- 综合排序
- 最热优先
- 最新优先
- 来自专栏Android Framework
Android Vehicle HAL架构
参考 文档内容：1.vehicle HAL架构介绍、详细的启动流程；2.部分车辆属性类型名称说明；3.上层carservice和hal层数据subscribe/set/get流程梳理;4.dbus和vehicle VehicleHAL启动流程 源码位置：hardware/interfaces/automotive/vehicle/2.0/ .rc文件android.hardware.automotive.vehicle @2.0-service.rc启动进程 该文件位于设备系统vendor/etc/init目录 //hardware/interfaces/automotive/vehicle/2.0/default/android.hardware.automotive.vehicle @2.0-service.rc service vendor.vehicle-hal-2.0 /vendor/bin/hw/android.hardware.automotive.vehicle@2.0 HAL */ //vehicle hal内部错误 INTERNAL_ERROR = 5, }; ---- 4.
8.5K33编辑于 2022-09-28 - 来自专栏机器学习、深度学习
车辆检测--DAVE: A Unified Framework for Fast Vehicle Detection and Annotation
DAVE: A Unified Framework for Fast Vehicle Detection and Annotation ECCV2016 本文使用深度学习进行车辆检测和属性学习 如下图所示： DAVE 由两个模块构成：车辆检测模块 fast vehicle proposal network (FV**)，车辆属性提取模块 attributes learning network
70910发布于 2019-05-27 - 来自专栏DHUtoBUAA
Design and Implementation of Global Path Planning System for Unmanned Surface Vehicle among Multiple
Design and Implementation of Global Path Planning System for Unmanned Surface Vehicle among Multiple 本文主要解决水面无人艇在对多个任务点进行全局路径规划时的设计和实现算方法，相关研究和设计已在 International Journal of Vehicle Autonomous Systems (IJVAS Publiers - IJVAS的官方文献下载链接 Design and Implementation of Global Path Planning System for Unmanned Surface Vehicle 相关资料可以参考 Research and Implementation of Global Path Planning for Unmanned Surface Vehicle Based on Electronic
77000发布于 2018-08-08 - 来自专栏机器学习、深度学习
车辆检测--A Closer Look at Faster R-CNN for Vehicle Detection
A Closer Look at Faster R-CNN for Vehicle Detection Intelligent Vehicles Symposium , 2016 :124-129
42930发布于 2019-05-26 - 来自专栏CreateAMind
CAT Vehicle Testbed 自动驾驶仿真 gps 视觉 雷达
Confirm your installation Compile the release Launch Gazebo with the CAT Vehicle Visualize sensor data Visualizing the CAT Vehicle Visualizing the CAT Vehicle and Velodyne with rviz Visualizing the SICK circular path Generating code from an existing ROS Simulink model Running hector_slam with the CAT Vehicle
58130发布于 2018-07-24 - 来自专栏Path Tracking Letters
论文解读——Low-complexity explicit MPC controller for vehicle……
《Low-complexity explicit MPC controller for vehicle lateral motion control》是会议《2018 21st International
87720发布于 2020-09-08 - 来自专栏深度学习思考者
Vehicle Logo Recognition System Based on Convolutional Neural Networks With a Pretraining Strategy
Vehicle Logo Recognition Using a Sift-Based Enhanced Matching Scheme[J].
1K80发布于 2018-01-02 - 来自专栏数据魔术师
车辆路径规划中的Electric Vehicle-Routing Problem简介
今天给大家带来的是电动汽车路径规划问题(Electric Vehicle-Routing Problem, EVRP)的介绍，按照惯例先上目录，其中第三部分的主要内容出自文献“The Electric Vehicle-Routing Problem with Time Windows and Recharging Stations”。 The Electric Vehicle-Routing Problem with Time Windows and Recharging Stations[J]. The electric vehicle routing problem with nonlinear charging function[J]. Battery, Hybrid and Fuel Cell Electric Vehicle Sympos., Stavanger, Norway.
