如上图所示的实例中，寻找点A到点E代价最小的路径，这是典型的动态规划的应用场景，逆向寻优，正向求解一般分为3步，即三层循环：第一层循环：遍历每一个阶段；第二层循环：遍历第i个阶段的每一个状态；第三层循环：遍历第i+1个阶段的每一个状态最终倒叙求得最优解。...

设5次曲线的方程表达式为：其中：故上式可写为：

传感器标定是自动驾驶的基本需求，一个车上装了多个/多种传感器，而它们之间的坐标关系是需要确定的。湾区自动驾驶创业公司ZooX的co-founder和CTO是Sebastia Thrun的学生Jesse Levinson，他的博士论文就是传感器标定。这个工作可分成两部分：内参标定和外参标定，内参是决定传感器内部的映射关系，比如摄像头的焦距，偏心和像素横纵比（+畸变系数），而外参是决定传感器和外部..

一，车辆运动学模型的建立如图所示，对于横向控制而言，因变量为，自变量为将速度沿轴分解得车辆的模型为：即：其中，因为是横向控制，故假设是常数上述车辆运动学模型为非线性模型：二，车辆运动学模型的线性化：泰勒展开在参考点处的泰勒展开公式,忽略高次项为：其中，令,则上式可表示为：三，车辆运动学模型的离散化：前向欧拉其中，四，基于LQR模型，求解控制量LQR的代价函数为：假设,..

上一次的分享里，我介绍了GPS的原理（三角定位）及特性（精度、频率），同时也从无人车控制的角度，讨论了为什么仅有GPS无法满足无人车的定位要求。为了能让无人驾驶系统更高频率地获取定位信息，就必须引入频率更高的传感器。这就是这一次内容的主角——IMU（Inertial Measurement Unit）惯性测量单元。下图就是百度Apollo计划推荐使用的IMU——NovAt...

上一次的分享里，我介绍了GPS+IMU这组黄金搭档，这两个传感器的组合能够实现城区道路自动驾驶的稳定定位功能，解决了第一个大问题“我”在哪的问题。为了能让无人车能像人一样，遇到障碍物或红灯就减速，直到停止；遇到绿灯或前方无障碍物的情况，进行加速等操作。这就需要车载传感器去周围的环境进行感知。应用于无人车上的传感器目前有四大类，分别是摄像机，激光雷达、毫米波雷达和超声波雷达...

Apollo 中横向控制的LQR控制算法在Latcontroller..cc 中实现根据车辆的二自由度动力学模型(1)根据魔术公式在小角度偏角的情况下有,轮胎的侧向力与轮胎的偏离角成正比. ,分别为前、后轮的侧偏刚度,(2)(3)在小角度的情况下有所以有(4)因此上述车辆的动力学模型可以简化写成(5)(6)期望横摆角角速度(7) 横摆角角度偏差(7)横向偏差变化率求导数(8)横向偏差变化率车辆模型

一，轨迹规划的思路，2步走：1，路径规划2，轨迹优化二， 路径规划和轨迹优化常用算法：三，基于搜索的路径规划：1，Dijkstra与A*的区别与联系：扩展的方式相同（均是周围的8个点作为备选点），但Cost不同Dijkstra : F(n) = G(n)A* : F(n) = G(n) + H(n)...

在上一次分享中，我介绍了毫米波雷达的原理、数据特性及优缺点。毫米波雷达的低环境敏感和低成本的特性使得其在ADAS和自动驾驶领域得到了广泛的应用。今天要介绍的是一款极其常见的传感器——超声波雷达。如果你觉得超声波雷达有些陌生，那么它还有一个更通俗的名字——倒车雷达。在倒车入库，慢慢挪动车子的过程中，在驾驶室内能听到”滴滴滴“的声音，这些声音就是根据超声波雷达的检测距离给司机...

文章目录1. 引言2. 多传感器标定2.1 标定场地2.2 相机到相机2.2 相机到多线激光雷达标定2.3 相机到毫米波雷达标定2.4 相机到IMU标定2.5 论文总结3. 数据层融合3.1 融合的传统方法3.2 深度学习方法4. 任务层融合4.1 传统之障碍物检测跟踪4.2 传统之多传感器定位4.3 深度学习之障...