自动驾驶

前言 提到尖端科技，不免联想到人工智能、自动驾驶、量子计算机等，这些借电影大片走进大众的视野，如今却逐步实现新兴领域，科技飞速发展造就了如梦似幻“破次元壁”的相遇，促成每一次不真实的相遇的是技术领域的革新，而支撑大数据、人工智能以及深度学习等场景进行融合和演进的云产品之一，便是高性能计算(High Performance Computing，HPC）。 高性能计算为产业加速 新一代信息技术为我国经济社会的发展提供全新的方向，科技革命和产业变革也随着信息技术不断突破迸发出生命力，信息技术突破和应用将在很大程度上象征各国的综合国力。而以E级计算、量子计算、智能计算、边缘计算等为代表的高性能计算技术，是实现技术突破和产业加速的重要方式。 从影视渲染、在线直播，到自动驾驶、工业仿真、石油/油气勘探，再延伸至基因检测、生命科学、天文，各领域的业务系统越来越需要大数据量、高性能的决策分析。高性能计算也从过去的科研领域，逐渐向新兴的大数据、人工智能以及深度学习等场景进行融合和演进。无论是推动行业转型升级抢占未来技术高地，还是提升科研能力服务国家安全，高性能计算扮演着越来越重要的角色，逐步引领科技进步和突破。 高性能计算下的存储升级 蓝皮书中提到一组数据：根据Intersect360的相关报告数据显示，到 2021年，高性能计算的市场总额预计将增长到 439亿美元，复合年增长率CAGR为4.3%

　　“北京，是中国自动驾驶汽车产业的发源地，是中国拥有自动驾驶汽车企业和创新人才最多的城市，百余家自动驾驶企业与国家智能网联汽车创新中心、众多的科研机构在北京共同形成了国际领先的自动驾驶产业生态。” 　　昨日，北京市委常委、副市长殷勇在北京市海淀区中关村壹号发表讲话时表示，面向未来，北京市将继续大力支持智能新能源汽车产业的发展，从车、路、云、网、图等各个方面不断扩大开放合作，加快创新的步伐，推动美好的科技愿景早日成为现实。 　　 　　图｜北京市委常委、副市长殷勇 　　9 月 14 日，中关村论坛先锋论坛 —— “中德智能新能源汽车产业论坛” 在中关村科学城北区地标园区中关村壹号成功举行，本次论坛以 “未来出行、全球汇智” 为主题，20 余位中德两国嘉宾在长达 8 小时时间内展开了智慧碰撞。此次论坛举办地点，正是一众对出行怀揣梦想的青年企业家，曾经按下中国自动驾驶启动引擎的地方。 　　北京市委常委、副市长殷勇发表致辞，北京市人民政府副秘书长杨秀玲、北京市经济和信息化局副局长姜广智、海淀区人民政府副区长、中关村科学城管委会副主任林剑华等出席论坛。 　　 　　“预计在 2035 年之前，中国会有 1 亿辆新能源汽车，充电将为慢充与快充结合，慢充可以与电网互动，快充功率将达到 350 千瓦，只需 5-10 分钟即可充满。” 清华大学教授、清华大学学术委员会副主任欧阳明高院士表示。 　

整理 | 郑丽媛 头图 | CSDN 下载自东方 IC 「极客头条」—— 技术人员的新闻圈！ CSDN 的读者朋友们早上好哇，「极客头条」来啦，快来看今天都有哪些值得我们技术人关注的重要新闻吧。 国内要闻 手机欠费超3个月或被纳入征信，江西电信用户或将率先“体验” 10月10日，中国电信江西省欠费信息将接入个人征信系统，从2020年11月开始执行。江西电信客服也明确回应，若用户之前使用的电信产品欠费超过3个月未交清欠费，或者享受了手机、话费优费，有在网协议约定而没有履约，相关信息都有可能会被接入征信。如果仅仅是当月实时欠费停机和欠停一至两个月，只要及时交清欠费，不会被接入征信。如果存在不良征信记录，个人贷款、就业和交通出行等方面均可能会受到影响。浙江电信客服告诉记者，手机号码要规范注销。 华为确认10月22日发布Mate 40：5nm麒麟芯片成重磅看点 华为消费者业务CEO余承东发表演讲称，Mate40搭载的麒麟芯片可能是华为自产的最后一代，届时麒麟旗舰芯片将绝版。目前，从华为终端确认情况，本场发布会上，华为5nm麒麟芯（麒麟9000）将会同步发布，并且会是发布会的一大重点。这款麒麟9000跟苹果A14一样，基于台积电5nm工艺打造，不过相比苹果来说，华为的旗舰芯片要更先进一些，比如集成了5nm工艺的5G基带，这在功耗控制上更加优秀，而A14则是外挂高通5G基带。 百度

