- 综合排序
- 最热优先
- 最新优先
- 来自专栏一点人工一点智能
实时自动驾驶车辆定位技术概述
例如，激光雷达通常成本最高，但精度最好，超声波[10]-[13]的情况正好相反。 基于被动传感器的定位被动地接收环境信息，从中计算车辆位置。传感器包括GPS、IMU和视觉（例如，单目或双目摄像机）。 根据空间三角测量方法，GPS需要在开阔的天空区域中有三颗或更多的卫星来获取车辆位置（2–10m）。 尽管如此，[66]和[67]的位置RMS误差在城市场景中仍高达约10m。总之，使用独立GPS接收机实现可靠、准确的车辆定位是困难的。 然后，检测每个标记，并在车辆行驶过程中计算其高斯分布。最后，通过在数据库中搜索该分布来确定车辆位置。该方法将失真的影响降至最低，并达到厘米级（<10cm）的定位精度。 图3显示，对于开阔天空中的纯GPS定位，GPS接收机可以输出频率为1Hz、精度为2–10m的位置信息，而不受车辆操作系统的限制。
2.4K40编辑于 2023-02-18 - 来自专栏FreeBuf
远程定位追踪联网车辆以及利用思路分析
然后整整花了一周时间在网上查了相关驾考整个通信系统的相关技术文章，简单总结如下： 1>定位原理：车辆要达到精准定位，需要场地安装基准站，车载需要安装移动站，并且调试基站和移动站同一频率；移动站有前后2个天线 ，前天线我用红色圆圈已经标记，前天线是代表车的航向;后天线是给车辆进行定位<偏东+偏北>。 定位与追踪完成。
83750发布于 2018-08-21 - 来自专栏点云PCL
高速场景下自动驾驶车辆定位方法综述
基本介绍 高速公路上的定位方法可以细分为更小的模块，即 道路级定位（RLL）：车辆行驶的道路； 自车车道级定位（ELL）：车辆在车道上的横向和纵向位置； 车道级定位（LLL）：道路内主车道的位置（即车辆行驶的车道 A 道路级定位 车辆上无处不在的定位设备使驾驶员能够知道车辆在公路上的位置，然而由于这些定位设备固有的不精确性，这种估计具有一定的噪声，为了解决这个问题，需要一个精细化定位的程序，将车辆位置与来自地图的道路网络相匹配 B 自车车道级定位（ELL） 对于某些应用，如车道保持，仅了解车辆行驶的道路是不够的，这些功能必须被告知主车道在道路中的位置，以提供足够的机动指令并保持车辆安全，此外，自动驾驶车辆应用需要更精确的定位， 在实践中，可以通过根据一些视觉特征（如车道标记或交通标志）定位车辆来实现自主车辆的定位，这些视觉地标可以使用车载传感器检测，也可以存储在数字地图中。 总结 在本综述中，我们提出了高速公路上自动驾驶车辆定位的最新方法分类，定位任务分为三个部分，即道路级定位（RLL）、自车车道级定位（ELL）和车道级定位。
1.2K20编辑于 2022-09-13 - 来自专栏点云PCL
自动驾驶中车辆的如何使用点云定位？
本篇文章将主要介绍三维激光雷达在自动驾驶定位领域最新的研究，并分析各种方法的定位的效果。 介绍 自动驾驶的定位意味着能够在地图中找到车辆的位置和方向。 接下来讲介绍各种点云定位技术对比和测试结果。 自动驾驶车辆的3D激光雷达定位 首先回顾和讨论文献中可用的所有方法，在这些文献中，仅使用3D LIDAR传感器即可实现对车辆的3D定位。 ： （1）通过将获取的扫描帧点云与预构建的高精点云地图的一部分进行配准，对车辆进行定位。 并在该研究领域有多种ICP算法的变种【47】，常见的变种算法有点到线段的ICP[48],点到面的ICP[49]以及通用的ICP[10],ICP算法可以认为是解决点云配准的经典算法，在文章【11】中将点云配准和回环检测以及车辆位姿图的优化结果在一起 [10] A. Segal, D. Haehnel, and S.
