色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

自動駕駛中的激光雷達點云如何做特征表達?

新機器視覺 ? 來源:計算機視覺之路 ? 作者:山澗一壺酒 ? 2021-02-17 13:47 ? 次閱讀

自動駕駛中的激光雷達點云如何做特征表達,將基于Lidar的目標檢測方法分成了4類,即:基于BEV的目標檢測方法,基于camera/range view的目標檢測方法,基于point-wise feature的目標檢測方法,基于融合特征的目標檢測方法。本文對這4類方法講解并總結,希望能幫助大家在實際使用中做出快速選擇。基于lidar的目標檢測方法可以分成3個部分:lidar representation,network backbone,detection head,如下圖所示。

68501400-503c-11eb-8b86-12bb97331649.png

根據lidar不同的特征表達方式,可以將目標檢測方法分成以下4種:基于BEV(bird’s eye view)的目標檢測方法,基于camera view的目標檢測方法,基于point-wise feature的目標檢測方法,基于融合特征的目標檢測方法。如下圖所示。

68c4356a-503c-11eb-8b86-12bb97331649.png

圖1基于lidar目標檢測方法分類

基于BEV的目標檢測方法

基于bev的目標檢測方法顧名思義是使用bev作為點云特征的表達,其檢測流程如下圖所示,包括3個部分:bev generator,network backbone, detection head。下面詳細介紹一下這3個部分如何在基于bev的目標檢測方法中發揮作用。

6924478e-503c-11eb-8b86-12bb97331649.png

1. bevgenerator BEV圖由激光雷達點云在XY坐標平面離散化后投影得到,其中需要人為規定離散化時的分辨率,即點云空間多大的長方體范圍(Δl*Δw*Δh)對應離散化后的圖像的一個像素點(或一組特征向量),如點云20cm*20cm*Δh的長方體空間,對應離散化后的圖像的一個像素點。 在bev generator中,需要根據Δl*Δw*Δh來生成最后L*W*H大小的bev特征圖,該特征圖是network backbone特征提取網絡的輸入,因此該特征圖的大小對整個網絡的效率影響很大,如pointpillar通過對voxelnet中bev generator的優化,整個網絡效率提高了7ms。 2. network backbone 網絡結構的設計需要兼顧性能和效果,一般都是在現有比較大且性能比較好的網絡結構基礎上進行修改。以voxelnet和pointpillar為例,pointpillar以voxelnet為原型,不改變原流程的基礎上,對voxelnet設計做了以下一些修改,使網絡效率提高了10多倍,具體如下:簡化bev中的網絡結構voxelnet使用stacked vfe layer,在代碼中使用了2個vfe layer,如下圖所示。

69480a8e-503c-11eb-8b86-12bb97331649.png

pointpillars簡化了voxel表達形式,變成pillar,提高了數據生成效率,并且只使用了一個vfe layer,減少了2ms,如下圖所示。

696397c2-503c-11eb-8b86-12bb97331649.png

簡化主網絡結構

不使用3D卷積

輸入特征圖的channel數從128減少為64,網絡耗時減少2.5ms

網絡主結構所有層channel數減半,網絡耗時減少4.5ms

Upsampling的channel數從256減少到128,減輕detection head,網絡耗時減少3.9ms

Tensor RT加速,提速45.5%

Pointpillar[2]在保證網絡性能提升的前提下,逐步提高網絡效率,從不同角度優化網絡流程,最后使網絡效率提高10倍有余。 3.detection head detection head包括兩個任務,即:目標分類與目標定位,由于bev將點云用圖像的形式呈現,同時保留了障礙物在三維世界的空間關系,因此基于bev的目標檢測方法可以和圖像目標檢測方法類比:目標分類任務與圖像目標檢測方法中目標分類任務沒有差別;而目標定位任務可以直接回歸目標的真實信息,但與圖像目標檢測方法中目標定位任務不同,該任務需要給出旋轉框。與圖像目標檢測方法相同,基于bev的目標檢測方法的detection head也分成anchor base的方法和anchor free的方法。 anchor base方法以voxelnet為例,需要人為設定anchor的大小,由于bev可以直接回歸真實的目標大小,因此anchor也可以根據真實目標大小設定,如:以下單位為米,l、w、h分別表示anchor的長、寬、高,對于車來說anchor大小可以設定為la = 3.9,wa = 1.6,ha = 1.56,對于人la = 0.8,wa = 0.6,ha = 1.73,對于騎行者la =1.76,wa = 0.6,ha = 1.73,且對于每種anchor,設置了θa=0°和90°兩種角度。由于目標有各種角度,因此為了得到更準確的角度回歸,anchor的角度設置可以在[0°,180°)進行等間隔采樣,獲得更多不同角度的anchor,提高回歸精度。回歸誤差的計算如下圖所示。

