原创 自動駕駛系統進階與項目實戰（五）使用SC-LEGO-LOAM進行較大規模點雲地圖構建和閉環優化

自動駕駛系統進階與項目實戰（五）使用SC-LEGO-LOAM進行較大規模點雲地圖構建和閉環優化 高精度地圖和高精度定位目前仍然是L4及以上自動駕駛系統的核心模塊之一，成熟的傳感器融合定位方法高度依賴高精度地圖，L4級自動駕駛系統

2020-06-08 14:24:21 13

原创 自動駕駛系統進階與項目實戰（四）自動駕駛高精度地圖構建中的三維場景識別和閉環檢測

自動駕駛系統進階與項目實戰（四）自動駕駛高精度地圖構建中的三維場景識別和閉環檢測 閉環檢測（loop-closure detection）是SLAM中非常關鍵的一部分，當然也是自動駕駛高精度地圖（HD Map）構建的核心技術之一

2020-06-08 14:24:21 2

原创 Move-it無人駕駛黑客馬拉松記錄

Move-it無人駕駛黑客馬拉松記錄 好久沒有更新博客了，近段時間參加了在貴陽由pixmoving舉辦的無人駕駛黑客馬拉松，和來自全球10餘個國家的20餘名黑客在5天時間內做了一輛具備場內駕駛能力的無人駕駛汽車，本片文章其實是我

2020-06-08 14:24:21

原创 自動駕駛系統進階與項目實戰（三）基於全卷積神經網絡的點雲三維目標檢測和ROS實戰

自動駕駛系統進階與項目實戰（三）基於全卷積神經網絡的點雲三維目標檢測和ROS實戰 前面入門系列的文章中我介紹了幾種點雲三維分割/目標檢測模型，在做點雲預處理上，有通過球面投射（SqueezeNet）得到深度圖的，也有采用Voxe

2020-05-18 23:57:05 7

原创 自動駕駛系統進階與項目實戰（二）多激光雷達外參自動化標定算法及代碼實例

自動駕駛系統進階與項目實戰（二）多激光雷達外參自動化標定算法及代碼實例 激光雷達是目前自動駕駛系統中的核心傳感器之一，但是由於其信息密度低、存在垂直盲區等問題，廠商大多在其L4級自動駕駛系統中搭配多組激光雷達，下圖爲通用（Cru

2020-05-06 03:43:34 10

原创 自動駕駛系統進階與項目實戰（一）激光雷達-相機外參自動化標定算法及項目實戰

通常而言，激光雷達和相機固定安裝於無人車上，其相對關係一定，獲得準確的齊次變換矩陣或者 (x,y,z,roll,pitch,yaw)(x,y,z,roll,pitch,yaw)(x,y,

2020-04-26 04:20:51 8

原创 無人駕駛汽車系統入門（二）——高級運動模型和擴展卡爾曼濾波

前言：上一篇文章的最後我們提到卡爾曼濾波存在着一個非常大的侷限性——它僅能對線性的處理模型和測量模型進行精確的估計，在非線性的場景中並不能達到最優的估計效果。所以之前爲了保證我們的處理模型是線性的，我們上一節中使用了恆定速度模型

2020-02-23 12:01:01 2

原创 無人駕駛汽車系統入門（三）——無損卡爾曼濾波，目標追蹤，C++

前面兩篇文章我們瞭解了卡爾曼濾波以及擴展卡爾曼濾波在目標追蹤的應用，我們在上一篇文章中還具體用Python實現了EKF，但是細心的同學會發現，EKF的效率確實很低，計算雅可比矩陣確實是一個很費時的操作，當問題（非線性的）一旦變得

2020-02-23 12:00:51

原创 無人駕駛汽車系統入門（三十）——基於深度神經網絡LaneNet的車道線檢測及ROS實現

無人駕駛汽車系統入門（三十）——基於深度神經網絡LaneNet的車道線檢測及ROS實現 前面的博文介紹了基於傳統視覺的車道線檢測方法，傳統視覺車道線檢測方法主要分爲提取特徵、車道像素聚類和車道線多項式擬合三個步驟。然而，無論是顏

2019-06-11 09:48:25 51

原创 無人駕駛汽車系統入門（二十九）——使用TensorFlow Object Detection API分別在GPU和Google Cloud TPU上訓練交通信號燈檢測神經網絡

本文將解決如何使用TensorFlow Object Detection API訓練交通信號燈檢測網絡，使用Lisa數據集，通過簡單腳本將數據集整理爲tf record格式，我們將分別在本地的GPU和Google Cloud提供的T

2019-03-19 03:23:59 6

原创 新書《無人駕駛原理與實踐》上市，歡迎關注與支持

簡介 由本人作爲第一作者編著的《無人駕駛原理與實踐》一書已在各大平臺開啓預售，該書從原理到實踐系統地介紹了無人駕駛汽車軟件系統，包含無人駕駛系統的概覽，ROS編程、機器學習和深度學習等入門基礎知識，廣泛使用的環境感知、定位、傳感器融合

2018-12-13 18:47:04 10

原创 無人駕駛汽車系統入門（二十八）——基於VoxelNet的激光雷達點雲車輛檢測及ROS實現

無人駕駛汽車系統入門（二十八）——基於VoxelNet的激光雷達點雲車輛檢測及ROS實現 前文我們提到使用SqueezeSeg進行了三維點雲的分割，由於採用的是SqueezeNet作爲特徵提取網絡，該方法的處理速度相當迅速（在單GP

2018-12-07 19:09:14 6

原创 無人駕駛汽車系統入門（二十七）——基於地面平面擬合的激光雷達地面分割方法和ROS實現

無人駕駛汽車系統入門（二十七）——基於地面平面擬合的激光雷達地面分割方法和ROS實現 在博客的第二十四篇中，我們介紹了一種基於射線的地面過濾方法，此方法能夠很好的完成地面分割，但是存在幾點不足：第一，存在少量噪點，不能徹底過濾出地面

2018-11-28 13:00:36 27

原创 無人駕駛汽車系統入門（二十六）——基於深度學習的實時激光雷達點雲目標檢測及ROS實現

無人駕駛汽車系統入門（二十六）——基於深度學習的實時激光雷達點雲目標檢測及ROS實現 在前兩篇文章中，我們使用PCL實現了在點雲中對地面的過濾和點雲的分割聚類，通常來說，在這兩步以後我們將對分割出來的對象進行特徵提取，緊接着我們訓練

2018-11-03 23:18:08 7

原创 無人駕駛汽車系統入門（二十五）——基於歐幾里德聚類的激光雷達點雲分割及ROS實現

無人駕駛汽車系統入門（二十五）——基於歐幾里德聚類的激光雷達點雲分割及ROS實現 上一篇文章中我們介紹了一種基於射線坡度閾值的地面分割方法，並且我們使用pcl_ros實現了一個簡單的節點，在完成了點雲的地面分割以後，爲了使用激光雷達

2018-10-13 03:53:26 29