3.5K20发布于 2020-03-12 - 来自专栏小L的魔法馆
C++继承和派生练习(一)--关于vehicle基类
Target:定义一个车(vehicle)基类 具有MaxSpeed、Weight等成员变量，Run、Stop等成员函数，由此派生出自行车(bicycle)类、汽车(motorcar)类。 从bicycle和motorcar派生出摩托车(motorcycle)类，在继承过程中，注意把vehicle设置为虚基类。 ; double Weight; public: vehicle(double MS,double WE) { MaxSpeed = MS; Weight void Stop() { cout << "The vehicle has stopped!!!" (double MS,double WE,double HE):vehicle(MS, WE) { Height = HE; } ~bicycle() { }
1.5K80发布于 2018-05-18 - 来自专栏计算机视觉理论及其实现
GAN-Based Day-to-Night Image Style Transfer forNighttime Vehicle Detection
数据增强在训练基于CNN的检测器中起着至关重要的作用。以前的大多数方法都是基于使用通用图像处理操作的组合，并且只能产生有限的看似合理的图像变化。最近，基于生成对抗性网络的方法已经显示出令人信服的视觉结果。然而，当面临大而复杂的领域变化时，例如从白天到晚上，它们很容易在保留图像对象和保持翻译一致性方面失败。在本文中，我们提出了AugGAN，这是一种基于GAN的数据增强器，它可以将道路行驶图像转换到所需的域，同时可以很好地保留图像对象。这项工作的贡献有三个方面：（1）我们设计了一个结构感知的未配对图像到图像的翻译网络，该网络学习跨不同域的潜在数据转换，同时大大减少了转换图像中的伪影； 2） 我们定量地证明了车辆检测器的域自适应能力不受其训练数据的限制；（3） 在车辆检测方面，我们的目标保护网络在日夜困难的情况下提供了显著的性能增益。与跨领域的不同道路图像翻译任务的竞争方法相比，AugGAN可以生成更具视觉合理性的图像。此外，我们通过使用转换结果生成的数据集训练Faster R-CNN和YOLO来定量评估不同的方法，并通过使用所提出的AugGAN模型证明了目标检测精度的显著提高。
74120编辑于 2023-10-07 - 来自专栏机器学习、深度学习
图像拼接--Bird’s-Eye View Vision System for Vehicle Surrounding Monitoring
Bird’s-Eye View Vision System for Vehicle Surrounding Monitoring Liu YC., Lin KY., Chen YS. (2008 ) Bird’s-Eye View Vision System for Vehicle Surrounding Monitoring.
83440发布于 2019-05-27 - 来自专栏计算机视觉理论及其实现
Double FCOS: A Two-Stage Model UtilizingFCOS for Vehicle Detection in VariousRemote Sensing Scenes
C、硬质车辆的比较 从4MVD的测试数据集中故意选择了一个名为Hard vehicle的小型测试数据集（包括21张1000×5000像素大小的图像），以评估硬示例中的检测性能。
59330编辑于 2023-10-07 - 来自专栏AI算法与图像处理
车辆分析工具PP-Vehicle开源上新！
——PP-Vehicle来告诉你答案。 继行人分析工具PP-Human之后，飞桨目标检测端到端开发套件PaddleDetection正式开源车辆分析工具PP-Vehicle！ PP-Vehicle功能全景图 PP-Vehicle是一款针对车辆分析相关场景的开源工具，产品主要围绕以下几个方面进行设计开发： 实用性：针对车辆分析场景共性的底层模型进行优选迭代；针对几个高频场景进行了详细的后处理策略设计 接下来让我们具体看一下PP-Vehicle的工作。 搭配源码食用更佳！ 整体方案 PP-Vehicle技术架构 PP-Vehicle整体分为输入、核心算法、输出三部分： 输入：支持离线图片、视频以及rtsp视频流等形式，可根据输入类型快速配置，如下图所示，为输入配置为rtsp 支持二次开发，大家可以在自己的数据集上进行模型训练、策略改写等，定制化自己的专属PP-Vehicle。
56910编辑于 2022-12-11 - 来自专栏机器学习AI算法工程
车辆分析工具PP-Vehicle开源上新！
——PP-Vehicle来告诉你答案。 继行人分析工具PP-Human之后，飞桨目标检测端到端开发套件PaddleDetection正式开源车辆分析工具PP-Vehicle！ PP-Vehicle功能全景图 PP-Vehicle是一款针对车辆分析相关场景的开源工具，产品主要围绕以下几个方面进行设计开发： 实用性：针对车辆分析场景共性的底层模型进行优选迭代；针对几个高频场景进行了详细的后处理策略设计 接下来让我们具体看一下PP-Vehicle的工作。 搭配源码食用更佳！ 整体方案 PP-Vehicle技术架构 PP-Vehicle整体分为输入、核心算法、输出三部分： 输入：支持离线图片、视频以及rtsp视频流等形式，可根据输入类型快速配置，如下图所示，为输入配置为rtsp 支持二次开发，大家可以在自己的数据集上进行模型训练、策略改写等，定制化自己的专属PP-Vehicle。
