- 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
在基于传感器的定位技术方面，它依靠车载传感器来估计车量车辆的绝对或相对位置。之前的综述对其进行了详细讨论[8]。 基于V2X的定位方法与周围环境节点（例如，相邻车辆或基础设施）通信，以接收其位姿信息，包括基于车辆对车辆（V2V）和车辆对基础设施（V2I）的技术，这些技术可以为定位算法提供多个参考坐标。 然而，在评估各种定位方法时，最新的综述文件仅关注以下方面： 经济和可靠的定位技术[8]，其中经济对应于定位系统的成本，可靠对应于定位性能（包括准确性和可靠性），这些技术可以在各种驾驶场景（例如，下雪天气 该解决方案减少了随机噪声的影响，并提高了计算车辆间距离的准确性。参考文献[97]提出使用贝叶斯方法来融合来自其他车辆的目标车辆GPS位置和车辆间距离的GPS位置信息，以进行车辆定位。 可以通过优化网络参数（例如，数据波特率、传播频率和天线功率等）来解决信号降级和丢包问题，之前的调查已经对此进行了详细讨论[8]。基于RFID的V2I系统可以实现成本高效的AV定位。
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。 （3）基于点云数据的深度学习的方法：深度学习在决定车辆的定位问题上的研究获得越来越多的研究。在[5,6,7,8]文章中首先使用2D的图像来预测和计算里程计，并且最终的定位效果还是可以接受的。 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。 [8] N. Yang, R. Wang, J. Stuckler, and D.
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. 图7(c)和(d)展示了定位算法在工业园区和公共道路数据集上实时运行的视觉示例。 图8展示了系统在车辆框架内的垂直和水平位置误差分布以及航向角误差。 图8. 垂直和水平方向以及航向角定位误差的概率分布图。 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。
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】
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 0.02的速度递增，从而测试出在最高准确率的情况下最合适的阈值，从图中可见，阈值大致随准确率呈正比状态，阈值为0.95左右时趋向平稳，达到96%的准确率，因此，选取合适的阈值为0.95，实验部分的涨幅图如图8所示 图8 阈值图 06 实验结果 配置好模型参数后，启动模型开始进行训练，训练OCR模型主要分为生成中间权重文件以及验证实验结果二个部分。详细过程如下。 (1)生成权重文件。
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基于yolov8+bytetrack+pyqt5实现车辆进出流量统计+车辆实时测速实现
以前使用过yolov5+deepsort实现过车辆进出流量统计+车辆实时测速，可以看我往期视频，这回改成yolov8+bytetrack实现，实时性更好，原理和原来一样。 流处理车辆速度计算公式： 车速=单位像素车速x像素偏移/(车辆当前位置时间-车辆进入时间) 时间为电脑本地时间或者在线北京时间 视频处理车速计算公式： 车速=单位像素车速x像素偏移/((当前帧索引-车辆进入帧索引 )x(1/FPS)) 【效果截图】 【视频演示】 基于yolov8+pyqt5实现车辆进出流量统计+车辆实时测速_哔哩哔哩_bilibili测试环境：torch==1.9.0+cu111torchvision ==0.10.0+cu111ultralytics==8.2.2以前使用过yolov5+deepsort实现过车辆进出流量统计+车速测量，这次更换为yolov8+bytetrack，代码高度封装，不冗余 onnx和bytetrack实现目标追踪，YOLOv8检测界面-PyQt5实现第二套界面演示，C++使用纯opencv去部署yolov8官方obb旋转框检测，将yolov5-6.2封装成一个类几行代码完成语义分割任务
38300编辑于 2025-07-20yolov8学习，车辆车牌识别代码解读
初始化检测结果字典和 SORT 追踪器 results = {} mot\_tracker = Sort() # 加载 YOLO 模型 coco\_model = YOLO('yolov8n.pt 检测车辆 对于每帧图像，首先使用 YOLO 模型检测车辆。检测结果包含每个车辆的边界框信息及其置信度分数。通过过滤车辆类别，只保留主要关心的车辆（如轿车、SUV等）。 in dict\_int\_to\_char.keys()) and \ (text[2] in ['0', '1', '2', '3', '4', '5', '6', '7', '8' in dict\_char\_to\_int.keys()) and \ (text[3] in ['0', '1', '2', '3', '4', '5', '6', '7', '8' 至此，代码结束，理解并实现车辆车牌识别代码对我这样的小白还是有些困难，还需多实践，多学习 yolov8 的相关项目及知识，加油加油！
1.1K10编辑于 2024-10-27- 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 - 来自专栏大师级码师
iOS 8 实现获取当前定位信息
// // ViewController.m // LocationDemo // // Created by LaughingZhong on 14/11/12. // Copyright (c) 2014年 Laughing. All rights reserved. // import "ViewController.h" @interface ViewController () @end @implementation ViewController @synthesize myLocatio
59820发布于 2021-10-29 - 来自专栏成套网站