3.5K20发布于 2020-08-20 - 来自专栏点云PCL
基于语义地图的单目定位用于自动驾驶车辆
实验结果表明，该方法在各种自动驾驶定位任务中是一种可靠且实用的定位解决方案。 主要贡献 将当前观测中的语义线索与语义地图中的元素关联，为自动驾驶车辆中的单目视觉定位提供了一种有前途的解决方案。 通过最小化全局重投影误差，可以获得车辆的六自由度（6-DOF）位姿。 图1. 系统结构示意图,上半部分展示了全局语义地图的构建过程，下半部分展示了通过单目摄像头进行的车辆定位过程 A. (c) 提供了一个鸟瞰图像示例，其中每个像素对应一个10厘米的体素。(d) 显示了OTSU二值化结果，保留了道路上的高对比度特征，包括车道线和标记。 B. 总结 在本文提出了一种基于稳定视觉语义特征（如地面标记、车道线和杆状物）的自动驾驶车辆视觉定位系统。 在未来的工作中，考虑集成更多种类的低成本传感器，例如GPS，以进一步扩展自动驾驶车辆在更复杂交通场景中的鲁棒定位应用。
84411编辑于 2024-06-21 - 来自专栏OpenCV与AI深度学习
基于YOLOv3的车辆号牌定位算法【文末送书】
01 OCR原理分析 本文中采用的车辆号牌识别部分的是采用CNN+LSTM+CTC组合而成，整个网络部分可以分为三个部分，首先是主干网络CNN用于提取字符的特征信息，其次采用深层双向LSTM网络在卷积特征的基础上提取文字或字符的序列特征 初步处理后的数据只是得到具体号牌的图片，尚未对图片进行标注处理，因此并不能直接作为数据集来训练OCR算法，该部分主要实现号牌上文本的识别，本章3.2小节中已经通过YOLOv3算法实现全部遮挡号牌、未悬挂号牌和其他类号牌的定位和分类 ，在目标检测算法基础上选择识别结果中其他类的图片进行进一步处理，除了与图片标注的质量有关之外，图片的数量也直接影响最终的模型是否更好的泛化能力，数据集中的车辆号牌图片除了包括正常号牌之外，还存在半遮挡的号牌 05 阈值分析 实际应用中，污损遮挡号牌的识别不仅和算法的识别率有关，更与所采集的车辆图像质量和实际车牌质量息息相关，车牌质量的好坏直接影响最终的识别性能，例如车牌会受到主观因素上的车辆套牌
63920编辑于 2022-12-22 港口码头作业人员车辆怎么定位？融合方案破解海港难题
港口作为物流枢纽，每天都有大量人员和车辆在复杂环境中作业。堆场、廊道、码头前沿，区域交错，环境多变。如何实现精准定位和安全管控，是管理者长期面临的难题。 一套多技术融合定位方案（例如：航飞光电人员定位系统），为港口提供了从“人找车、人找人”到实时可视可控的解决方案。一、从“海港迷宫”到“一图全览”：定位难在哪？ 针对这些难点，港口码头人员定位系统使用UWB、北斗、蓝牙、RTK等定位技术融合路线。二、多项定位功能融入安全帽许多一线工人不愿佩戴额外的定位工牌，认为会影响作业。 为解决这一问题，将定位模块嵌入常规安全帽中。从外观上看，它与普通安全帽无异，但内部集成了定位芯片与模块。这种设计避免了工人抵触，实现了人员位置信息的自动采集。 这道电子围栏发挥多重作用：越界报警：未经授权的人员或车辆靠近边界时，系统立即触发声光报警，并推送至管理人员终端。
9410编辑于 2026-03-16- 来自专栏LB说IOT
联网车辆
工业标准C-V2X C-V2X（蜂窝式车辆到所有车辆）是一项技术，它将使联网车辆市场充分发挥其潜力。C-V2X是一个增强的3GPP LTE标准，描述了一组支持车辆、基础设施和人之间通信信息的技术。 V2V V2V（Vehicle-to-Vehicle）技术允许车辆相互通信。例如，用例包括在交通转弯处和交叉口发送和接收碰撞警告，以提高交通安全，以及关于紧急制动或静止车辆的警告，以避免追尾碰撞。 V2I V2I（车辆到基础设施）技术允许车辆与道路基础设施（如红绿灯、速度标志和收费站）通信。例如，当驾驶员可以监视红绿灯的状态和改变时间时，他们可以预测何时减速和加速。 这项安全关键服务可通过两种方式提供：利用蜂窝网络，通过智能手机上的应用程序，车辆可以看到行人或骑自行车的人；或车辆和易受伤害的道路使用者之间的直接通信，从而将C-V2X技术直接嵌入智能手机中。 V2N V2N（车辆到网络）技术允许车辆与移动网络通信，通过使用现有的蜂窝基础设施，在车辆（V2N2V）、基础设施（V2N2I）和易受攻击的道路用户（V2N2P）之间实现高度可靠的远距离通信。
