前面的第一篇博客有朋友反映篇幅过长,我也感觉过长不利于阅读。本章将完成一个点云地图处理的工作,即对点云地图进行网格划分,以便提升后续定位过程中匹配速度。本篇主要介绍点云地图的网格划分以及可视化。代码整体比较简单,有些地方就不一一解释。

阅读全文 »

1570973934430

关于自动驾驶领域内容繁杂,在实战方面的教程,目前网上看到大致了两类:

  1. 一种是综述性质的,讲概念为主,概念都是文字,看着挺爽,过段时间就啥也不会了,有些号称实战的博客,其实也就是自己找的一个官网的小案例,比如案例是两帧激光点云的配准代码实现,这种案例以阐述知识点本身为主,无太大实用价值,而且都是零零散散的,无法直接在车上使用。
  2. 第二种是一些大型的自动驾驶开源项目,比如Apllo和Autoware,给了所有的代码,但代码模块之间相互依赖,耦合性高,不太容易抽取出需要的作为单独的模块来使用。而且环境配置坑太多,代码工程太大也不知从何看起,学习的时候会走很多弯路。

基于此,我准备开源我自己完成的工作一些工作,一部分是在Autoware和Udacity里面的基础代码,并在此基础上根据我的硬件和场景做出的一部分修改,算是一个比较完整的,并且能够直接在室外车上使用的项目。

作为系列的第一篇,主要讲解室外构建点云地图的常用方法,以及基本原理和实现。

阅读全文 »

9.20—9.22的Hackthon比赛照片,压缩过的,加载很快,哈哈!

​ 日立中国研究院举办的视频分析技术黑客马拉松比赛,比赛分为视频行为分析、单目深度估计两大项目,要求52小时给出技术方案,并在主办方给定的数据集上验证效果,提供的GPU资源为一块2080Ti。

​ 我们deecamp 35组的小伙伴儿又相聚了,大湿兄全程带飞(上图C位发型最帅的男人),我们组最终拿下本次单目深度估计比赛冠军,感谢主办方丰厚的奖金!

阅读全文 »

现在开始整理下阅读过的一些paper,看过的都忘记了,真是太“南”了。


第一篇review的paper是《LOAM:Lidar Odometry and Mapping in Realtime》,这是CMU Ji zhang博士在2014年发表于RSS(Robotics: Science and Systems ),是近年来激光SLAM领域的一篇代表性的文章,目前依然在kitti odometry排行榜上领先(2015-2019)。下载地址:

LOAM:Lidar Odometry and Mapping in Realtime

阅读全文 »

目前HD Map的技术和具体规范仍在发展中,各家不尽相同,概括地讲,HD-map会包含以下几种图层。

阅读全文 »

使用激光雷达制作高精地图,实际上就是利用激光点云融合技术进行激光雷达扫描,返回场景分布点的技术。激光点云融合的技术又分为两种,都能达到厘米级的精度。

一是基于点云融合的算法,其应用场景较广,不仅限于GPS场景,但在结构化场景中可能会定位失败(比如铁路隧道)。

二是基于比较精确的差分GPS和精确惯导(IMU,惯性测量单元)和图像,在GPS信号弱的场景效果不佳(高楼、林荫道)。

在l4级别的地图制图要求的精度非常高,所以还是以点云为主。

阅读全文 »