　　机器之心转载 　　 作者：王方浩 　　 如何构建一辆无人驾驶车呢？先从无人驾驶车的硬件开始介绍。 　　 　　 简介 　　无人驾驶车由车、线控系统、传感器、计算单元等组成，如图 2.1 所示。车作为无人驾驶的载体，是无人驾驶车最基础的组成部分。 　　除了车本身之外，还需要车上安装有线控系统。有别于传统汽车通过机械传动的方式控制汽车，线控系统通过电信号来控制汽车，这种方式显然更适合电脑控制。 　　无人驾驶车还配备了数目众多的传感器，包括激光雷达、摄像机、毫米波雷达、超声波雷达、GPS、IMU 等。传感器是无人驾驶车的眼睛，负责感受外部环境。计算单元则是无人驾驶车的大脑，传感器获取的信息经过计算单元的计算之后，输出一条可以供汽车安全行驶的轨迹，控制汽车行驶。 　　 　　图 2.1 无人驾驶车硬件组成 　　 硬件首先需要考虑的就是安全 。汽车关系到人的生命安全，因此需要有严格的安全规范。无人驾驶车同样要求如此，需要尽可能地保障乘客的安全，不仅要使用满足车规要求的硬件，还要使汽车能够覆盖足够的视野范围。 　　 其次需要考虑的是成本 ，目前无人驾驶车的成本居高不下，主要原因是传感器的成本太高，甚至比一辆车的成本还高，这是阻碍无人驾驶车普及的重要原因之一。 　　下面我们分别从车和线控系统、传感器、计算单元、辅助单元等方面介绍无人驾驶车的硬件组成。 　　 2.2 车和线控系统 　　2.2.1

新技术推动交通系统数字化智能化发展 互联网+的发展，推进了人获得精准、便利、预约、共享、个性化、一体化的服务；自动驾驶技术商业化，推进车辆自动化、智能化、网联化演变；智慧公路建设，推进了道路数字化、智能化、车路协同化发展；物联网技术的发展，推进了交通环境的实时精准感知，不测风云变成可测可防；大智移云新一代信息及通信技术代际跃迁，促进人车路实时泛在连接与智慧决策能力提升，进而推进交通系统整体性能提升。 信息时代泛在互联产生人车路，环境的海量交通时空大数据，与高精度地图等地理信息技术深度融合促进了数字交通的发展。交通信息采集自动化泛在化全过程发展，使得新型数据具有高实时、大样本、低成本、高精度、全链条的特征，为交通出行全息感知、源头治理、主动引导及精准服务提供了新的机遇。 数字交通 新一代智能交通系统是借助移动通信、大数据、人工智能、云计算等新一代信息技术与自动驾驶等智能车辆技术，以人车路环境的全面精准感知及智能决策为核心，通过人-车-路-环境泛在互联与协作，构建的可实现协同管控与创新服务的交通系统。也可称为智能网联交通系统，交通数字化是走向智能化的前提和基础。 新型基础设施主要包括3个主要方面：信息基础设施、融合基础设施、创新基础设施。融合基础设施主要是指深度应用互联网、大数据、人工智能等技术，支撑传统基础设施转型升级，进而形成的融合基础设施，比如智能交通基础设施

　　机器之心分析师网络 　　 作者：Yuanyuan Li 　　 编辑：H4O 　　 本文主要对 OpML 2020 大会上的一些议题进行了探讨，如生命周期管理等，并对大会嘉宾提出的一些从业观点以及作者个人的经验进行了整理分析。 　　 　　 1. 介绍 　　受到新冠疫情影响，本届 OpML（USENIX Conference on Operational Machine Learning）和其他许多大会一样，改于八月初在线上举办。但也得益于此，会议上展示的所有 talk 目前都对公众开放，既展示了目前工业界主要关注的机器学习问题，也给了大众一个了解目前机器学习在业内发展情况的窗口。 　　作为专注于可操作的机器学习（Operational Machine Learning）的会议，OpML 关注的重点是将机器学习部署到生产中并对其进行产品生命周期管理 （life cycle management）。OpML 试图将 ML 研究人员和实践者（例如，数据科学家，数据工程师，系统 / IT 管理员和 DevOps 专家）聚集在一起，以开发并付诸实践具有影响力的研究和前沿解决方案。 　　 本届 OpML 共有 8 个 session，分 8 天进行，相当于每天有一个不同的主题 ，包括嵌入数据科学分析算法的框架的搭建（Deep Learning and GPU Accelerated Data