65820编辑于 2022-04-12 - 来自专栏漫途科技
车辆排队叫号系统提升车辆调度效率
货主对于货运车辆到厂的时间不明确，司机对于进场的时间把握不好。在互相等待的过程中，极容易出现跑单、排队、难卸货、找不到交货点、到货时间不透明等问题。 因此定制一套智能化信息化的车辆排队叫号系统刻不容缓。 图片 车辆排队叫号系统结合物流、工厂等场景下的客户车辆排队需求，贴合用户痛点，解决了进场车辆等待时间过长，运输时长无法控制、司机准确率无法考核、进场车辆与登记车辆不符等问题。 图片 系统通过在门岗、仓库、调度室、司机端的终端设备，对每一个车辆从进场、装货、出厂、运货、交货进行全流程信息化的管理，每一个环节的负责人通过核对车辆信息、检查车辆状况，装货交付、运货交付。 车辆排队叫号系统改变了传统车辆调度方式，将车辆运力进行合理调度。使整个车辆运输流程更加规范标准。同时还可对供应商车辆进行考核评估。对其进行规范化的管理。
64140编辑于 2023-07-18 - 来自专栏机器学习AI算法工程
车辆目标检测
车辆是视频场景中最关键的对象之一，车辆 和 人 是视频检测永恒的话题。 车辆检测 是车辆分析中关键的一步，是后续进行 车型识别、车标识别、车牌识别、车辆特征 的基础。 software-datasets/PedestrianData.html Caltech Pedestrian 行人数据集 该数据库是目前规模较大的行人数据库（2014年），采用车载摄像头拍摄，约10 • 开放训练数据集 （车辆检测）： MIT - CBCL 车辆数据集 由 MIT 提供的车辆数据集（2000年），主要用于车辆检测和识别中，共有516张128*128格式为ppm 下载地址：http://www.cvlibs.net/datasets/kitti/index.php UA-DETRAC 车辆检测和跟踪的大规模数据集，可以作为 KITTI 数据集主要拍摄于北京和天津的道路过街天桥（京津冀场景有福了），并 手动标注了 8250 个车辆 和 121万目标对象外框。
3.5K40发布于 2018-06-07 - 来自专栏光城(guangcity)
如何定位10TB数据查询错误？
1.首先通过debug包捞出计算后的数据，如果符合预期那么优化前后的数据应该是匹配的，数据规模是10TB，数据行数大约是1.3亿条，抓取多少条能分析出问题是一个比较重要的参数，于是设置了200进行对比 本次调试在10TB数据规模下才复现的问题着实令人棘手，不过还能怎么办呢？当攒点经验吧。
20610编辑于 2024-01-23 - 来自专栏燧机科技-视频AI智能分析
车辆未冲洗抓拍系统 工地车辆冲洗监测系统
车辆未冲洗抓拍系统 工地车辆冲洗监测系统过opencv+python对进出工地的渣土车车辆冲洗情况进行自动识别和违规判定，如果车辆未冲洗抓拍系统 工地车辆冲洗监测系统发现车辆冲洗不合格，车辆未冲洗抓拍系统 工地车辆冲洗监测系统就会自动进行抓拍存档同步发送到智慧工地系统平台。
81840编辑于 2022-12-30 - 来自专栏从零开始学自动化测试
关于面试总结10-selenium中隐藏元素定位
前言 面试题：selenium中隐藏元素如何定位？ 这个是很多面试官喜欢问的一个题，如果单纯的定位的话，隐藏元素和普通不隐藏元素定位没啥区别，用正常定位方法就行了 但是吧~~~很多面试官自己都搞不清楚啥叫定位，啥叫操作元素（如click,clear,send_keys 定位隐藏元素 前面说了，定位隐藏元素和普通的元素没啥区别，接下来就来验证下，是不是能定位到呢？ ，事实上是定位到了呢！ 操作隐藏元素 隐藏元素可以正常定位到，只是不能操作（定位元素和操作元素是两码事，很多初学者傻傻分不清楚），操作元素是click,clear,send_keys这些方法 # 隐藏输入框元素输入文本 ele1