698174cc-503c-11eb-8b86-12bb97331649.png

anchor free方法典型代表是pixor,對于bbox的回歸,如下圖所示,對于正樣本的紅點p(x,y),需要回歸如下信息:{cos(θ), sin(θ), dx, dy, w, l},其中θ為障礙物偏角,dx、dy分別為p點相對障礙物中心點的偏移,w、l是障礙物大小的表達。沒有anchor,對目標的回歸是不是簡單了很多。

69b50eea-503c-11eb-8b86-12bb97331649.png

以上為基于bev的目標檢測方法的簡單介紹,該方法在目前的自動駕駛的3D目標檢測方案中應用較廣。

基于camera/range view的目標檢測方法

基于cameraview的目標檢測方法顧名思義是使用camera view作為點云特征的表達,檢測流程如下圖所示,下面詳細介紹一下這3個部分如何在基于camera view的目標檢測方法中發揮作用。

69f1e982-503c-11eb-8b86-12bb97331649.png

1. camera view generator camera view圖是將每圈激光線拉成直線再按行累積而成,因此也稱為range view,其中投影圖的高為激光線數,寬為lidar掃描一圈的點數,如: 64線激光雷達,水平角分辨率為0.2°,生成的camera view的圖大小為64*1800。camera view相對bev圖小很多,因此基于camera view的方法效率都較高。camera view效果如下圖。

6a833c66-503c-11eb-8b86-12bb97331649.png

2. networkbackbone 網絡結構的設計要依據任務需求,基于camera view的目標檢測方法,多是以分割任務為主,因此網絡結構大都是encode+decode結構,如下圖1所示。因此有關提高分割效果的網絡 設計思想都可以在此使用,如圖2中使用不同大小的dilation rate的卷積獲得不同感受野的特征表達,如圖3使用global attention增加上下文信息。更多分割增強模塊,在后面會專門寫一篇文章介紹。

6ad0d0fc-503c-11eb-8b86-12bb97331649.png

圖1ecode+decode

6af2586c-503c-11eb-8b86-12bb97331649.png

圖2 不同dilate rate卷積

6b2f6220-503c-11eb-8b86-12bb97331649.png

圖3 global attention 3. detection head 基于camera view的目標檢測方法有兩種輸出方式表達,一種是純分割區域,另一種是分割與檢測框。純分割區域表達純分割的輸出是基于camera view的模型最直接、最好的一種輸出。在原始3D點云中,尤其是遠處的點,點與點之間的距離都較遠,如bev投影圖,造成點特征提取時很難融入上下文信息。而camera view投影圖將點云中的點聚攏,每個點都可以很方便的獲得更大范圍的上下文信息,這種投影方式更適合分割任務。如在SqueezeSeg和PointSeg兩篇文章中,都直接將分割作為最終任務目標,但是為了得到更好的聯通區域,需要增加較多的后處理。如在SqueezeSeg,在模型輸出后又增加了crf提高分割效果。在PointSeg中,使用RANSAC將異常點剔除,如下圖,第一行為模型輸入,第二行為模型直接的預測輸出,第三行為將模型輸出的camera view圖反投影得到的點云圖,第四行為經過ransac后再反投影得到的點云圖,對比第三行和第四行對應的圖可以看出,ransac有效的抑制很多離目標較遠的點。

6b59077e-503c-11eb-8b86-12bb97331649.jpg

分割與檢測表達分割任務對于基于camera view的模型相對簡單,但是檢測框的回歸并不容易。camera view投影圖增加了點云中點的上下文信息,但也將原本在3D空間分離的目標拉近,引入了遮擋與目標尺度變化,然而點云投影圖又不像真實的圖像那樣有很豐富的紋理信息,造成了camera view圖像很難做實例分割與目標框回歸,因此,檢測框的回歸需要增加一些額外操作來實現。

