- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据杂货铺
Edge2AI自动驾驶汽车教程
介绍 我们在前面介绍过Edge2AI自动驾驶汽车的解决方案，参见《Edge2AI自动驾驶汽车：在小型智能汽车上收集数据并准备数据管道》，《Edge2AI自动驾驶汽车：构建Edge到AI数据管道》，《Edge2AI 自动驾驶汽车：训练模型并将其部署到边缘》。 在这里我们从实操教程的角度来看如何一步一步的构建Edge2AI自动驾驶汽车的应用，这个教程也是分成了三个部分，今天的内容是总体介绍这个教程。 自动驾驶汽车是Cloudera自动驾驶汽车的开源版本。 这款无人驾驶微型汽车由3个摄像头，LiDAR和游戏控制器提供动力，并连接到Jetson TX2板上。TX2运行机器人操作系统（ROS）并控制汽车的运动。 学习目标 • 将MiNiFi C ++代理安装到Jetson TX2上 • 了解TX2的汽车传感器数据 • 构建用于Emi数据管道的ETL数据管道，以用于CEM • 将MiNiFi数据管道连接到NiFi
80920发布于 2020-02-17 - 来自专栏我爱计算机视觉
奥迪推出大型自动驾驶数据集A2D2
今天奥迪公司的研究人员在发布的论文 A2D2: Audi Autonomous Driving Dataset 中，公布了其大型自动驾驶数据集A2D2，并提供开放下载。 ? 目标为推进计算机视觉、机器学习、自动驾驶的商用和学术研究。 数据类型： 即包含RGB图像，也包括对应的3D点云数据，记录的数据是时间同步的。 A2D2与其他自动驾驶数据集的比较： ? 语义标注示例： ? 标注数据分布： ? ? 使用PSPNet进行语义分割的实验结果： ? 不同场景的测试集图像上的视觉效果： ? 论文地址： https://arxiv.org/pdf/2004.06320.pdf A2D2数据集地址： https://www.a2d2.audi/a2d2/en.html END
1.2K20发布于 2020-04-20 - 来自专栏点云PCL
综述：生成自动驾驶的高精地图技术（2）
综述：生成自动驾驶的高精地图技术（1） 高精地图包含自动驾驶所需的道路/环境的所有关键静态特性（例如：道路、建筑物、交通灯和道路标记），包括由于遮挡而无法由传感器检测到的对象，近年来，用于自动驾驶的高精地图以其高精度和丰富的几何和语义信息而著称 ，它与车辆定位功能紧密相连，并不断与不同的传感器交互，包括激光雷达、雷达和摄像头，以构建自动驾驶系统的感知模块，这种交互最终支持自动驾驶车辆的任务和运动规划，如图1所示。 与道路提取方法类似，也可以使用2D图像或3D点云进行道路标记提取。 （2）高精地图的特征提取方法，包括道路网络、道路标记线和杆状物体，并讨论了这些方法的局限性。 （3）介绍支持高精地图的框架，包括Lanelet2、OpenDRIVE和Apollo，还提供了一些用于在三个框架之间转换地图格式的有用工具。(待更新)
1.4K10编辑于 2022-09-13 - 来自专栏程序设计a
ROS2在自动驾驶系统中的应用
ROS(Robot operating system)是一个通用的机器人操作系统，自动驾驶是其中一个应用领域。 ROS1已经比较古老了，自动驾驶公司中提到的ROS通常指ROS2，它采用的是DDS架构。 我所在的公司虽然未直接使用ROS2，但是自研的自动驾驶系统采用的也是DDS架构，算是在抽象的ROS2架构之上研发。
1.5K40编辑于 2023-03-21 - 来自专栏腾讯高校合作
Wiztalk | 徐一梁 Part 2 《自动驾驶的过去、现在和未来—腾讯的自动驾驶简介》
自动驾驶的过去、现在和未来 Part 2 腾讯的自动驾驶简介 简介：自动驾驶的内容我们已经有大概的了解，但现在行业的研究又处于一个什么水准呢？ 本期腾讯专家研究员徐一梁将介绍腾讯的自动驾驶研究情况，带我们领略一下自动驾驶的魅力所在。 内容难度：★☆☆（高中/大学非计算机专业学生均可以轻松学习） ?
