无人驾驶汽车系统入门（二十二）——使用Autoware实践激光雷达与摄像机组合标定单目相机分辨率高，我们可以使用各种深度学习算法完成对目标检测，但是缺乏深度，坐标等信息。激光雷达能够获得目标相当精确的三维坐标信息，但是分辨率低，目前主流的为64线和32线，稀疏的电云数据为模式识别带来了困难。一种简单的思路是融合相机和激光雷达对目标障碍物完成检测，在图像层面使用深度学习方法将目标检测识别，...

无人驾驶汽车系统入门（三十二）——ROS2概述和实践入门（一）ROS可以说是目前机器人相关开源社区最流行的项目之一，它是一个易用且完备的机器人开发框架、生态乃至社区，海量的机器人开源项目（涵盖感知、规划、控制、定位、SLAM和建图、可视化等几乎所有机器人领域）均使用ROS作为基础。以自动驾驶汽车为代表的新的机器人应用场景对于中间层和开发框架在实时性、可靠性、伸缩性、跨平台可移植等方面提出了大量新的

无人驾驶汽车系统入门（十四）——ROS入门与实践(1)前言：作为目前最广泛使用的开源机器人软件平台，ROS(Robot Operating System)极大的提升了机器人开发的效率。目前无人驾驶系统的实际实现仍然依赖于ROS，作为一个相对成熟的机器人软件平台，ROS虽然存在一些缺点，在无人驾驶系统的系统实现上，ROS仍然是开源框架中最好的选择，这也是为什么诸如Apollo，Autowa...

无人驾驶汽车系统入门（七）——基于传统计算机视觉的车道线检测(2)原创不易，转载请注明来源：http://blog.csdn.net/adamshan/article/details/78733302接上文，在获得ROI（透视变换）以后，我们对得到的“鸟瞰图”应用色彩阈值化和梯度阈值化，以得到鸟瞰图中“可能为”车道线的像素然后再使用滑动窗口来确定车道线的多项式系数，下面我们来具体讨论这两个步骤。边

无人驾驶汽车系统入门（十二）——卷积神经网络入门，基于深度学习的车辆实时检测上篇文章我们讲到能否尽可能利用上图像的二维特征来设计神经网络，以此来进一步提高识别的精度。在这篇博客中，我们学习一类专门用来处理具有网格结构的数据的神经网络——卷积网络（Convolutional Network）。此外，我们使用keras来实现一种深层卷积网络——YOLO，使用YOLO对车辆进行实时检测。

无人驾驶汽车系统入门（八）——机器学习入门在上一章中，我们介绍了基于传统的计算机视觉的技术实现的车道线检测，在这个过程中我们不难发现，使用传统的计算机视觉，往往需要人为地设计特征，这些特征对于不同的任务来说是不同的，车道线检测和行人检测要分别设计特征，另一方面，人为地设计特征往往会存在疏漏，对于无人驾驶汽车来说，忽视了某种情况的程序设计缺陷可能会造成严重的后果。在本节我们开始了解机器学

无人驾驶汽车系统入门（六）——基于传统计算机视觉的车道线检测(1)感知，作为无人驾驶汽车系统中的“眼睛”，是目前无人驾驶汽车量产和商用化的最大障碍之一（技术角度），目前，高等级的无人驾驶汽车系统仍然非常依赖于激光雷达的测量，通过激光雷达构造周围环境的3D地图，从而为无人驾驶系统的决策和规划提供准确的环境信息和自身相对的位置信息。然而，激光雷达雷达在成本，解析度的方面都不理想，所以基于视

无人驾驶汽车系统入门（五）——运动学自行车模型和动力学自行车模型在简要了解了PID控制以后，我们就要接触一些现代的控制算法。在了解高级的车辆控制算法之前，掌握车辆运动模型是非常有必要的。车辆运动模型就是一类能够描述我们的车辆的运动规律的模型。显然，越复杂的模型就越接近现实中的车辆运动规律，本节我们一起了解一下两个广泛使用的车辆模型——运动学自行车模型（Kinematic Bicycle