1.1K20编辑于 2022-12-13 - 来自专栏PaddlePaddle
车辆分析工具PP-Vehicle开源上新！
PP-Vehicle来告诉你答案！ 继行人分析工具PP-Human之后，飞桨目标检测端到端开发套件PaddleDetection正式开源车辆分析工具PP-Vehicle！ ▲ PP-Vehicle功能全景图 PP-Vehicle是一款针对车辆分析相关场景的开源工具，产品主要围绕以下几个方面进行设计开发： 实用性：针对车辆分析场景共性的底层模型进行优选迭代；针对几个高频场景进行了详细的后处理策略设计 接下来让我们具体看一下PP-Vehicle的工作。 整体方案 ▲ PP-Vehicle技术架构 PP-Vehicle整体分为输入、核心算法、输出三部分： 输入 支持离线图片、视频以及rtsp视频流等形式，可根据输入类型快速配置，如下图为输入配置为rtsp 支持二次开发，大家可以在自己的数据集上进行模型训练、策略改写等，定制化自己的专属PP-Vehicle。
66920编辑于 2022-11-29 - 来自专栏机器学习、深度学习
车辆计数--FCN-rLSTM: Deep Spatio-Temporal Neural Networks for Vehicle Counting in City Cameras
FCN-rLSTM: Deep Spatio-Temporal Neural Networks for Vehicle Counting in City Cameras ICCV2017 https 3 FCN-rLSTM for vehicle counting 这里我们采用 FCN 将 dense (pixel-level) feature 映射为 车辆密度，避免了单个车辆的检测或跟踪。
1.2K100发布于 2018-01-03 - 来自专栏数据分析与挖掘
【论文笔记】Looking GLAMORous: Vehicle Re-Id in Heterogeneous Cameras Networks with Global and Local Atten
解决车辆的可变性需要全局特征来区分形状、颜色或品牌。解决相机可变性需要汽车部件跨方向的局部特征，如大灯、保险杠或贴花。
44220发布于 2020-08-26 - 来自专栏机器学习、深度学习
A Coarse-to-fine Many-Task Network for joint 2D and 3D vehicle analysis
article/details/76169499 Deep MANTA: A Coarse-to-fine Many-Task Network for joint 2D and 3D vehicle 2D/3D vehicle model ? 数据标记问题怎么解决 Semi-automatic annotation process ? Experiments ? ?
59110发布于 2019-05-28 - 来自专栏iDoitnow
纯跟踪横向控制和算法仿真实现
, vehicle_info.LF, -vehicle_info.LB, -vehicle_info.LB], [vehicle_info.W / 2, vehicle_info.W , vehicle_info.TR, vehicle_info.TR, -vehicle_info.TR, -vehicle_info.TR], [vehicle_info.TW / 2, vehicle_info.TW / 2, -vehicle_info.TW / 2, -vehicle_info.TW / 2, vehicle_info.TW / 2]]) rr_wheel = np.zeros(2) vehicle_positon[0] = vehicle.x vehicle_positon[1] = vehicle.y linewidth=1.0) draw_trailer(vehicle.x, vehicle.y, vehicle.yaw, vehicle.steer, plt)
1K10编辑于 2024-01-17 - 来自专栏嘘、小点声
SUMO学习笔记（1）
<vehicle depart="54000" id="veh10" route="route11" type="CarA" /> 32 <vehicle depart="54000" id 35 <vehicle depart="54000" id="veh14" route="route03" type="CarB" /> 36 <vehicle depart="54000" 42 <vehicle depart="54000" id="veh21" route="route10" type="CarB" /> 43 <vehicle depart="54000" 53 <vehicle depart="54000" id="veh32" route="route09" type="CarC" /> 54 <vehicle depart="54000" 64 <vehicle depart="54000" id="veh43" route="route08" type="CarD" /> 65 <vehicle depart="54000"
1.6K20发布于 2021-05-11
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