69710发布于 2021-01-12 - 来自专栏CNNer
2020年| 最新自动驾驶数据集汇总，持续更新（2）
查看第一部分请转到：2020年| 最新自动驾驶数据集汇总，持续更新（1） 自动驾驶开源数据集年份汇总： ? 7、Apollo 开源自动驾驶数据集（baidu） 网址：http://apolloscape.auto/ 论文地址：https://arxiv.org/pdf/1803.06184.pdf 论文名称： 应需开放，致力于为全世界自动驾驶技术研究者提供更为实用的数据资源及评估标准。 主要包含三部分：仿真数据集、演示数据集、标注数据集： （1）仿真数据集，包括自动驾驶虚拟场景和实际道路真实场景； （2）演示数据集，包括车载系统演示数据，标定演示数据，端到端演示数据，自定位模块演示数据 Lyft称，demo是从一个有限的地理区域的福特Fusion自动驾驶汽车车队收集的。
3.1K10发布于 2020-06-19 - 来自专栏我爱计算机视觉
200G超大自动驾驶数据集A2D2下载
前几天52CV报道了奥迪汽车公司发布A2D2数据集： 奥迪推出大型自动驾驶数据集A2D2 该数据集是研究和商用皆可的大型自动驾驶场景数据集，关注的计算机视觉任务主要是语义分割、实例分割、3D目标检测 A2D2与其他自动驾驶数据集的比较： image.png 语义标注示例： ? A2D2含有标注数据200G，还有2.1T的在德国三大城市Gaimersheim、Ingolstadt、Munich 采集的无监督数据。本次搬运的是有标注的部分。 ? END
1.3K20发布于 2020-05-22 - 来自专栏CreateAMind
最新最全面的ros book2 代码+自动驾驶仿真
https://github.com/qboticslabs/ros_robotics_projects
88210发布于 2018-07-24 - 来自专栏运维
5G+C-V2X及自动驾驶分级标准
C-V2X根据基于4G或5G而分为LTE-V2X和NR-V2X（或称为5G+C-V2X），工作频段和覆盖范围同移动通信系统，下行最大数据传输速率为1Gbps，可以支持车辆编队行驶、高级驾驶、扩展传感器、 C-V2X 车联网或网联车有多种分类方式，从通信对象看，V2X（Vehicle-to-Everything）包括V2V（Vehicle-to-Vehicle，车到车，提供防碰撞安全能力）、V2I（Vehicle-to-Infrastructure 部分自动驾驶（Level-2）：通过驾驶环境信息对转向盘和加减速中的多项操作提供驾驶支援，其他的驾驶操作由驾驶员完成。 Level-2 的系统仅能处理少数高频通用驾驶场景，超出能力自动驾驶系统将控制权交给驾驶员，驾驶员需要实时监控并做好接管车辆的准备。 L0 属于传统驾驶，L1 和 L2 属于驾驶辅助，L3～L5 属于自动驾驶，L5 的自动驾驶技术等级也称为无人驾驶。因此，按照自动驾驶技术等级划分，驾驶辅助<自动驾驶<无人驾驶。
1.4K30编辑于 2022-03-15 - 来自专栏决策智能与机器学习
【自动驾驶专题】|自动驾驶技术概况及挑战
而现阶段，大多数汽车则处于Level 2和Level 3之间，可见自动驾驶技术还任重道远。 ? 下图一目了然的展示了自动驾驶汽车相关的软、硬件技术。 2 在过去的几年里，诸如Uber、Tesla和Waymo等企业在该领域取得了长足的进步，其积累的自动驾驶里程已经高达800万英里。 当然，让自动驾驶汽车真正走入现实，还需要克服一系列的软、硬件上的技术难关。 现阶段，主要面临的有以下几点挑战。 数据存储 自动驾驶汽车会产生海量的数据。 但现阶段的自动驾驶技术，激光雷达对大多数环境感知都是必需的，它仍将是制造Level5级自动驾驶汽车昂贵的“拐杖”。 第一个百万英里，耗费了Waymo六年时间，而在2018年2月达到500万英里后，里程数则以每两个月百万英里的速度增加，到了6月份后，速度增加为每个月百万英里，这种增长曲线对于自动驾驶技术来说，无疑是非常可喜的
1.5K10发布于 2020-08-04 - 来自专栏大数据文摘
重磅译制 | 更新：MIT 6.S094自动驾驶课程第2讲（2）深度Q学习
