- 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
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。 基于V2V的定位是指vehicular ad hoc network（VANET）下的自动驾驶车辆，使用专用短程通信（DSRC）或长期演进技术来确定其他车辆的位姿，从而提高车辆的位置精度。 该方法可以实现车辆定位，平行位置误差为0.3米，定位时间为0.04s。 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。 该方法可以显著降低定位不确定性。为了消除参与车辆需要预定义动态运动模型来实现数据融合的挑战，参考文献[98]计算了关于车辆当前位置的置信度，这是一种可以推断车辆位置并在VANET中传播的概率。
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。
83550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。 这里首先分析使用激光雷达的点云数据作为定位的优缺点，与图像或其他传感器相比。 lidar数据能够在获取更为丰富且精确的空间信息，这也使得车辆在定位中更为有优势。 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。 还有论文【21】【22】利用自动驾驶车辆环境中存在的几何形状作为定位的要素，将平面提取算法与帧与帧之间的技术相结合以产生姿态的估计用于车辆的定位，与通过ICP算法获得的结果比较平面提取和对齐的方法在准确性和速度上都显示出了极大的提高
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。 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。
83311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
63720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。
8610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。
65420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。
63940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。 • 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。
81240编辑于 2022-12-30 - 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
->getParentModule()->getName(),"human") == 0){ scheduleAt(SimTime(5),sendBeacon); } 上面表示名为human的车辆在模拟时间第 ; Veins::TraCICommandInterface::Vehicle* traciVehicle = traci->getVehicleCommandInterface(); 第一行获取了车辆的模型 ，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
91050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。
28200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 在本文中，我们提出了一种经济高效的车辆定位系统，该系统使用相机作为主要传感器，在具有高精地图环境中用于自动驾驶，为此，我们将基于视觉的定位描述为一个数据关联问题，将视觉语义信息映射到高精地图中的路标。 ，以滑动窗口方式通过位姿图优化计算车辆位姿，我们在两个数据集上评估了该方法，并证明了所提出的方法在不同的驾驶场景中产生了积极的定位结果，此外，我们的方法适用于单目摄像机和多摄像机，为定位系统提供了灵活性并提高了鲁棒性 ，图2的跟踪部分中的图形显示了上述语义元素，在定位系统中，可以根据当前车辆位置和给定的搜索半径查询地图元素，对于查询到的地标，我们以固定长度间隔采样点作为地标代表。 从全局地图元素（LA、PO和SB）裁剪局部地图将使用当前粗略的车辆姿势在预定义的阈值距离内从全局地图查询，然后利用查询到的局部地图进行无漂移视觉定位，将地图元素E投影回图像点P。
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。 有别于GNSS或RTK的定位方式，汽车使用激光、相机和雷达传感器感知环境。基于这些传感器，我们可以计算出当前环境的地图模型。同时，车辆可以定位自身相对于此地图的位置(SLAM)。
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
); 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
1.3K60发布于 2018-04-17 - 来自专栏机器之心
MIT黑科技：无需视觉输入，立体声音频+摄像机元数据即可实现移动车辆定位
本文介绍了一种系统，该系统可以利用未标记的视听数据来学习在视觉参考坐标系中定位物体（移动的车辆），而在推断时仅使用立体声即可。 在新收集的听觉车辆跟踪数据集中的实验结果证明，本文提出的方法优于几种基线方法。研究者还证明了他们的跨模态听觉定位方法可以在光线不足的情况下帮助移动车辆的视觉定位。 他们的系统使用视频帧和声音同时进行训练，这使得音频「学生」网络可以从视频「教师」网络中学习如何定位车辆边界框。 研究者还分别测试了单个车辆和多个车辆的检测情况。结果如下表 2 所示： ? 表 2：根据平均精度（AP）和中心距离（CD）得出的单个车辆和多个车辆的听觉车辆定位结果。 表 4：在恶劣照明条件下的听觉车辆定位平均精度（AP）。 研究者还可视化了一些有趣示例，如下图 5 所示： ?
94130发布于 2019-11-11 - 来自专栏新智元
MIT展示全天候车辆定位黑科技 | 大陆发布无人驾驶开放架构
【关键技术】MIT展示不受天气昼夜影响的高精度车辆定位技术 【一句话点评】看来以后车底下也有传感器了，早应该这样。 近日，MIT林肯实验室展示了一种不受天气和昼夜影响的车辆定位技术，采用地表穿透定位技术（Localizing Ground-Penetrating Radar，LGPR），利用超高频（very high frequency，VHF）雷达扫描地表以下的特征来构建道路地图，用于后续的高精度定位，具体工作发表在今年一月份的Field Robotics，论文名称是Localizing Ground Penetrating 车企动向】BMW联手Mobileye、Intel研发无人驾驶汽车 【一句话点评】车企、供应商和计算平台，缺一家专门做自动驾驶的啊 7月1日，宝马集团与英特尔、Mobileye公司联合召开发布会，公开自动驾驶车辆和未来出行理念 这三家分别来自汽车、科技与计算机视觉与机器学习行业的领军企业正展开合作，目标是到2021年实现高度自动驾驶车辆和全自动驾驶车辆量产。
775110发布于 2018-03-27 - 来自专栏燧机科技-视频AI智能分析
车辆逆行识别检测系统
车辆逆行识别检测系统通过opencv+yolo网络深度学习技术，车辆逆行识别检测系统对现场画面中车辆逆向行驶行为进行检测抓拍预警。 若车辆逆行识别检测系统检测到道路上有车辆逆向行驶时，车辆逆行识别检测系统则抓拍预警。 YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好。图片
1.4K50编辑于 2023-01-11
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