯、V2P车与路人通讯等。 通过V2X车辆可以获得实时路况、道路、行人等一系列交通信息，从而带来远距离环境信号。比如V2V，最普遍的应用场景是在城市街道、高速公路，车辆之间可以相互通信，发送数据，实现信息的共享。 V2X安全防护是自动驾驶必要技术和智慧交通的重要一环，接下来我们讨论V2X的潜在安全风险及解决方案。 ? 为了实现V2X的安全，欧盟发起了V2X安全研究项目PRESERVE并在项目中提出了符合V2X安全标准的硬件、软件，以及安全证书架构。
1.6K40发布于 2018-06-06 - 来自专栏全栈程序员必看
无人驾驶安全报告分析
（2）减少温室气体的排放量，无人驾驶汽车可以通过其控制系统找到最优化的加速、制动、减速方式，有效地提高燃油利用率，减少温室气体与有害尾气的排放量，更加环保节能。 2.6 无人驾驶分类 （1）完全无智能化。驾驶人员是汽车的决策者和执行者。 （2）具有特殊功能的智能化。 （2）保证车联网通讯系统的安全性 车联网通讯系统的安全性当无人车上路后，它会成为车联网的一部分。V2X是车联网通信机制的总称。 V2X是泛指各种车辆通讯的情景，包括V2V车车通讯、V2I车路通讯、V2P车与路人通讯等。通过V2X车辆可以获得实时路况、道路、行人等一系列交通信息，从而带来远距离环境信号。 在2日上午举行的记者会上，运营公司横滨海岸线公司表示，上周对列车进行的目视检查期间未发现异常。根据公司说明，无人驾驶列车会由监控中心负责监控，事故发生时有3人正在监控列车。
1.5K20编辑于 2022-07-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号