本周更新至：第二讲（2） 深度强化学习-运动规划之深度Q学习 Deep Reinforcement Learning for Motion Planning-Deep Q Learning 时长30分钟 带有中文字幕 马上观看 ▼ 这门【深度学习与自动驾驶】课程由麻省理工MIT开设，话题前沿且实践性质很强。 点击文末阅读原文，可直接加入学习） http://study.163.com/course/introduction/1004938039.htm MIT深度学习与自动驾驶课程页面（所有资料汇总）： https
59540发布于 2018-05-23 - 来自专栏大数据杂货铺
Edge2AI自动驾驶汽车：构建Edge到AI数据管道
数据采用图像的形式以及与我们的自动驾驶汽车收集的每个图像相关的元数据（例如，IMU信息，转向角，位置）。 建立简单的云数据管道 该应用程序的数据管道建立在云中的EC2实例上，首先是MiNiFi C ++代理将数据推送到CDF上的NiFi，最后将数据发送到CDH上的Hadoop分布式文件系统（HDFS）。 此数据已传输到两个PutHDFS处理器，一个处理器用于将CSV文件加载到HDFS（2），另一个用于将所有图像文件加载到HDFS（3）。 ? 通过完成Edge2AI自动驾驶汽车教程，了解有关Cloudera自动驾驶汽车以及如何在仿真中构建自己的汽车的更多信息。 来源：https://blog.cloudera.com/edge2ai-autonomous-car-building-an-edge-to-ai-data-pipeline-2-of-3/
1.7K10发布于 2020-02-11 - 来自专栏决策智能与机器学习
【自动驾驶专题】| Apollo自动驾驶 |定位技术
它们各自距离地球表面约2万公里。 该系统的第二部分由世界各地的控制站组成，控制站用于监视和控制卫星。其主要目的是让系统保持运行，并验证GPS广播信号的精确度。 2. 惯性导航 假设一辆汽车正以恒定速度直线行驶，如果我们知道汽车的初始位置、速度和行驶时长，那么我们可以很容易知道车辆在任意时刻的位置。 对于自动驾驶汽车，加速度可以用三轴加速度计来测量。但仅使用加速度计还不足以计算我们的位置和速度。加速度计是在车辆坐标系记录中进行测量，我们需要知道如何将该测量值转换到全局坐标系。 但是，即使将二者结合使用，也不能完全解决自动驾驶的定位问题。比如，我们在山中或者地下隧道中行驶时，可能会长时间没有GPS更新，这会让整个定位系统面临失效风险。 3. 视觉定位 对于自动驾驶汽车，图像是收集起来最简单的数据类型。摄像头便宜且种类繁多，而且易于使用。 我们能够使用图像来定位汽车吗？事实上，单纯通过图像来实现车辆精确定位非常困难。
2.7K41发布于 2020-08-04 - 来自专栏决策智能与机器学习
【自动驾驶专题】|小白都会玩的自动驾驶算法
今天，我们介绍一个可实现自动驾驶的简单算法。 (24, kernel_size=(5, 5),strides=(2,2) ,activation='elu')) model.add(Conv2D(36, kernel_size=(5, 5) ,strides=(2,2) ,activation='elu')) model.add(Conv2D(48, kernel_size=(5, 5),strides=(2,2),activation ='elu')) model.add(Conv2D(64, kernel_size=(3, 3), activation='elu')) model.add(Conv2D(64, kernel_size 可以看到，本算法实现了基本的自动驾驶功能，非常适合于初学者进行尝试。
91810发布于 2020-08-04 - 来自专栏决策智能与机器学习
自动驾驶汽车控制模块简介 | 【自动驾驶专题】
自动驾驶汽车先使用感知模块了解其环境，并通过定位模块了解其在环境中的位置，然后使用规划模块进行决策并生成轨迹。 在自动驾驶中应用MPC，首先需要定义执行器，以表征移动车辆的元素。汽车有三个执行器：方向盘，加速踏板和制动踏板。MPC的目的是通过改变上这些致动器发挥方向盘的角度，则在加速器踏板压力或制动踏板。 MPC控制器可以允许车辆在保持安全的同时达到更快的速度，使自动驾驶更有乐趣。 结 语 对于我们想要自主的机器人和无人机，控制阶段是强制性的。