6b7e23ec-503c-11eb-8b86-12bb97331649.png

在lasernet中,對于目標框中的點(x,y)需要回歸6個信息,如上圖所示,Box Parameters為6,包括:該點相對中心點的偏移(dx,dy), 相對旋轉角度 (ωx,ωy) = (cosω,sinω),以及框大小 (l,w),從而可以通過下述公式計算得到真正的目標框中心點bc以及旋轉角φ,其中θ為該點在點云中的方位角,Rθ為以θ為旋轉角的旋轉矩陣。

6ba07712-503c-11eb-8b86-12bb97331649.png

另外,由于對每個點的預測存在噪聲,而后又在bev投影圖中使用mean shift聚類方法得到更準確的目標框。 4. 小結 由于3D點云在做camera view投影的時候丟失了原來的3D結構信息,引入了圖像中的尺度變化和遮擋兩個問題,因此少有方法直接在這種模式下作3D目標檢測,一般需要在網絡輸出基礎上做比較多的后處理。但是camera view的表達模式,極大的增加了遠處點云的上下文信息,也是一種極好的提高點云特征表達能力的方式。

基于point-wise feature的目標檢測方法 我們從如下圖所示的3個部分(lidar representation,network backbone,detection head),來介紹一下point-wise方法。其中lidar represention部分是直接使用點云做輸入,即n*4的點集,不做單獨介紹,下面重點介紹一下其他兩個部分。

6bcd499a-503c-11eb-8b86-12bb97331649.png

1. network backbone 提取點特征一般有兩種方式:基于pointnet/pointnet++的點特征、voxel特征。如圖1:在STD中,組合了兩種方式。如圖2,在PointRcnn中,僅使用了pointnet++提取點特征

6c111814-503c-11eb-8b86-12bb97331649.jpg

圖1 STD特征提取方式

6c349582-503c-11eb-8b86-12bb97331649.png

圖2 PointRcnn中特征提取方式 在使用pointnet++[11]提取特征時,包含兩個重要模塊,即set abstraction(即,SA)和feature propagation(即,FP),如下圖3所示其中SA是特征encoder過程,通過點云篩選與特征提取逐步減少點云點數,提高特征表達能力與感受,FP是特征decoder過程,通過點云上采樣,獲得稠密的點云表達,并級聯SA過程的特征,提高最終的點云特征表達能力。

6c62ad8c-503c-11eb-8b86-12bb97331649.jpg

圖3pointnet++特征表達 在3DSSD中,為了提高模型效率,去掉了耗時比較嚴重的FP模塊,由于SA過程只篩選了一部分點做特征表達,對目標檢測的召回影響很大,尤其對點云比較稀疏的遠處的目標,影響更大,因此3DSSD在D-FPS的基礎上,提出了F-FPS,即通過點的語義信息來做點的篩選,保留更多的正樣本的點,保證最終的目標召回率。 2. detection head detection head除了完成目標分類與目標定位的任務,在two-stage detector中,還需要實現roi pooling,為第二階段提供實例級別的特征,點云的特征表達還是有些差別的。 對于目標定位的任務,同樣有anchor-base方法和anchor-free方法。在STD中,為應對有旋轉角的box回歸,提出了球形anchor,由于anchor沒有角度的變化,直接將anchor數量減少50%,提高了計算效率。其他方法大都是anchor-free的方法,關于anchor-free的方法,推薦讀一下kaiming大神的voteNet,比較好理解。 關于roi pooling,一般是針對單個目標,再次提取更豐富、更具表達能力的特征,因此在不同論文中,根據實例提取特征方式的不同,提出了不同的roi pooling方法,如在STD中,提出了PointsPool,在Part aware and aggregation中,提出了Roiaware Point Cloud Pooling,在pv-rcnn中提出了Roi grid Pooling。下面分別介紹一下。 PointsPool如下圖4所示,分成三個步驟

6c8f87e4-503c-11eb-8b86-12bb97331649.png

圖4 PointsPool

特征提取:在proposal中隨機篩選N個點,1)獲得第一階段的點特征;2)獲得N個點的坐標,并用如下圖5所示的canonical transformation得到與原坐標系無關的坐標特征。兩種特征聯合在一起,作為proposal中點的特征表達

