无人驾驶汽车系统入门（二十六）——基于深度学习的实时激光雷达点云目标检测及ROS实现在前两篇文章中，我们使用PCL实现了在点云中对地面的过滤和点云的分割聚类，通常来说，在这两步以后我们将对分割出来的对象进行特征提取，紧接着我们训练一个分类器实现对这些对象的分类，这是一种基于激光雷达的目标检测方法。近年来，随着深度学习在图像视觉领域的发展，一类基于单纯的深度学习模型的点云目标检测方法被提出和应用..

迁移学习和端到端无人驾驶前面我们介绍了神经网络和深度学习的基础知识，在本文中我们将介绍迁移学习的概念，并将迁移学习应用于端到端无人驾驶模型。一般来说，大型深层神经网络的训练对计算资源要求较高。然而，很多普通开发者只拥有简单的深度学习计算环境，这成为阻碍深度学习广泛应用的瓶颈之一。例如，为了训练一个深度为50层的残差神经网络，利用NVIDIA M40 GPU需要大约14天才能完成模型训练。...

迁移学习和端到端无人驾驶前面我们介绍了神经网络和深度学习的基础知识，在本文中我们将介绍迁移学习的概念，并将迁移学习应用于端到端无人驾驶模型。一般来说，大型深层神经网络的训练对计算资源要求较高。然而，很多普通开发者只拥有简单的深度学习计算环境，这成为阻碍深度学习广泛应用的瓶颈之一。例如，为了训练一个深度为50层的残差神经网络，利用NVIDIA M40 GPU需要大约14天才能完成模型训练。...

无人驾驶汽车系统入门（三十一）——点云分割和聚类算法详解本篇详细讲解点云处理中的基本分割和聚类的算法原理。Lidar基本常识lidar的分辨率要高于radar，但是radar可以直接测量目标的速度。通过融合两者，可以获得对目标较好的位置和速度估计。激光雷达坐标系：右手法则，大拇指朝上为z，食指朝前为x，中指朝左为y, lidar的解析度很大程度上取决于线数，其解析度指标分为横向解析度和纵向解析度，

无人驾驶汽车系统入门（二十六）——基于深度学习的实时激光雷达点云目标检测及ROS实现在前两篇文章中，我们使用PCL实现了在点云中对地面的过滤和点云的分割聚类，通常来说，在这两步以后我们将对分割出来的对象进行特征提取，紧接着我们训练一个分类器实现对这些对象的分类，这是一种基于激光雷达的目标检测方法。近年来，随着深度学习在图像视觉领域的发展，一类基于单纯的深度学习模型的点云目标检测方法被提出和应用..

无人驾驶汽车系统入门（十五）——ROS入门与实践(2)上一节我们讲了ros的核心概念以及命令行的基本操作，在本节我们一起了解一下ros的基本编程，我们讲通过Husky模拟器完成一个简易的ROS包，通过实例了解ROS下的CMake文件的语法，然后使用Rviz可视化激光扫描的结果创作不易，转载请注明出处：https://blog.csdn.net/AdamShan/article/...

无人驾驶汽车系统入门（十七）——无人驾驶系统基本框架前面的文章基本上是想写什么写什么，缺乏条理，本节我们完整的梳理一遍无人驾驶系统的基本框架，帮助读者建立对整个系统的完整认识无人驾驶系统的核心可以概述为三个部分：感知（Perception），规划（Planning）和控制（Control），这些部分的交互以及其与车辆硬件，其他车辆的交互可以用下图表示：由上图可知，无人驾驶...

无人驾驶汽车系统入门（二十）——基于自由边界三次样条插值的无人车路径生成前面我们提到，轨迹即包含时间这一维度的路径，而无人车的动作规划问题实际上就是要根据初始配置和目标配置生成一序列的动作，一种简单的思路即生成从当前位置x到目标位置y的轨迹，然后通过pure pursuit方法来完成循迹，其中，轨迹生成是非常重要的一步，在本节我们介绍一种基于三次样条插值的路径生成方法，后面我们将结合Mo...

无人驾驶汽车系统入门（二十七）——基于地面平面拟合的激光雷达地面分割方法和ROS实现在博客的第二十四篇中，我们介绍了一种基于射线的地面过滤方法，此方法能够很好的完成地面分割，但是存在几点不足：第一，存在少量噪点，不能彻底过滤出地面;第二，非地面的点容易被错误分类，造成非地面点缺失;第三，对于目标接近激光雷达盲区的情况，会出现误分割，即将非地面点云分割为地面。通过本文我们一起学习一种新的地面分割..

无人驾驶汽车系统入门（二十八）——基于VoxelNet的激光雷达点云车辆检测及ROS实现前文我们提到使用SqueezeSeg进行了三维点云的分割，由于采用的是SqueezeNet作为特征提取网络，该方法的处理速度相当迅速（在单GPU加速的情况下可达到100FPS以上的效率），然而，该方法存在如下的问题：第一，虽然采用了CRF改进边界模糊的问题，但是从实践结果来看，其分割的精度仍然偏低；第二，该..