3.2K11发布于 2019-01-02 - 来自专栏XINDOO的专栏
翻译:10行命令60秒快速定位性能瓶颈
这篇文章会教你怎么用10个常用的linux工具在60秒内完成对性能问题的初步诊断。 当你登录到linux服务器处理性能问题的时候，最开始的一分钟你会做些啥？ 通过以下10个命令，你可以在60秒内对系统的资源使用率和进程运行状况有个整体的了解。首先查看错误和饱和度指标，因为这两者都很容易理解，其次就是查看资源利用率。 如果有的话，这条命令将会展示系统最近的10条信息。 找出其中可能导致性能问题的错误。上面这个例子中包含一条因为oom导致进程被kill和tcp丢请求的信息。 不要跳过这步，dmesg非常值得查看。 bi bo in cs us sy id wa st 34 0 0 200889792 73708 591828 0 0 0 5 6 10 10. top $ top top - 00:15:40 up 21:56, 1 user, load average: 31.09, 29.87, 29.92 Tasks: 871 total,
1.3K20发布于 2021-01-21 - 来自专栏车联网仿真
omnet++，veins车辆间消息的传输、车辆运动信息获取
，因为app层所属是车辆，如果是mac层或者phy层，所属nic，nic所属车辆，需要： cModule* vehicle = getParentModule()->getParentModule(); NOTE1，如果你想通过场景模块获取其他车辆的信息（不推荐这样做，因为这样通信就没有意义了，现实中也不可能，确实遇到困难才这么做，或者为了方便），直接车辆模块getParentModule()就是场景模块 ，场景的子模块当然有所有车辆和RSU： /*检测车辆数量*/ int Mac1609_4::getCarNumber(){ int num = 0; int i=0; cModule } for (int i = 0;i < (int)bc->getBeaconrate(bc->getVehicleId());i++ ){ int k = i*(int)(10 /bc->getBeaconrate(bc->getVehicleId())) ; if(bc->getSlotpos().x+k < 10){ THSslotnum[(
91650编辑于 2023-11-01 找出通过车辆最多颜色
题目在一个狭小的路口，每秒只能通过一辆车，假如车辆的颜色只有 3 种，找出 N 秒内经过的最多颜色的车辆数量，三种颜色编号为 0, 1, 2。输入第一行输入的是通过的车辆颜色信息。 比如[0, 1, 1, 2] 代表 4 秒钟通过的车辆颜色分别是 0, 1, 1, 2第二行输入的是统计时间窗，整型，单位为秒。 输出输出指定时间窗内经过的最多颜色的车辆数量输入0 1 2 13输出2说明在[1,2,1]这个 3 秒时间窗内，1 这个颜色出现 2 次，数量最多在[1,2,1]这个 3 秒时间窗内，1 这个颜色出现 返回结果：最终返回 maxCount，即指定时间窗内经过的最多颜色的车辆数量。
29700编辑于 2025-01-27- 来自专栏韩曙亮的移动开发专栏
【CSS】定位 ② ( 静态定位 | 相对定位 )
一、静态定位 ---- CSS 中的 静态定位 是 默认的定位方式 , 就是无定位 , 设置该定位方式 , 定位盒子不生效 ; 为盒子模型 设置 静态定位 模式 , 该 盒子模型 就会按照标准流的方式 摆放布局 , 没有任何 边偏移 的效果 ; 在 使用 定位 时 , 几乎不适用 静态定位 ; 二、相对定位 ---- 相对定位 是 盒子模型 相对于 其在 标准流中的位置 设置的 ; 如 : 盒子模型 在标准流 中 , 原来的位置是 (0 , 0) , 设置了相对定位 , 就是 相对于原来的位置 (0, 0) 进行 边偏移 后的位置 ; 下面的示例中 , 盒子模型的初始位置是 在浏览器的 左上角 ( DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>相对定位</title> <style> div { = 定位模式 + 边偏移 */ /* 定位模式 : 相对定位; */ position: relative; /* 顶部偏移量 100 像素 */ top: 100px;