Voxel表達:將不同大小的proposal,通過voxel統一化到相同大小:dl = 6,dw = 6,dh = 6

使用VFE layer提取最終特征

6ccb9180-503c-11eb-8b86-12bb97331649.jpg

圖5canonical transformation Roi aware Point Cloud Pooling整體流程如下圖6所示,與STD中的pooling方法類似,首先將proposal分割成固定大小的voxel,如14×14×14,然后再提取voxel特征表達:

RoIAwareMaxPool:使用的是第一階段輸出的point-wise semantic part feature,在voxel中計算max pooling

RoIAwareAvgPool:使用的是proposal中經過canonical transformation點坐標特征和segmentation score,在voxel中計算avg pooling

最后將兩組特征聯合作為proposal的pooling特征。

6d277c3e-503c-11eb-8b86-12bb97331649.jpg

圖6Roi aware Point Cloud Pooling Roi grid pooling與上面兩種pooling方法不同的是,并沒有將proposal通過voxel得到固定大小的特征圖,而是根據pv-rcnn中提出的key point信息,將proposal用6*6*6=216個grid points表達,grid points是從proposal中的key points均勻采樣獲得,且RoI-grid point features提取過程和key point feature提取過程是相似的。簡單來說就是以grid point為中心,r為半徑的區域內提取不同尺度、不同感受野的特征,最后在使用2層的MLP網絡獲得最終的特征表達,如圖7所示。

6d655446-503c-11eb-8b86-12bb97331649.jpg

圖7Roi grid point feature extraction3.小結與展望 目前基于point-wise feature的目標檢測方法還處于研究階段,效率無法保證,精度還未在真實自動駕駛車上測試,但由于該方法直接從點云提取特征,極大的保留了點云的原始信息,比較有潛力得到更好的效果。

基于融合特征的目標檢測方法 Waymo在2020年初的文章“End-to-End Multi-View Fusionfor 3D Object Detection in LiDAR Point Clouds”使用了融合特征的方式,得到了不錯的結果。下面詳細介紹一下。

6daa312e-503c-11eb-8b86-12bb97331649.png

圖1 目標檢測流程 我們從如圖1所示的3個部分(lidar representation,network backbone,detection head),來介紹一下融合特征的目標檢測方法。文中主要和pointpillar做了對比,為了證明融合特征的有效性,在network backbone和detection head兩部分的設計上保持了與pointpillars的一致性,這里不做單獨介紹,下面重點介紹lidar representation,即如何獲得融合特征。 1. lidar representation

6dcce46c-503c-11eb-8b86-12bb97331649.png

圖2multi-view featurefusion的流程

6df6419a-503c-11eb-8b86-12bb97331649.png

圖3dynamicvoxelization計算流程 如圖2所示為multi-view feature fusion的流程,融合了3部分特征:bev feature(如圖中綠色部分)、camera/range view feature(如圖中黃色部分)、point-wise feature(如圖中藍色部分)。具體流程如下:

對于原始點云,使用一個全連接層,獲得point-wise feature。

在point-wise feature的基礎上,提取bev feature。提出了使用動態voxel(dynamic voxelization,DV)的方式獲得bev圖,計算過程如圖3所示,相對傳統的voxel(Hard voxelization,HV),有3個好處,1)DV保留了voxel中的所有點,HV使用隨機采樣的方法選取固定的點數,有可能會丟失重要信息,如圖3中v1的計算;2)HV中每個voxel中選擇固定的點數,且對整個點云選擇固定的voxel數量,因此會隨機丟棄點甚至整個voxel,這種方式可能導致不穩定的檢測結果,如圖3中v2在HV中被丟棄;3)HV對于點數少于固定值的voxel使用0填充,這樣會造成額外的計算,如圖3中v2~v4。最后對于點云的每一個點,使用公式(1)獲得點與voxel的投影關系,其中pi表示點云坐標,vj表示voxel,FV表示點到voxel的投影關系。

