登录社区云，与社区用户共同成长
邀请您加入社区
多个雷达和多个摄像头协同感知——让机器既看得清、又测得准。一辆自动驾驶车在路上跑，车顶转着几个激光雷达，车身围着一圈摄像头；一个安防园区里，雷达和摄像头盯着每个角落；一个工厂里，移动机器人靠多传感器避开障碍、识别工件。它们都面临同一个问题：单一传感器不够用。摄像头看得清颜色、纹理、文字，却测不准距离，夜里和雨雾里就"瞎"了；激光雷达测距离准、不怕黑，却看不到颜色、认不出红绿灯和交通标志，远处点云还
四信推出以5G WiFi6 工业路由器为核心的端网协同漫游方案。方案联动AC控制器、分布式AP与机器人车载终端，构建统一漫游域的全域无线网络，承载调度指令下发、位置状态上报、传感器数据采集、高清视频回传等全业务流量，实现跨AP区域的毫秒级无缝切换，让上层业务全程无感知漫游，保障移动机器人连续稳定作业。
GNSS 位置到达，计算残差、观测雅可比、卡尔曼增益，更新误差状态；依赖：Eigen3（线性代数，机器人导航标配，ubuntu 直接。），无需其他第三方库，复制即可编译运行。IMU 加速度、角速度积分更新。同时传播误差状态协方差矩阵。
旋转用 3 维微小旋转向量，无欧拉角奇异性；四元数仅用于名义状态；误差始终是小量，雅可比简单，线性化误差小，一致性更好；分离 IMU 积分（非线性）与滤波更新（线性误差空间），工程模块化；广泛用于 VIO、LIO、组合导航、机器人定位。
Attention 是"线性聚合",没有真正的非线性变换。FFN 补上这个能力。: 2 层 MLP + GELU 激活。
编译：海思SDK中Sample例程的makefile已经搭建好，直接make就可以了。或者只编译相应的模块测试：将编译好的sample例程拷贝到开发板上，可能会运行失败，一般有两个原因，一个是因为缺少海思提供的动态库，另一个是因为海思的驱动没有加载。缺少的海思动态库可以从lib中拷贝到开发板。...
本文系统梳理了IMU与GNSS-RTK融合导航的核心原理：IMU输出角速度与比力，需通过积分获得姿态、速度、位置，但二次积分导致噪声与零偏累积，引发漂移；关键在于理解连续/离散噪声模型转换、零偏随机游走特性及单位规范；结合欧拉积分实现航迹推算，揭示其短期可用、长期发散的本质；最终依托厘米级RTK提供全局位置观测，实现对IMU漂移的有效约束，为ESKF滤波器奠定理论与工程基础。
本项目基于 STM32，搭载 FreeRTOS 实时操作系统，实现设备的数据采集、传感器读取、通信收发、状态控制、故障检测、上报上位机功能。设备上电后自动初始化硬件与 RTOS，周期性采集传感器数据；检测到按键或者外部事件时响应中断；数据经过校验处理后，通过串口上传；支持低功耗休眠，空闲时进入停机模式，外部中断触发唤醒；同时监测系统异常，发生故障时记录日志并执行保护动作。Stop：1.8V 内核电
激光雷达点云的深度学习 3D 目标检测，其本质是从无序、稀疏、非均匀分布的三维点集 P = {pᵢ = (xᵢ, yᵢ, zᵢ, rᵢ)}ᵢ₌₁^N 中，回归出目标的 3D 定向包围盒（3D Bounding Box）及类别属性。点云检测的核心分歧在于如何将“无序、不规则的三维点”转化为神经网络可以高效计算的结构。下面系统性地介绍点云深度学习检测的主流技术流派、核心处理机制及检测全链路方法。提取到
机器学习是母集，深度学习是其强大的工具。强化学习和模仿学习是解决序列决策问题的两种核心思路：RL通过奖励试错，IL通过模仿专家。在自动驾驶中，感知几乎由深度学习包办，而决策规划则是IL与RL深度融合的领域，常见模式是IL预训练+RL精炼。VLA模型是这一融合趋势的集大成者，它以深度学习为基座，以模仿学习为主要训练方式，并积极引入强化学习来优化决策，目标是让自动驾驶系统真正具备“理解”和“推理”的能
待优化变量：每个时刻机器人全局位姿([x,y,\theta])编号 id 唯一；固定第一个顶点（id=0），固定原点消除自由度（缺少全局约束，优化有无穷多解）顶点存储初始值：里程计递推得到的初值（有漂移）每条二元边连接两个顶点(i,j)，存储相对位姿观测(z = [dx,dy,d\theta])（里程计 / ICP 匹配输出），同时配置信息矩阵(\Omega)（协方差逆）。里程计边：连续帧之间（i
继“”继续学习看起来没问题。但机器人仿真就麻烦了。0.001s暂停仿真ROS2 因此提供了抽象的 ROS Time，并支持通过/clock提供仿真/回放时间。你只需要先认识三个时间。