2.1K20编辑于 2023-04-16 - 来自专栏点云PCL
自动驾驶车辆在结构化场景中基于HD-Map由粗到精语义定位
摘要 鲁棒准确的定位是机器人导航和自动驾驶车辆的重要组成部分，而利用相机在高精地图（HD map）种进行定位则提供了一种低成本的定位传感器，现有的方法大多由于容易出错的数据关联性或初始姿势要求准确性而导致位姿估计失败 例如，车辆横向位置的搜索步长和范围设置为0.2m和[-10m，10m]，这涵盖了车载GPS的误差容限，最后，将具有最小代价的姿势组合视为当前初始化帧的姿势，通过CUDA加速实现了高效的计算。 在实验中，在序列3中使用宽摄像机（视场为120度），而在其他序列中使用具有42.5度视场的摄像机，平均旋转误差小于1度，横向误差和纵向误差约为20cm，如果通过从顺序中的任何帧初始化，在10帧内定位成功 ，将原始鱼眼图像转换为针孔图像，图10说明了使用两个摄像头和仅使用后摄像头模拟前摄像头禁用的定位结果，结果表明，即使前视摄像机失效，仍能获得成功的定位结果，因此，多摄像机设置提高了定位系统的鲁棒性和准确性 图10，多相机（如前后）视觉定位示例。（a） 前后都有相机。
1.7K30编辑于 2022-02-10 - 来自专栏计算机视觉life
用于自动驾驶车辆视觉定位的地图存储：ORB-SLAM2的一种拓展
在第二次运行时，我们重新加载地图，然后在之前构建的地图上定位。对构建好的地图进行加载和定位可以提高自动驾驶车辆的连续定位精度。此地图的保存功能是原始的ORB-SLAM 2所缺少的。 测试结果表明，在特征丰富的环境中，对于直线速度平均为36 m/s行驶的车辆而言，定位的相对平移误差可以保持在1%以下。与完全SLAM相比，该定位模式拥有更好的定位精度和更低的计算负荷。 在这项工作中，我们的目标是实现在已经行驶过并建立地图的路径上准确定位车辆（在地图上的）位置的功能。作为应用程序的中间开发环节，它目前作为一种定位方法用于车辆比赛场景。 在这些场景下，车辆需要能够精确定位自身位置的能力，保证其可以高速行驶。 使用全球导航卫星系统(GNSS)估计自主车辆的位置是一种有效的方法。然而，这些系统的精度是有限的。 定位和SLAM的轨迹一致 ? 图7 : KITTI序列01。轨迹真值(灰色),10m/s行驶时的SLAM轨迹(蓝色)和36m/s行驶时的定位(橙色)。SLAM轨迹与真值有误差。
1.5K20发布于 2020-09-11 - 来自专栏计算机视觉战队
简单车辆检测源码
Blue_y(PY1,1)>=50)&&(PY1>1)) PY1=PY1-1; end PY2=MaxY; while ((Blue_y(PY2,1)>=10 ); figure(7),subplot(1,2,1),imshow(IY),title('行方向合理区域'); figure(7),subplot(1,2,2),imshow(dw),title('定位剪切后的彩色车牌图像 end end end rot=90-c+2; pic=imrotate(bw,rot,'crop'); figure(8),subplot(3,1,1),imshow(bw),title('1.定位后的这牌灰度图像 Px0)<2)&&(Px0<x1)) Px0=Px0+1; end Px1=Px0; while (((X1(1,Px1)>=3)&&(Px1<x1))||((Px1-Px0)<10 elseif (d==7) str='H'; elseif (d==8) str='I'; elseif (d==9) str='J'; elseif (d==10
1.3K60发布于 2018-04-17
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