2.5K30发布于 2020-08-04 - 来自专栏点云PCL
【系列文章】面向自动驾驶的三维点云处理与学习（2）
目录 1、介绍 1-A 自动驾驶的意义、历史与现状 1-B 一个完整的自动驾驶系统模块 1-C 三维点云处理与学习 1-D 大纲 2、三维点云处理与学习的关键要素 2-A 点云特性 2-B 矩阵表示法 2-A 点云特性 如第1-C节所述，考虑了自动驾驶中两种典型的三维点云：实时激光雷达点云和点云高精地图。 实时激光雷达点云。对于实时激光雷达点云中的每个三维点可以跟踪其相关的激光束和捕获的时间戳。 基于原始点云的表示法的优点是： 1）简单且通用； 2）保留了原始三维点集中的所有信息；但缺点是它不利于探索三维点的任何几何特性。这种表示方法通常用于自动驾驶系统的地图和定位模块中，需要较高的精度。 该表示方法可用于自动驾驶感知模块，以及三维点云的存储。 深度图。如第2-A节所述，实时激光雷达扫描点云基本上是从具有一定角度视野的单个位置进行的一系列距离测量；如图。 ? 这种表示方法可用于自动驾驶中的感知模块。 2-C 代表性的工具 三维点云在机器人学、计算机图形学、计算机视觉和信号处理等领域都得到了广泛的研究。这里将介绍一些有代表性的工具来处理和学习三维点云。
92720发布于 2021-03-04 - 来自专栏决策智能与机器学习
【自动驾驶专题】| Apollo自动驾驶 | 高精度地图
百度的Apollo自动驾驶系统使用了高精度地图。下面我们进行详细介绍。 高精度地图 Vs 传统地图 在你开车时，你是否发现导航地图会向显示一条或几条推荐路线？ target=2
1.8K32发布于 2020-08-04 - 来自专栏DataFunTalk
自动驾驶技术沙龙—让自动驾驶重卡开进现实
沙龙主题：自动驾驶技术沙龙—让自动驾驶重卡开进现实 头部自动驾驶公司已经从Demo阶段开始迈入了量产阶段，在自动驾驶重型卡车的量产之路上，对车载的软件系统和硬件平台都提出来很高的要求。 本期沙龙，DataFun邀请智加科技的5位技术专家，将为您就自动驾驶各个模块做深入的技术分享。
1.3K11发布于 2019-11-21 - 来自专栏量子位
打车平台Lyft获Magna 2亿美元投资，携手打造自动驾驶汽车
为了加速迈入这个时代，Lyft官方今天宣布，获全球顶尖的汽车零配件大厂Magna 2亿美元的投资，并合作打造自动驾驶汽车以及系统。 ? “我们不希望世界上只有一两家公司能用上自动驾驶技术。”Lyft CEO Green Logan说，“我们希望的是每一个制造商都能生产自动驾驶的车辆，然后用我们Lyft的平台。” Lyft从去年7月开始，就不满足于只做其他汽车厂商的自动驾驶平台了，宣布将投资建造自己的“全套”开放的自动驾驶汽车硬件和软件。 谷歌Capital G领投的这一轮十亿美元融资，包含了Magna投的这2个亿。 不过，Lyft和Magna均没有透露，合作的自动驾驶汽车具体会在什么时候推出。 英伟达与大陆集团共搭自动驾驶平台 谷歌Waymo启动无人货车测试 英伟达发布最强无人车AI芯片 马斯克要搞一套颠覆地铁的地下自动驾驶公交系统
46410发布于 2018-07-24 - 来自专栏大数据杂货铺
Edge2AI自动驾驶汽车：训练模型并将其部署到边缘
该模型大致基于实现行为克隆的NVIDIA自动驾驶汽车模型架构。在本文中，我们将回顾行为克隆的构建方式以及如何将其部署到我们的汽车中。 第二层是Cropping2D 层，用于删除图像顶部和底部的像素，以提高训练过程中模型的准确性。接下来的五层是Conv2D 层，用于处理图像处理以对图像进行特征提取。 一旦我们对模型进行了培训和测试，我们就可以将其部署回Jetson TX2上，并使用它进行预测，以使汽车能够自动驾驶。 最后一步是通过使用ExecuteProcess 处理器启动加载模型的ROS 流程，使汽车能够自动驾驶。h5 基于流的相机图像执行转向角的预测。 要将边缘复制到本系列文章中展示的AI周期，请遵循Edge2AI自动驾驶汽车教程。
1.8K30发布于 2020-02-11
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