禅道（zentao）服务端（主机端）搭建（ docker + docker compose ）1. 运行环境2. 服务搭建3. 功能验证4. 后台部署1. 运行环境Ubuntu 16.04 LTS、Docker version 19.03.12、docker-compose version 1.26.22. 服务搭建构建 禅道（zendao）数据目录sudo mkdir -p /home/data

现代自动驾驶系统的特点是按顺序执行模块化任务，即感知、预测和规划。为了执行各种各样的任务并实现高级智能，当代方法要么为单个任务部署独立模型，要么设计一个具有独立头部的多任务范式。然而，他们可能会出现累积错误或任务协调不足。相反，我们认为应该设计并优化一个有利的框架，以实现最终目标，即自动驾驶汽车的规划。为此，我们重新审视了感知和预测中的关键组成部分，并对任务进行了优先级排序，以便所有这些任务都有助

PandaSet 数据集解析 - 3D语义分割1. 数据集简介2. 数据集内容3. 数据集下载1. 数据集简介发布时间2020年7月10日，Hesai 与 Scale AI 联合发布了自动驾驶开源数据集 – PandaSet数据集官网https://pandaset.org/数据集开发工具包https://github.com/scaleapi/pandaset-devkit依靠数据集开发工具包，

LiDAR点云中的3D多目标跟踪是自动驾驶车辆的关键组成部分。现有方法主要基于tracking-by-detection的管道，并且不可避免地需要用于检测关联的启发式匹配步骤。在本文中，我们提出了SimTrack，通过提出一个端到端可训练的模型来从原始点云进行联合检测和跟踪，从而简化了手工制作的跟踪范式。我们的关键设计是预测给定片段中每个目标的首次出现位置，以获得跟踪身份，然后基于运动估计更新位置

3D多目标跟踪（MOT）是自动驾驶和辅助机器人等许多应用的重要组成部分。最近关于3D MOT的工作侧重于开发精确的系统，而不太注重实际考虑，例如计算成本和系统复杂性。相比之下，这项工作提出了一个简单的实时3D MOT系统。我们的系统首先从LiDAR点云获得3D检测。然后，使用3D卡尔曼滤波器和匈牙利算法的直接组合进行状态估计和数据关联。此外，3D MOT数据集（如KITTI）评估2D空间中的MOT

点云 3D 目标检测 - PointPillars1. 文章信息2. PointPillars 简介2.1 算法特点2.2 模型结构2.2.1 Pillar Feature Net2.2.2 Backbone (2D CNN)2.2.3 Detection Head (SSD)1. 文章信息文章标题PointPillars: Fast Encoders for Object Detection f

地平线 AI 芯片工具链 - 02 快速开始1. 前提条件2. 转换模型2.1 检验模型2.2 准备校准数据集1. 前提条件地平线 AI 芯片工具链 - 01 配置安装2. 转换模型此处以docker 版本工具链…/horizon_x3_tc_1.1.6/samples/04_detection/01_yolov2为样例来说明2.1 检验模型执行 sh 01_check.sh 检验模型hjw@hj

Waymo Open Dataset 数据集

地平线 AI 芯片工具链 - 03 自定义模型转换1. 前提条件2. 文件目录3. 模型可视化4. 模型校验5. 模型编译1. 前提条件地平线 AI 芯片工具链 - 01 配置安装待转换模型（onnx 模型，其他类型可转为 onnx 模型）2. 文件目录在 docker 挂载目录下新建 08_hjw_demo 目录（具体位置可以自定义），并准备好相关脚本和模型3. 模型可视化样例模型 hjw_de

典型的应用场景—语音助手。计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。数学是人工智能（AI）领域非常重要的基本技能，机器学习的过程相当于求解数学问题的过程。人工智能（AI）时代，人人都需要了解一些人工智能的基础知识，这些基础的知识可以帮助我们理解