人工智能AI实战100讲(二)-自动驾驶传感器之激光雷达(一)激光雷达为何必不可少?
今天我们来说说其他车企为什么要在这个时间节点一窝蜂上激光雷达,感觉就是一个窗口期,谁家的汽车还不上激光雷达就意味着落后,意味着在自动驾驶这个赛道上掉队不少,特别是最近的上海车展来看,这个形态就越明显。
L2+辅助驾驶即将来临,各传感器战乱纷争
目前全球汽车自动驾驶功能都处于在L2级,即将突破L2+(有条件的自动驾驶)。
在L2+级的应用场景中,环境监控主体从驾驶员转变至传感器系统,驾驶决策责任方从驾驶员过渡到汽车系统信息,对应硬件传感器读取物体信息的准确度要求更高,软件/算法能力需要进一步增强。
这个时候就需要考验传感器的性能,价格,实现的功能各方面的优劣势对比了,前面几个系列已经介绍了摄像头、毫米波雷达的性能和价格,一起看看这几个传感器的优缺点。
人工智能AI实战100讲(二)-自动驾驶传感器之激光雷达(一)激光雷达为何必不可少?相关推荐
- 人工智能AI实战100讲(二)-自动驾驶传感器之激光雷达(二)激光雷达配置车型介绍
今年的上海车展热闹非凡,"智能化"已经成为2021年上海车展的核心主题,特别是新能源汽车大放异彩,预埋感知硬件,高的计算平台水平,自动辅助驾驶能力的肌肉展示. 自动驾驶等级每增加一 ...
- 人工智能AI实战100讲(二)-自动驾驶传感器之激光雷达(三)主流车厂激光雷达的选择及布局
主流车厂激光雷达的选择和布局 激光雷达发布的车型虽然多,但是价格高低,设计性能各不同,俗称外行人看热闹,内行人看门道,激光雷达都有哪些门道了,其实从主机厂关心哪些指标就知道有哪些门道了. 当然价格是车 ...
- 人工智能AI实战100讲(二十)-先拍照后对焦,基于深度估计的景深编辑与背景虚化
1 景深与背景虚化基础 1.1 什么是景深与虚化 动植物摄影,人像摄影中常使用浅景深来虚化背景,突出目标主体,可以大幅提升作品的艺术美感. 当被摄物体位于镜头前方(焦点的前.后)一定长度的空间内时,其 ...
- 人工智能AI实战100讲(五)-基于强化学习的自动化剪枝模型
1介绍 文中涉及代码请参见: 人工智能AI-图像处理cv-基于强化学习的自动化裁剪 目前的强化学习工作很多集中在利用外部环境的反馈训练agent,忽略了模型本身就是一种能够获得反馈的环境.本项目的核心 ...
- 人工智能AI实战100讲(七)-原理+代码实战 | 双目视觉中的极线校正
为什么要做极线校正? 三维重建是通过双目立体匹配实现的如图1,通过匹配空间中点在两个图像中的投影点,再根据三角关系得到P的Z值. 我们双目相机拍摄的时候实际情况下如下图a,两个图像做匹配时如我们图中蓝 ...
- 人工智能AI实战100讲(八)-原理+代码详解 | 稠密重建之SGM/tSGM算法
立体匹配算法介绍 全局立体匹配算法 全局立体匹配算法主要是采用了全局的优化理论方法估计视差,建立全局能量函数,通过最小化全局能量函数得到最优视差值: 通过二维相邻像素视差之间的约束(如平滑性约束)而得 ...
- 人工智能AI实战100讲(六)-利用CNN来检测伪造图像
随着像Facebook和Instagram这样的社交网络服务的出现,在过去十年中产生的图像数据量有一个巨大增加.使用图像(和视频)等处理软件GNU Gimp,Adobe Photoshop创建修改过的 ...
- 人工智能AI实战100讲(十)-一文读懂推荐系统负采样
推荐系统负采样作为推荐模型训练的重要一环,对模型的训练效果有着重要影响,也是推荐系统领域的一个重要研究分支.本文将从研究背景到现有的经典工作对推荐系统负采样进行一个概括性的介绍.为了降低本文的阅读门槛 ...
- 人工智能AI实战100讲(四)-基于深度学习的图像增强综述
前言 这篇博客主要介绍之前看过的一些图像增强的论文,针对普通的图像,比如手机拍摄的那种,比低光照图像增强任务更简单. 图像增强的定义非常广泛,一般来说,图像增强是有目的地强调图像的整体或局部特性,例如 ...
最新文章
- Python学习心得第一周-03练习2
- sourcesafe管理phpproj文件的补充说明(downmoon)
- USACO Training Section 5.1 Fencing the Cows 圈奶牛(凸包)
- 数据库SQL Server循环游标读取例子
- php 时间类型int类型,mysql 查询 int类型日期转换成datetime类型
- javaweb几种常见乱码问题解决
- 挑战云主机战:学习使用云端服器象棋云库
- 路由交换的一些常见知识点总结
- 机房收费系统-数据库设计说明书
- 理解MeasureSpec
- 太神了-图片可以转换成Word文档了
- Django DTL模板使用
- Learning Transferable Visual Models From Natural Language Supervision
- 关键词优化推广需要怎么做?有哪些方法和技巧
- 实现边坍塌的网格简化方法
- SpringBoot整合Mybaits开发报java.lang.IllegalArgumentException: At least one base package must be specifie
- Hadoop常用命令介绍
- win10 mysql详尽安装教程
- AS SSD软件查看信息说明
- 解决 Error creating bean with name ‘dataSource‘ defined in class path resource 问题
热门文章
- hd-sdi转hdmi转换器产品规格参数及接口定义详解
- 常见光纤收发器组网方式介绍
- 百兆工业交换机与千兆工业交换机如何计算码率?
- 【渝粤教育】国家开放大学2018年秋季 2604T城市轨道交通行车组织 参考试题
- 【渝粤题库】国家开放大学2021春1032成本管理题目
- shell 提取sql 的字段名表名_SQL代码风格规范
- 信息技术与计算机文化的问题,信息技术与计算机文化
- C语言实用算法系列之strtok字符串分割、strcat字符串拼接、strcpy、strcmp
- 构建地理上分散的网络之4点论证
- 在一个小写英文字母(a-z)组成的字符串的最短子串,其包含这个字符串中出现过的所有字母,输出最左边的该类子串