對于camera view,同樣可以使用公式(1)計算得到,而camera view的投影計算

bev圖和camera view圖經過一個cnn后,獲得相應的bev feature與camera view feature,再使用公式(2)(其中,FP表示voxel feature到點云的投影關系,是FV的逆)逆投影獲得不同view的點特征的表達,最后與point-wise feature融合得到最終的點特征表達。

6e119666-503c-11eb-8b86-12bb97331649.png

(1)

6e4b379a-503c-11eb-8b86-12bb97331649.png

(2) 2. 結果與小結 在實驗中,作者為了證明融合特征較強的表達能力,network backbone與detection head使用了與pointpillar相同的參數,并在waymo公開的數據庫與kitti上做了實驗。僅分析一下waymo公開數據庫的結果,如圖4中的table1和table 2。從結果可以看出,使用DV替換HV,使整體結果提高2個多點,再增加point-wise feature后,車輛檢測結果再提高3個多點,行人檢測結果再提高4個點,說明voxel中的每個點對voxel特征表達都重要,不能隨機丟棄,更不能隨機丟棄整個voxel,更精細的特征對小尺度的目標表達有幫助。耗時方面,由于mvf使用了與兩種方法相同的網絡配置,而又增加了新的特征表達,整體耗時高了20多ms,如果再對網絡做一些優化,這種融合的方法對結果的提升意義很大。

6e6d4be6-503c-11eb-8b86-12bb97331649.jpg

圖4 waymo數據集結果

總結與展望 通過對整個檢測流程的分析,將目標檢測流程分成如下3個部分,如圖2所示。并針對不同的目標檢測方法,從這3個部分進行了詳細的分析。

lidar representation:激光雷達點云的特征表達,包括bev圖、camera/range view圖、point-wise feature、融合特征。

network backbone:用于特征提取的主體結構,可以為resnet,vgg等,也包括增強特征的方式,如fpn

detection head:檢測網絡輸出,包括目標的類別、位置、大小和姿態,以及速度預測等,對于two-stage detector來說,roi pooling也是很重要的一個環節。

6ed6d5c0-503c-11eb-8b86-12bb97331649.png

圖2 目標檢測流程 其實,在實際應用中,無論對于哪一種基于lidar的目標檢測方法來說,我們評價其好壞,需要看精度與耗時之間的平衡。根據不同算法在kitti的bird’s eye view任務下公布的結果,將部分基于lidar的目標檢測方法的moderate精度和latency總結如表1,并根據方法所屬的不同類別畫出分布圖,如圖3所示,橫坐標表示算法耗時,單位ms,縱坐標表示算法在車輛檢測任務中moderate精度,其中藍點表示基于point-wise feature的目標檢測方法,橙點表示基于BEV的目標檢測方法,灰點表示基于camera view的目標檢測方法。 表1不同算法檢測效果

6eff0d7e-503c-11eb-8b86-12bb97331649.png

6f2ce37a-503c-11eb-8b86-12bb97331649.png

圖3不同算法效果分布圖 從圖3,我們可以看出基于point-wise feature的目標檢測方法精度最高,而且耗時有逐步減小的趨勢,但是整體耗時依舊比其他兩種方法高,其中耗時最低的是基于camera-view的目標檢測方法,即LaserNet,僅有12ms,但是精度相對較最低;基于bev的目標檢測方法在精度與耗時之間做了比較好的平衡,因此,在實際自動駕駛應用中,基于bev的目標檢測方法應用最多。 之前在介紹基于point-wise feature的目標檢測方法中說過,該方法潛力較大,其實從圖3中也可以看出。如果從效率上可以優化一下,在實際應用的可能性也會變大。這個圖僅是不同方法在車輛檢測子任務上的效果,其實,相同的方法在自行車和人的檢測任務中精度排名差別很大,如PV-RCNN在車輛檢測中排名第2,在行人和自行車檢測任務中分別滑到第6和第4;STD在車輛檢測中排名第5,在行人和自行車檢測任務中分別滑到第20和第13,如果基于point-wise feature的目標檢測方法可以在不同任務間依然能保持精度優勢,那么其落地的可能性又會增大很多。總之,我們需要從耗時、不同任務間精度平衡來評估算法的落地難易程度,但是對于有潛力的算法,我們更需要持續的投入,以期待解決未來更復雜的實際問題。