基于深度学习YOLOv8的车辆汽车速度检测系统
因此，基于YOLOv8的车辆速度检测系统研究，不仅是对现有技术的优化升级，更是推动智慧城市与自动驾驶发展的关键实践。2、研究意义在交通管理领域，车辆速度检测是保障道路安全、优化交通流量的核心环节。 而基于深度学习YOLOv8的车辆速度检测系统，通过融合计算机视觉与智能算法，为交通管理提供了低成本、高效率、广覆盖的解决方案，其研究意义体现在以下多个层面。 技术层面，YOLOv8算法凭借其高精度与实时性优势，显著提升了车辆检测的鲁棒性。在复杂交通环境中，车辆种类多样、尺度变化大且易受遮挡，传统算法易出现漏检或误检。 因此，基于YOLOv8的车辆速度检测系统研究，不仅具有显著的技术价值，更蕴含深远的社会与经济意义。 因此，如何基于最新算法（如YOLOv8）优化车辆检测与速度估算的协同机制，提升复杂场景下的鲁棒性与实时性，仍是当前研究亟待突破的关键问题。
32310编辑于 2026-01-01 - 来自专栏OpenCV与AI深度学习
实战 | 基于YOLOv8的车辆跟踪与车速计算应用（步骤 + 源码）
因此，我向你介绍一个旨在使用 YOLOv8 测量高速公路上汽车速度的 Python 项目，目的是让你了解这些算法如何在日常解决方案中使用。 实现步骤 【1】安装依赖项。 ： pip install ultralytics pip install opencv-python pip install --no-cache "lapx>=0.5.2" 【2】下载YoloV8模型文件 这里使用的是yolov8s.pt，下载地址： https://docs.ultralytics.com/tasks/detect/#models 【3】准备测试视频。 video_writer.write(im0) cap.release() video_writer.release() cv2.destroyAllWindows() 运行结果： 代码解释 【1】识别车辆 model = YOLO("yolov8s.pt") 这里yolov8s 模型已足够。 【2】应用跟踪。YOLO模型中还包含一个跟踪算法，旨在通过连续帧连续监视和跟踪特定对象的运动。
5.8K10编辑于 2024-06-17 - 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。 • 开放检测算法框架及代码： 关于目标检测的框架及代码非常多，这里列出来几个： 名声在外的 DPM Deformable Part Models，专业做行人检测，对于车辆检测等刚体目标 • 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 无人机室内定位系统TOP8推荐：精准定位，飞行无忧
那么，如何选择一款可靠的室内定位系统呢？本文将为您推荐8款优质室内定位系统，助您轻松应对无人机室内飞行挑战。无人机室内定位系统TOP8推荐1. 系统采用多摄像头同步技术，实现厘米级定位精度，特别适合需要高精度定位的无人机应用场景。核心优势：✅ 厘米级定位精度✅ 支持复杂室内环境✅ 适用于专业级无人机应用✅ 高稳定性和可靠性3. 核心优势：✅ 多目标同时跟踪✅ 高精度定位✅ 适用于多种场景✅ 丰富的应用场景8. 其他专业定位系统其他专业定位系统专注于特定应用场景，提供定制化解决方案。 无人机室内定位系统与GPS有什么区别？无人机室内定位系统与GPS的主要区别在于：<! 而无人机室内定位系统则通过多传感器融合技术，利用摄像头、红外传感器等本地设备，提供高精度的室内定位，是无人机室内应用的必备技术。4. 无人机室内定位系统如何选择？
25900编辑于 2026-01-26- 来自专栏谈补锅
ios8版本地图定位注意点
学习ios地图定位 我先定义一个属性： @property (weak, nonatomic) IBOutlet MKMapView *mapV; 然后在项目运行时初始化该属性一些参数： //设置地图控件的类型 [self.mapV setUserTrackingMode:MKUserTrackingModeFollow animated:YES]; 然后我运行时，发现地图定位功能竟然不起作用，一查 ，发现我的是ios8版本, 针对ios8版本，必须在配置文件info.plist进行一项配置，就是增加NSLocationAlwaysUsageDescription或者NSLocationWhenInUseUsageDescription 来告诉用户使用定位服务的目的： ? 增加这个配置后，再次运行，就能够进行地图定位了！
67340发布于 2018-09-27 - 来自专栏自动化、性能测试
Appium自动化（8） - 可定位的控件属性
https://www.cnblogs.com/poloyy/category/1693896.html 前言 在前面几篇文章可以看到，一个控件其实是有很多属性的， 像Web中，可以通过元素的 去定位 id、class、css、tag、text 那么在app中，我们又有哪些属性是可以拿来定位控件的捏？ 可定位的控件属性 ? 在后面会详细讲解下代码的使用哦！
74420发布于 2020-06-09 - 来自专栏高可用
混沌工程工具：混沌工程定位及原则梳理(8)
混沌工程定位很多人都会把混沌工程和测试区分不清楚，我从执行时机、执行后是否对系统产生新认知，做了一张图如下。 混沌工程工具：Chaosblade Java业务代码注入原理(5)-腾讯云开发者社区-腾讯云 6、 混沌工程工具：混沌工程实施过程及持久价值(7)-腾讯云开发者社区-腾讯云 7、 混沌工程工具：混沌工程定位及原则梳理 (8)-腾讯云开发者社区-腾讯云 8、 混沌工程工具：一个混沌工程设计的例子(9)-腾讯云开发者社区-腾讯云混沌工程原则解读及选择原则混沌工程高级原则，是国外混沌工程专家一起整理的实践指南，每条原则单独拎出来 子网先于全网演练环境非生产环境优于生产环境演练模式1、 有剧本的演练先于无剧本随机演练 2、 通过程序固化故障注入方式稳态指标突破稳态指标立即中止演练终止通道可随时终止演练总结本文梳理了混沌工程的定位及混沌原则解读
1.1K11编辑于 2023-10-10
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