组合导航：将两种或多种导航源的信息，通过融合算法（滤波为主）取长补短，得到更高精度、更高可靠性、全场景可用的载体位姿（位置、速度、姿态）。单一导航系统都有固有缺陷，组合就是互补，抑制各自误差。在自动驾驶 / 机器人 LPC 链路里，组合导航属于定位模块核心，输出高频位姿给到规划与控制。IMU 安装角没有标定，姿态永久偏；时间戳不同步，融合结果震荡；滤波 Q/R 矩阵调参错误：Q 太大相信 IMU
当大模型走出屏幕，开始面对摩擦、延迟和重力，物理AI正成为最火热的职业风口🔥 本文为你梳理物理AI的三大技术流派——仿真引擎、端到端VLA与神经符号注入，对比各自的数据需求与适用场景，并给出学生和转行者可落地的上车建议。想知道AI如何真正“搬砖”，以及你该如何抓住这波机会？点开看看👀
第五届828 B2B企业节作为码道中国行启动站，后续华为云还将协同多家伙伴开展深度合作，通过开放对话、场景化实操演示等多种形式，陆续走进成都、济南、大连、厦门等城市，与更多开发者及企业用户面对面交流，让更多个人和组织真正将AI“用起来、用得好、用出价值”。作为本届企业节的重磅环节之一，华为云携手13家核心生态伙伴，在开幕式上联合发布“码道中国行” 计划，并将通过开发资源、技术赋能、商业支持、品牌扶
OpenCV是自动驾驶入门学习的实用工具，无需昂贵硬件即可实现车道检测和行人跟踪两大核心功能。文章详细拆解了基于OpenCV的车道线检测流程（图像预处理、边缘提取、兴趣区域裁剪和霍夫变换）和行人动态跟踪方案（HOG+SVM检测结合KCF跟踪算法），并指导如何整合为轻量化视觉系统。作者强调掌握这些基础图像处理技术对理解自动驾驶底层逻辑的重要性，指出这是进阶深度学习算法前的必备技能，同时分享了实际项目
维特智能 WTRTK982-LTE 助力四足机器人客户实现精准定向导航
城市道路图像采集，如何既满足隐私合规，又不毁掉 AI 训练数据？人工打码慢、黑框遮挡毁场景，合规与数据价值难两全。本文用真实案例，拆解一种精准匿名化方案
在复杂软件系统中，接口设计的优劣直接决定模块的演进能力与系统稳定性。自动驾驶预测功能服务接口作为感知与规划之间的关键桥梁，其设计需要覆盖数据流定义、消息结构、调用机制与性能约束等多维问题。从接口分层看，预测服务需屏蔽底层通信差异，以稳定协议支撑上下游独立迭代；从消息规范看，基于Protobuf定义强类型数据结构，可确保高频传输下的字段语义清晰与单位统一；从调度策略看，同步RPC、超时降级与QoS参
本文提出CMP-D-ROS2架构，以六层旁路审计拓扑实现机械臂碰撞风险的柔性降级。在碰撞前0.5秒窗口期，不触发急停，而是降速至0.1m/s、发布告警并等待人工确认，避免产线中断。每层决策由D层审计链记录，支持事后溯源。该方案基于空圈容错思想，属上层安全增强，不可替代硬件急停。架构复用“骨架通用，血肉各长”原则，适配物理端机器人场景，提升安全性与效率。
您的ADAS HiL测试还在“烧钱买低效”吗？传统方案年耗超3000万，CG仿真域差距高达20–50%。3DGS神经仿真方案将域差距降至<5%，场景生成提速百倍！对中型智驾仿真测试团队，年省2441万，1.1个月回本，3年ROI达3390%，本文帮您理清工程价值与经济账！
在 Chapter 2 中，我们已经掌握了有限时域 LQR 的完整流程。iLQR（iterative Linear Quadratic Regulator）并不是一个全新的算法，而是 LQR 思路在非线性世界中的自然推广。理解 iLQR 最快的方式，就是搞清楚它和 LQR 的每一处差异是为什么出现的。下面这张表是本章的"路线图"——后续所有内容都是在解释表中每一行差异背后的数学原理与代码实现：iL
SCL3400-D01倾角传感器 | 倾斜传感器 | 村田制作所高性能双轴倾斜仪双轴MEMS传感器在使用寿命和温度范围内具有上佳的稳定性
特性BEVFormer（多目）假设BEVFormer（单目）输入环绕车辆的多摄像头图像单个摄像头图像输出BEV范围360度无盲区仅限于该摄像头视野对应的扇形区域，存在巨大盲区3D几何精度高，通过多视角三角测量低，依赖单目深度估计，不确定性高核心能力真正的3D场景重建与理解受限的、基于学习的2D到3D映射实用价值适用于L3+级自动驾驶实用性大打折扣，不适用于安全苛求的系统BEVFormer 必须输入