原文標題:一文覽盡LiDAR點云目標檢測方法

文章出處:【微信公眾號:新機器視覺】歡迎添加關注!文章轉載請注明出處。

責任編輯:haq

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 激光雷達
    +關注

    關注

    968

    文章

    3970

    瀏覽量

    189833
  • 自動駕駛
    +關注

    關注

    784

    文章

    13786

    瀏覽量

    166404
  • LIDAR
    +關注

    關注

    10

    文章

    326

    瀏覽量

    29414

原文標題:一文覽盡LiDAR點云目標檢測方法

文章出處:【微信號:vision263com,微信公眾號:新機器視覺】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦

    毫米波雷達激光雷達比較 毫米波雷達自動駕駛的作用

    毫米波雷達激光雷達的比較 毫米波雷達激光雷達自動駕駛技術中常用的兩種傳感器,它們在多個方面存在顯著差異: 毫米波
    的頭像 發表于 12-03 17:27 ?434次閱讀

    激光雷達自動駕駛的應用

    自動駕駛技術正逐漸改變我們的出行方式,而激光雷達(LiDAR)作為實現這一技術的關鍵傳感器之一,其重要性不言而喻。激光雷達通過發射激光脈沖并接收反射回來的光,能夠精確測量車輛與周圍物體
    的頭像 發表于 10-27 10:34 ?535次閱讀

    激光雷達與純視覺方案,哪個才是自動駕駛最優選?

    主要分為兩大類:激光雷達與視覺感知。激光雷達因其能夠提供精確的距離和形狀信息,在自動駕駛技術早期的開發中被廣泛應用。然而,隨著計算機視覺技術的飛速進步,基于攝像頭的純視覺感知方案逐漸嶄露頭角,并在某些場景
    的頭像 發表于 09-29 10:47 ?441次閱讀

    L4自動駕駛需求迭代,360°激光雷達也要進入芯片化時代

    電子發燒友網報道(文/梁浩斌)近幾年激光雷達廠商的關注點著重在車載前向遠距激光雷達,曾經在L4自動駕駛上廣泛應用的360°機械旋轉式激光雷達反而鮮有新品。當然,這是與市場需求匹配的,主
    的頭像 發表于 09-24 00:21 ?4678次閱讀
    L4<b class='flag-5'>自動駕駛</b>需求迭代,360°<b class='flag-5'>激光雷達</b>也要進入芯片化時代

    激光雷達數據包含哪些信息

    激光雷達(LiDAR)是一種利用激光技術進行距離測量的遙感技術。它通過發射激光脈沖并接收反射回來的光束,來測量物體與激光雷達系統之間的距離。激光雷達
    的頭像 發表于 08-29 17:18 ?915次閱讀

    聊聊自動駕駛離不開的感知硬件

    的感知硬件。自動駕駛感知硬件的主要功能是幫助車輛“看見”和“理解”周圍環境,為駕駛決策提供必要的實時信息。今天智駕最前沿就帶大家來盤點常見的感知硬件! ? 激光雷達(LiDAR) 1.1 激光
    的頭像 發表于 08-23 10:18 ?485次閱讀

    激光雷達濾光片:自動駕駛的“眼睛之選”

    隨著科技的飛速進步,激光雷達作為核心技術,正以前所未有的態勢革新著我們的生活。從自動駕駛汽車的安全導航到智能機器人的敏銳環境感知,激光雷達的應用廣泛且深入,而濾光片則是其中不可或缺的一部分。
    的頭像 發表于 08-09 17:54 ?1834次閱讀
    <b class='flag-5'>激光雷達</b>濾光片:<b class='flag-5'>自動駕駛</b>的“眼睛之選”

    FPGA在自動駕駛領域有哪些應用?

