LIDAR感知任务 使用LIDAR的感知任务可以分为两种： 低层次感知：仅检测障碍物。 高层次感知：对障碍分类，是目标识别。 检测到障碍物后，得到其位置，方向，尺寸等信息，一般用bbox或多边形来描述障碍物。 障碍物检测 Pipeline 如果是多传感器，需要对Lidar的点云 (pc) 做时间同步
Published on 2023-12-06
激光雷达 LiDAR (Light Detection and Ranging ) ，扫描激光束时照射对象物体，通过测量照射到物体弹回的时间来测定离物体的距离和位置，或确定对象物性质的光传感器技术。 原理 TOF 测距原理大多是飞行时间 TOF（Time of Flight），利用发射器发射的脉冲信
Published on 2023-12-05
深度学习方法 车道线检测常用数据集见 FunnyWii's Zone 车道线检测功能综述【传统方法】 基于分割的方法 利用语义分割或实例分割方法来区分图像中的车道线与其他物体或背景。这种方法将车道线检测问题转化为一个像素级分类问题。这种方法会将场景图片的每一个车道线像素都进行分类，判断该像素是否属于
Published on 2023-11-28
车道线检测技术 车道线检测技术是计算机视觉和自动驾驶领域中的关键技术之一，它能够帮助车辆在道路上准确识别和跟踪车道线，从而实现自动驾驶、车道保持等功能。 车道线检测方法总体上可以分为 传统方法 和 基于深度学习的方法。 车道线数据集 数据集 数量（张） 尺寸 场景 特点 TuSimple 72k 1
Published on 2023-11-14
关于Docker的基础知识见：FunnyWii's Zone Docker基础知识 硬件设备：天准Orin，基于Nvidia Jetson Orin 系统版本：Ubuntu 20.04 需打包的库：CUDA，OPENCV 值得一提的是，我的设备是ARM架构的。所以要注意一点，使用 Docker 构建
Published on 2023-11-02
Docker基础知识 Docker的优势在于一次创建或配置，便可在任意地方正常运行。使用一个标准镜像构建一套开发容器，在开发完成后，其他人便可使用这个容器来部署代码。 相比传统的虚拟机VM是在硬件层面实现虚拟化，Docker是在操作系统层面实现了虚拟化，直接复制 localhost 的操作系统 Do
Published on 2023-10-30
写在前面 现在车上有7个相机，如果想要用OpenCV同时读取这些相机的画面的话，实例化7个 VideoCapture是没有问题的，虽然会涉及到多线程的问题，但是多线程我还不会（ciao，是反废话）。直接实例化多个 VideoCapture未免有些显得技术力过低，因此使用 vector容器来存放读取的
Published on 2023-08-14
写在前面 为什么不直接输出一堆内容，主要是因为自己太菜了，上学时的那些深度学习知识，已经差不多都还给老师了，而且工程应用又是另一码事。所以我就一边用mmyolo框架训模型，一边从头学起。。。 快成炼丹师了，不过对如何调整hyperparameters一点头绪都没。以下提到的功能的使用，都可以在mmy
Published on 2023-07-13
写在前面 YOLOv8 是 Ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本，目前支持目标检测，目标分割，物体分类和姿态估计。 很多YOLO介绍blog会附上下面的结构图，虽然99%的人不会去看，而且我也是那99%的其中一员，不过为显专业（啊这该
Published on 2023-07-10
写在前面 ARM架构下的 torch 安装比较烦人，不是麻烦，而是烦人。 网络上大部分教程虽然写着“Jetson的torch安装”，不过基本都是用官方stable的whl安装，这些安装本身没有什么问题，但是官方ARM架构的torch并不支持 CUDA，torchvision 亦如是。 这个方法也并不
Published on 2023-06-25
GLIBCXX3.4.9 not found 解决方案 我是因为python的opencv的问题，可以尝试安装python版的opencv pip install opencv-python 但是如果上面的方法解决不了这个问题， sudo apt-get install libstdc++6 A
Published on 2023-06-12