本文详细介绍了如何在英伟达Orin平台上高效部署BEVFusion多传感器融合技术，并实现结果可视化。通过TensorRT模型优化、流水线构建及性能调优，解决了实时性挑战，为自动驾驶感知系统提供了从理论到实践的完整解决方案。
智能座舱液晶仪表技术正加速演进，硬件层面采用Mini-LED/OLED显示技术，实现1000nit亮度与10万:1对比度；软件系统集成多模态交互算法，语音识别率达98%，支持动态UI与OTA升级；系统架构通过CANFD总线实现跨域协同，并采用AES-256加密保障安全。未来将向AR-HUD、数字孪生方向发展，但需解决强光可读性与长寿命等技术挑战。该技术正推动仪表从显示终端向智能交互中心转型，成为智
HUD技术从战斗机到汽车的进化史：这项抬头显示系统通过光学反射原理，将关键信息投射在驾驶员视线前方，有效减少0.8秒的视觉转移时间（相当于22米刹车距离）。随着技术进步，HUD已从基础数据显示发展为智能交互中心，具备导航增强、安全预警等功能。未来将向全息投影和光场显示方向发展，在自动驾驶时代承担更多交互角色，实现"无屏化"的沉浸式体验。这项源自军事的技术正在重塑人车关系，让驾驶
13.谈谈你在这几段实习过程中的核心收获是什么，觉得为什么自己可以胜任这个岗位。8.评测的主观部分怎么量化?怎么平衡不同人之间的主观差异?5.在XX这段实习，你遇到的最大的困难是什么?怎么优化这些badcase的?10.平时是怎么学习AI技术和算法层面的知识的?18.解决badcase都用了哪些优化途径?7.讲讲如何用大模型进行数据挖掘和标注的?9.prompt都做了什么具体的优化?11.都用了哪
自动驾驶汽车需要多种传感器来感知环境，这些传感器包括摄像头、激光雷达、毫米波雷达、超声波雷达、红外热成像、惯性测量单元、全球导航卫星系统、车辆轮速计和V2X通信等。通过多传感器融合技术，这些传感器的数据可以整合在一起，形成一个全面、准确的环境感知系统，为自动驾驶车辆提供可靠的数据支持，确保行驶的安全性和高效性。
链接:https://pan.baidu.com/s/1Z8eVJb23oVjk7PwEjqiKJA?资源：【超级会员V4】通过百度网盘分享的文件：虚拟机。1.需要安装双系统或虚拟机（个人推荐虚拟机）复制这段内容打开「百度网盘APP 即可获取」
本系列文章主要讲解道路车辆功能安全 ISO 26262标准的相关知识。（面向汽车安全完整性等级 (ASIL) 和安全的分析 ）
有很多方法，但是，我觉得都很麻烦，所以，我直接加了-- break-system-packages.这有个问题，就是pip安装的时候，会说 externally-managed-environment。各位，飞控之间，大多使用mavlink来通信，今天来写一个mavlink安装的保姆级教程。安装完了之后，我们进到mavlink路径下的examples/c路径下，编译看看。装起来后，接下来就是生成m
如果是智能驾驶的话，那涉及的面就更广了，OEM的话需要考虑场景的可控性论证，安全门限的定义，同时要熟悉感知传感器以及SoC等主芯片的安全设计，然后结合HARA分析提出可落地的功能安全需求，比如雷达和摄像头的性能互补，是否有策略避免误识别。3.1 技术安全概念/要求开发，功能安全工程师要协助系统工程师一起完成TSC/TSRs的开发，制定系统要素和接口实施安全机制的技术安全要求。如果只是做功能安全管理
激光SLAM--(3)传感器数据处理之Lidar数学模型和运动畸变去除
apollo 6.0中规划模块的接口为 PlanningComponent类,该类不可被继承，在该类的Init函数中 OnLanePlanning被构造，在构造函数中也完成了内部planner_dispatcher_的构造:// injector_作为常引用传入planning_base_ = std::make_unique<OnLanePlanning>(injector_);该类
概述1999年我国65岁及以上老年人口占总人口比例首次超过7%, 标志着我国进入人口老龄化社会。随着20世纪中期出生高峰的人口陆续进入老年，可以预见，21世纪前期将是中国人口老龄化发展最快的时期。人口老龄化给社会和经济带来巨大压力，老年人群体是所有人群中患慢性病最多的群体。健康的饮水习惯则可以对多种慢性病起到良好的预防和改善作用，反之，不健康的饮水习惯甚至有可能引发各种慢性疾病。一款按时提醒人们饮