    的數據處理和預處理,實現實時計算和反饋。 二、數據傳輸與處理FPGA在自動駕駛扮演著數據傳輸和處理的角色。它能夠支持多種傳感器(如激光雷達、攝像頭、GPS等)的數據傳輸,并通過其高速的數據處理能力,實現
    發表于 07-29 17:09

    百度蘿卜快跑第六代無人車攜手禾賽AT128激光雷達,共筑自動駕駛新篇章

    自動駕駛技術的浪潮激光雷達作為感知層的核心部件,正引領著行業向更高水平的智能化邁進。近日,激光雷達領域的佼佼者禾賽科技宣布了一項重要合作——成為百度蘿卜快跑第六代無人車主
    的頭像 發表于 07-19 16:21 ?1503次閱讀

    納芯微GaN HEMT驅動芯片NSD2017在激光雷達的優勢

    自動駕駛是新能源汽車智能化的重要發展方向,而具備強感知能力的激光雷達則是L2+及以上級別自動駕駛不可或缺的硬件設備。納芯微的單通道高速柵極驅動芯片NSD2017,專為激光雷達發射器
    的頭像 發表于 07-01 10:42 ?707次閱讀
    納芯微GaN HEMT驅動芯片NSD2017在<b class='flag-5'>激光雷達</b><b class='flag-5'>中</b>的優勢

    基于FPGA的激光雷達控制板

    激光雷達作為一種高精度、高性能的傳感技術,廣泛應用于自動駕駛、機器人導航、工業自動化、無人機等應用領域。激光雷達控制板可以很好的滿足這些領域中對于精準控制和數據處理的需求。基于FPGA
    的頭像 發表于 05-28 08:11 ?657次閱讀
    基于FPGA的<b class='flag-5'>激光雷達</b>控制板

    阜時科技近期簽訂商用車自動駕駛全固態激光雷達批量訂單

    阜時科技戰略合作的某頭部激光雷達(LiDAR)公司,簽訂商用車自動駕駛全固態激光雷達批量訂單,近期將陸續交付。
    的頭像 發表于 04-11 14:08 ?1083次閱讀

    激光雷達的應用場景

    激光雷達在多個領域中都有著廣泛的應用。以下是幾個主要的應用場景: 自動駕駛汽車:激光雷達自動駕駛汽車起到了至關重要的作用。它可以幫助車輛
    的頭像 發表于 04-10 14:59 ?1296次閱讀

    硅基片上激光雷達的測距原理

    硅基光電子技術的發展可以將激光雷達系統發射模塊和接收模塊中分立的有源和無源器件集成在芯片上,使激光雷達體積更小、穩定性更強、成本更低,推動激光雷達自動駕駛等領域的應用。
    發表于 04-08 10:23 ?580次閱讀
    硅基片上<b class='flag-5'>激光雷達</b>的測距原理

    激光雷達的應用場景

    景: 大氣環境監測 :激光雷達成為對大氣進行高精度遙感探測的有效手段。它可以探測氣溶膠、粒子的分布、大氣成分和風場的垂直廓線,對主要污染源進行有效監控。 自動駕駛汽車 :激光雷達
    的頭像 發表于 03-21 10:38 ?1068次閱讀
    主站蜘蛛池模板: 国产精品第一综合首页| 亚洲深夜在线| 日本精品久久久久中文字幕2| 乐乐亚洲精品综合影院| 久99re视频9在线观看| 寂寞夜晚在线视频观看| 国产中文视频无码成人精品| 国产久久亚洲美女久久| 国产精品第一综合首页| 国产免费怕怕免费视频观看| 国产精品嫩草免费视频| 国产精品悠悠久久人妻精品| 国产精品九九久久精品视| 国产成人亚洲综合无| 国产1广场舞丰满老女偷| 成年人在线视频免费观看| 扒开胸罩揉她的乳尖视频| 成人影院午夜久久影院| 大学生宿舍飞机china free| 成人在线视频网站| 高龄熟女50P| 国产精品久久久久久久久无码| 国产 亚洲 中文字幕 在线| 国产精品九九九久久九九| 国产专区亚洲欧美另类在线| 交换邻居波多野结衣中文字幕| 精品动漫国产亚洲AV在线观看| 久久99热在线观看7| 美女被C污黄网站免费观看| 欧美高清video mr.sexo| 日韩一卡二卡三卡四卡免费观在线 | 欧美牲交视频免费观看K8经典| 漂亮的保姆6在线观看中文| 日本人的xxxxxxxxx69| 双性将军粗壮H灌满怀孕| 亚洲精品www久久久久久久软件| 影音先锋2017av天堂| 99热国产这里只有精品6| 大香伊人久久| 国产亚洲欧洲日韩在线三区 | yellow在线观看免费高清的日本|