开源自主导航小车MickX4 1 ROS底盘电气系统 1.1 底盘机械组装 1.2 底盘硬件框图 1.3 电气系统搭建 2 差速底盘运动学模型 参考资料 在学习ROS的阶段我们使用的都是标准的ROS底盘，只需要一个命令就可以启动小车，然后向 cmd_vel话题上发送数据即可控制小车移动的线速度和角速度。使用标准的ROS底盘可以使我们快速的掌握ROS导航的相关知识。处于加深对ROS自主导航小车的学习，因此设计自制一个ROS小车底盘，学习标准底盘的制作过程。 本系列教程意在分享自己学习ROS自主导航小车时候的笔记，教程内容包含了从零开始搭建一个如下所示的四轮小车模型，小车的名字为 MickX4 ，我们按照小车底盘硬件，然后介绍ROS建图，导航与控制这个顺序介绍小车的搭建过程。教程一共分为6篇： 开源自主导航小车MickX4（一）ROS底盘硬件 开源自主导航小车MickX4（二）ROS底盘运动控制 开源自主导航小车MickX4（三）底盘ROS节点 开源自主导航小车MickX4（四）小车cartographer建图 开源自主导航小车MickX4（五）小车室外导航 开源自主导航小车MickX4（六）总结与展望 下图是一个MickX4小车的装配效果图： 1 ROS底盘电气系统 在ROS的自主导航框架中，运动控制系统主要负责小车底盘的精准速度控制并向工控机提供底盘传感器接口

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 1. 三维曲面解码 基于体积表示的方法在计算上非常浪费，因为信息只在三维形状的表面或其附近丰富。直接处理曲面时的主要挑战是，网格或点云等常见表示没有规则的结构，因此，它们不容易适应深度学习体系结构，特别是使用CNN的体系结构。本节介绍用于解决此问题的技术，将最新技术分为三大类：基于参数化、基于模板变形和基于点的方法。 1.1 基于参数化的三维重建 与直接使用三角形网格不同，我们可以将三维形状X的表面表示为映射ζ：D→R 3 ，其中D是正则参数化域。然后，3D重建过程的目标是从输入I中恢复形状函数ζ。当D是3D域时，这类方法属于第4节中描述的体积技术。 这里，重点讨论D是正则2D域的情况，它可以是二维平面的子集，例如D=[0，1] 2 ，或者是单位球面，即D=S 2 。在第一种情况下，可以使用标准的2D卷积操作来实现编码器-解码器架构。在后一种情况下，必须使用球面卷积，因为域是球面的。 球面参数化和几何图像是最常用的参数化。然而，它们只适用于0属和盘状表面。任意拓扑的曲面需要切割成圆盘状的曲面片，然后展开成规则的二维区域。找到给定曲面的最佳切割，更重要的是，在同一类别的形状之间找到一致的切割是一项挑战。事实上，单纯地为形状类别创建独立的几何图像并将其输入深层神经网络将无法生成连贯的三维形状曲面。

点击上方“3D视觉工坊”，选择“星标” 干货第一时间送达 SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。 本系列文章主要分成四个部分： 在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统，Lidar中的深度学习以及挑战和未来。 第二部分重点介绍了Visual SLAM，包括相机传感器，不同稠密SLAM的开源视觉SLAM系统。 第三部分介绍视觉惯性里程法SLAM，视觉SLAM中的深度学习以及未来。 第四部分中，将介绍激光雷达与视觉的融合。 视觉SLAM的稳定性是一项技术挑战。因为基于单目的视觉SLAM需要初始化、尺度的不确定性和尺度漂移等问题[1]。尽管立体相机和RGB-D相机可以解决初始化和缩放的问题，但也存在一些不容忽视的问题，如运动速度快、视角小、计算量大、遮挡、特征丢失、动态场景和光照变换等。针对以上这些问题传感器的融合方案逐渐流行起来，IMU与相机融合的视觉里程计成为研究热点。 视觉与惯导 论文[2][3][4]是比较早期对VIO进行的一些研究。[5][6]给出了视觉惯导里程计的数学证明。而论文[7]则使用捆集约束算法对VIO进行稳健初始化。特别是tango[8]、Dyson 360

点击上方“3D视觉工坊”，选择“星标” 干货第一时间送达 Harris 角点检测 认为 特征点具有局部差异性 。 如何描述“特征点具有局部差异性”： 以每一个点为中心，取一个窗口，窗口大小为5*5或7*7像素大小。 这个 窗口描述了这个特征点周围的环境 。 如果这个特征点具有局部差异性，那么以这个特征点为中心，把窗口向360度任意一个方向移动，窗口的变化比较大，则这个特征点的周围环境变化比较大。 数学公式： （x,y）：表示像素的位置。 ：表示窗口内的每个像素。 w(x,y)：表示 这个位置的权重。 若w=1，则说明窗口中所有的像素贡献是一样的。 若w设置为以这个特征点为中心的高斯， 高斯权重，说明距离这个特征点越近，权重越大；越往周围发散，权重越小。 I(x,y)：表示(x,y)这个位置的像素值。如果是灰度图，I就是灰度值，如果是彩色图，I就是RGB值。 u和v表示窗口移动的方向。 I(x+u,y+v) - I(x,y)：表示对应像素的灰度差异。 ：在整个窗口内，即在局部环境内求这个像素灰度差异的加权和。 对 I(x+u,y+v) - I(x,y)进行一阶泰勒展开，得到 在(x,y)处的灰度值，再加上u方向和v方向的偏导数。 整理后，结果为： u和v表示窗口移动的方向， H表示Harris矩阵，主要由图像梯度表示。 对Harris矩阵进行特征分解： 得到两个特征值