纯小白玩树莓派3B+安装UBUNTU20.04及试图安装ROS来驱动激光扫描建图（上）笔者作为英语从未及格过，也不怎么接触这个行业的纯小白，弄这个也算的上是心血来潮。其中找了不少攻略，也套用了不少博主的方法。这里对那些博主表示感谢。相关硬件：PC电脑：我的是双系统安装了WIN10跟UBUNTU.因为我WIN10安装ROS失败了。安装过程电脑是UBUNTU。树莓派3B+：看了半天树莓派4买不起，又感
【运动控制】Apollo6.0的mpc_controller解析mpc_controller解析1 Init1.1 输入1.2 动力学模型初始化1.3 前馈矩阵初始化1.3 QP问题Q和R初始化1.4 滤波器初始化1.5 加载MPC增益调度器1.6 Log初始化参数1.7 返回2 ComputeControlCommand2.1 输入2.2 过程2.2.1 拷贝轨迹和创建debug2.2.2 计算
第二个核心文件是local_rrt_detector.cpp，是rrt_exploration的局部探测器。与全局检测器类似，局部探测器的作用也是在于找到地图上未知区域的边界点，两个探测器最主要的区别在于，局部探测器的根节点会随着无人车的移动发生改变。下面我们来详细看看源码。前半部分功能与全局探测器类似，大家可以参考上一篇文章。std::vector<float> temp1;temp
车载以太网介绍
当今，智能汽车已成为全球汽车产业的战略发展方向，汽车技术与工程核心逐渐从传统硬件层面转移到软件层面，软件定义汽车成为未来汽车发展的重要趋势。本文中通过对比分析传统汽车与软件定义汽车，提出软件定义汽车整车开发、整车物理结构和整车信息结构，以及技术体系。前言新一轮科技革命和产业变革方兴未艾，作为新技术集成应用最佳载体之一的汽车正加速向智能化转型，智能汽车已成为全球汽车产业发展的战略方向［1］。整车电子
1、 EE架构与网络安全为了提高车辆的安全性，需要适当的EE架构：1） 车辆和车载信息娱乐系统之间的隔离网关中有专门的API来控制来自通信网络中有关车辆行为的信息2） OTA需准备针对漏洞更新的安全性框架3） 系统中每个组件之间的独立性如果一个组件被黑客攻击，它不会对另一个组件产生太大的影响图1. 网络信息安全防护2、 EE架构安全目标为了降低风险，采用了多层安全防护：1）第一层：接入点—— 防火
（一）基于物品端的协同过滤2019-Large-scale Collaborative Filtering with Product Embeddings（二）数据构建训练集构建上， 样本是用户历史的交互数据（正向交互）+ 当前交互数据 + 当前交互数据类型（正向/负向）目的就是找出用户喜欢了什么， 来预测其将喜欢什么。（三）算法实现def build_model(self):""""""inpu
AI技术正在革新软件测试领域，本教程为测试从业者提供1小时快速上手指南。内容涵盖AI工具选择（如SeleniumAI、Testim.io）、环境配置到四步生成高覆盖测试用例的完整流程。通过电商登录功能实例，演示AI如何5分钟完成人工2小时工作量，使测试覆盖率提升至95%并降低40%维护成本。教程包含最佳实践、常见挑战解决方案及金融App成功案例，帮助测试人员从工具使用者转型为AI测试策略制定者，迎
本文详细介绍了在Jetson AGX Xavier等ARM架构平台上进行Autoware多传感器部署的实战指南。针对激光雷达、深度相机等传感器的驱动安装、数据转换、时间同步与系统集成等关键环节，提供了具体的避坑技巧和优化策略，帮助开发者构建稳定可靠的自动驾驶感知系统。
【代码】安装carla过程中，make PythonAPI报错。
在阅读完文章，从网上下载完对应的代码工程后，开始了代码工程的学习。
本文提出一种利用多传感器融合数据进行高精地图在线验证的方法，通过分解形状、语义和位置差异，为车道线、路缘石等地图特征提供有效性概率，提升自动驾驶系统的环境感知精度与安全性。
自动驾驶
——自动驾驶
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
openEuler 社区
海思HiSpark开发者社区
亚马逊云科技技术品牌专区
AI编程社区
2048 AI社区
全球具身智能开发者社区
乐奇 Rokid 开放社区
