原创 閱讀筆記 《深度｜詳解自動駕駛核心部件激光雷達，它憑什麼賣70萬美元？》
原創： 黃武陵 新智元 激光雷達描繪周圍環境幾個主要參數，包括線數、點密度、水平垂直視角、檢測距離、掃描頻率、精度等。除了位置和距離信息，激光雷達還提供返回所掃描物體的密度（錯誤！應該是反射強度）信息，後續算法據此可以判斷掃描物體的反
2019-03-03 17:18:19
1
原创 （轉）《開發者說 | 關於激光雷達感知模塊的分析》
原創： Apollo社區開發者 Apollo開發者社區 2018-11-14 本文檔結合代碼詳細地解釋感知模塊中障礙物感知的流程與功能，也可以官方參考文檔。 （https://github.com/ApolloAuto/apollo/
2019-03-03 17:18:19
2
原创 閱讀筆記《CKF濾波算法及其在航天器自主導航中的應用》
《CKF濾波算法及其在航天器自主導航中的應用》是一篇非常好的論文，詳細介紹推到了容積卡爾曼濾波（CKF）的原理及其與UKF的對比。 1. 基本濾波問題 其中公式3.1.5 由公式3.1.4根據 3變量的貝葉斯規則 得來：P(x | y
2019-03-03 17:18:19
32
原创 目標跟蹤中的座標變換問題
在自動駕駛的目標跟蹤問題中，自車的座標系隨着自車運動，包括yaw angle。因此，在跟蹤時，需要這樣做：車身偏航角的變化率是可以得到的yaw_rate，在每次觸發跟蹤算法時根據兩幀時間戳的差值對yaw_rate做積分，就有這個時間段內產
2019-03-03 17:18:19
2
原创 對基於卡爾曼濾波的跟蹤算法的一些理解（二）
KF跟蹤時常見的運動模型有勻速運動模型（CV）和勻加速運動模型（CA） 常用傳感器是Lidar和Radar 其中，Lidar只能測距不能測速，而radar可以測速。 因此，在使用Lidar進行跟蹤時，速度可以初始化爲0，在預測階段正常計算
2019-03-03 17:18:19
3
原创 概率與貝葉斯基礎（持續更新）
知乎上的概率機器人知識總結，總體寫的深入淺出 1. https://zhuanlan.zhihu.com/p/57307528 補充3隨機變量的貝葉斯規則的證明，這個用的真的非常多。這也是《概率機器人》第2章13頁公式2.16 2.
2019-03-03 17:18:19
2
原创 對基於卡爾曼濾波的跟蹤算法的一些理解（一）
讀《多假設航跡合成算法》這篇論文的一些總結和個人理解 卡爾曼濾波（KF）用在跟蹤上，從目標的動力學方程（系統方程）和觀測方程爲前提，即要求系統模型已知（包括模型噪聲和觀測噪聲的統計特性） 單radar的目標跟蹤主要包括：航跡起始、數據
2019-03-03 17:18:19
1
原创 閱讀筆記《量產必備的毫米波雷達》
原文來自知乎：https://zhuanlan.zhihu.com/p/34675392 紅色是我的筆記 前言 在上一次分享中，我對無人駕駛汽車上的激光雷達的原理、數據及功能做了介紹。 激光雷達的普及所遇到的最大挑戰是：成本過
2019-03-03 17:18:19
70
原创 哈佛大學公開課：計算機科學cs50 學習筆記及代碼練習（第14集：棧，隊列，哈希表，樹）
週末寫代碼 --------------------------------2018.8.7--------------------------- 1. stack 棧 stack 後進先出（LIFO）結構。下面用數組實現棧，用mallo
2018-08-31 22:27:44
原创 哈佛大學公開課：計算機科學cs50 學習筆記（第11集：RAM，內存管理，結構體，緩衝區溢出等）
1. 複習RAM/緩衝區溢出攻擊法 text 部分存儲編譯後的二進制文件，如源代碼。initialized data 和 uninitialized data 分別存儲初始化和未初始化的全局變量; heap 負責動態內存分配的內存（如
2018-08-31 22:27:42
原创 主成份分析（PCA）基本原理/步驟及其C++ 實現與優化（結合Eigen矩陣庫）
主成份分析是常用的降維方法，其他降維方法還有線性判別分析LDA，二者的區別見：https://www.cnblogs.com/pinard/p/6244265.html 簡要說就是： 1.PCA將原始數據投影到方差最大的方向，LDA將
2018-08-31 22:27:42
297
原创 集成學習方法之 Boosted Tree 原理
之前在點雲分類中用了SVM和Random Forest ， 發現RF 的效果非常好，比SVM好許多，因此想再試一下其它基於樹的集成學習方法，比如Boosted Tree 和 Xgboost，Xgboost 基於前者是基於前者實現的，優點是
2018-08-31 22:27:42
1
原创 讀論文：Recognizing Objects in Range Data Using Regional Point Descriptors （3D shape context 形狀描述子）
Recognizing Objects in Range Data Using Regional Point Descriptors Andrea Frome 1 , Daniel Huber 2 Ravi Kolluri 1 , Tho
2018-08-31 22:27:42