登录社区云，与社区用户共同成长
邀请您加入社区
本文对比了A-LOAM与LeGO-LOAM在特征提取前处理阶段的差异。两者均基于局部曲率提取边缘点与平面点，但预处理策略不同：A-LOAM采用点级筛选，通过扫描线邻域分析剔除遮挡点与突变点，实现简单通用；LeGO-LOAM则先构建距离图像，进行地面检测与连通域分割，保留稳定区域后再提取特征，更适合低线束雷达和地面移动场景，特征稳定性更优。核心区别在于处理粒度：A-LOAM关注局部点的可靠性，而Le
直接从车载摄像头拍到的道路图像出发，不依赖GPS、激光雷达或其他传感器，纯靠卷积神经网络推算当前该打的方向盘角度。整个流程跑在普通电脑上就能完成：先用load_preprocessed_data.py把原始图像和对应转向角整理成pkl格式数据，再用train.py训练模型，最后靠self_driving_car.py加载model_adam_mse.h5做实时推理——输入一张路图，输出一个-1到1
LIO-SAM 的 ImageProjection 模块主要用于 LiDAR 点云预处理。核心功能是将无序 3D 点云转换为结构化的距离图像，并利用 IMU 数据补偿运动畸变。输入原始点云、IMU 和里程计数据，输出去畸变点云及信息包。关键技术包括点云去畸变、距离图像投影及多传感器同步。该模块在系统中承上启下，为后续特征提取与位姿优化提供高质量数据基础。
本文聊聊 LLama-Factory，它是一个开源框架，这里头可以找到一系列预制的组件和模板，让你不用从零开始，就能训练出自己的语言模型（微调）。不管是聊天机器人，还是文章生成器，甚至是问答系统，都能搞定。而且，LLama-Factory 还支持多种框架和数据集，这意味着你可以根据项目需求灵活选择，把精力集中在真正重要的事情上——创造价值。使用LLama-Factory，常见的就是训练LoRA模型
本文介绍了PyTorch原生DSVT Transformer在3D点云处理中的高效应用，通过动态稀疏窗口注意力机制和旋转集合划分策略，显著提升了计算效率和模型性能。文章详细解析了DSVT架构设计、工程实现关键步骤及部署优化策略，为自动驾驶和机器人感知领域提供了实用的解决方案。
本文详细介绍了如何使用PyTorch复现自动驾驶回归模型的对抗攻击实战，涵盖环境配置、Udacity数据集处理、模型构建与训练、对抗攻击方法实现及防御策略。通过IT-FGSM和AdvGAN等攻击方法，揭示自动驾驶模型在对抗攻击下的脆弱性，并提供对抗训练和特征压缩等防御方案，助力开发者提升模型鲁棒性。
本文详细介绍了TDA4VM开发环境搭建与SDK配置的全流程，涵盖硬件选型、系统配置、SDK部署、TIDL工具链使用及OpenVX视觉流水线开发等关键环节。针对常见问题提供避坑指南，帮助开发者快速掌握边缘计算和自动驾驶领域的核心技术，提升开发效率。
