自动驾驶

从零开始做自动驾驶定位-学习笔记-3-软件框架 从零开始坐自动驾驶学习笔记，主要参考 任乾老师的知乎 进行实践记录 本人调试环境 ubuntu18.04 pcl 1.9 glog ceres 1.4 g2o 安装库（踩坑） 编译任乾老师的工程，需要预安装一些库，这里进行踩坑 pcl 1.9 Ubuntu18.04下安装PCL1.9.1 Ceres1.14 Ubuntu18.04安装Ceres1.14 glog pip安装 pip install glog g2o g2o安装包在 任乾老师的工程的 setup_file下,对 g2o.zip进行解压 cd g2o cd build cmake . . // 很快 make // 时间比较长 sudo make install // 安装 操作演示 将任乾老师的 github 工程移植到 自己的工作空间中，并进行catkin_make 编译 在运行上一章结果的基础上，运行test_frame.launch，发布GNSS IMU消息进行同步处理 roslaunch lidar_localization test_frame . launch rqt_graph 最后记录下的路径 来源： oschina 链接： https://my.oschina.net/u/4353184/blog/4660665

点击上方“3D视觉工坊”，选择“星标” 干货第一时间送达 论文标题 ：Scale-Hierarchical 3D Object Recognition in Cluttered Scenes 作者： Prabin Bariya，Ko Nishino 论文地址： 在公众号「 3D 视觉工坊 」，后台回复「 三维目标识别 」，即可直接下载。 摘要 ：三维目标识别在遮挡和杂乱场景中的是一项艰巨的任务。在本文中，引入一种利用几何尺度的可变性的方法来解决这一任务，其关键在于利用局部几何结构的尺度变化所提供的丰富判别信息来约束模型与场景点之间潜在对应的大量搜索空间，尤其是可以利用几何尺度的变异性来计算每个内在几何尺度的形式特征，还有由内在几何尺度集合后诱导的层次结构和局部尺度相关的三维形状描述符的辨别力，该方法以一种由粗到细的分层方式来利用增加的信息，从而有效地筛选所有潜在通信的空间。本文在大量的真实场景上实验评估了该方法的准确性与不同数量的部分遮挡，识别率较先进方法高，此外，尽管存在着全局尺度变化，本文也系统地演示了该方法能够准确定位目标。 一 、简介 三维目标识别旨在正确识别三维场景中的对象，通常要获得目标的深度图像，并估计其位置和每个对象的方向。三维场景是杂乱无章的，场景中的物体也存在相互遮挡，传统的三维物体识别方法一般包括两个阶段：特征提取和匹配。在特征提取阶段

作者｜ 张小旺 出品｜ 字母榜 2015年，乔布斯曾经的密友史蒂夫·沃兹尼亚克在接受《国家地理》采访时，被问到这样一个问题： 当今世界谁能填补乔布斯留下的空缺？ 史蒂夫答：“我认为，具备像乔布斯一样前瞻能力的人可能有上百万个，但谁能将它们变成能够改变我们生活的真实产品呢？ 我从很多方面观察了 埃隆·马斯克，他追求的领域都是其他人直言因为这样或是那样的理由无法取得成绩的领域， 比如太阳能、Space X、特斯拉汽车等等。” 8月29日，马斯克又在一个“无法取得成绩的领域”实现了划时代的突破。在15万直播用户围观下， 马斯克旗下脑机接口公司Neuranlink举行发布会，展示了公开可实际运作的Neuranlink设备Link V0.9和自动植入手术机器人V2。 利用手术机器人V2，可以将硬币大小的Link V0.9植入到人类颅顶的大脑皮层部分，完成脑机接口的植入。机器将获得大脑内部的电极信号，传输到手机、电脑等设备上，实时完成脑-机之间的数据传输。 在现场，马斯克通过三只此前已植入Neuralink设备的实验猪进行了演示，结果显示，这些猪的大脑活动可以通过无线传输到附近的电脑，当马斯克抚摸它们的鼻子时，实验猪的大脑神经元有所反应。 ▲ 马斯克直播展示脑机接口 硬币大小芯片植入猪脑 这意味着， 脑机互联这种被认为完全颠覆键盘鼠标的下一大人机交互方式，距离实际应用又向前迈进了一步。

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。 ● 论文摘要 实时压缩大量的激光雷达点云对于自动驾驶汽车等自动化机器至关重要。虽然目前大多数的工作都集中在压缩单个点云帧上，但是本文提出了一个新的系统，可以有效地压缩一系列点云。利用点云帧序列中的空间和时间冗余的思想。首先在点云序列中识别关键帧，然后通过迭代平面拟合对关键帧进行空间编码。然后我们利用连续点云在物理空间中有大量重叠的事实，因此空间编码的数据可以（重新）用于对时间流进行编码。利用空间编码数据进行时间编码，不仅提高了压缩率，而且避免了冗余计算，大大提高了压缩速度。实验表明，我们的压缩系统达到了40×90的压缩率，明显高于MPEG的LiDAR点云压缩标准，同时保持了较高的端到端应用精度。同时，我们的压缩系统的压缩速度与目前激光雷达的点云生成速率相匹配，并优于现有的压缩系统，实现了实时点云传输。 代码开源（有兴趣的可以测试后与我交流和分享）： https://github.com/horizon-research/Real-Time-Spatio-Temporal-LiDAR-Point-Cloud-Compression ● 内容介绍 本文的压缩系统的思想是利用点云（空间）和点云（时间）之间的冗余。在空间上，现实世界中的许多曲面都是平面

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 来源： 新机器视觉 点云概念 点云与三维图像的关系 ：三维图像是一种特殊的信息表达形式，其特征是表达的空间中三个维度的数据，表现形式包括：深度图（以灰度表达物体与相机的距离），几何模型（由CAD软件建立），点云模型（所有逆向工程设备都将物体采样成点云）。和二维图像相比，三维图像借助第三个维度的信息，可以实现天然的物体——背景解耦。点云数据是最为常见也是最基础的三维模型。点云模型往往由测量直接得到，每个点对应一个测量点，未经过其他处理手段，故包含了最大的信息量。这些信息隐藏在点云中需要以其他提取手段将其萃取出来，提取点云中信息的过程则为三维图像处理。 点云的概念 ：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。 点云的获取设备 ：RGBD设备是获取点云的设备，比如PrimeSense公司的PrimeSensor、微软的Kinect、华硕的XTionPRO。 点云的内容 ：根据激光测量原理得到的点云，包括三维坐标（XYZ）和激光反射强度（Intensity），强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。 根据摄影测量原理得到的点云，包括三维坐标（XYZ）和颜色信息（RGB

自 2012 年的特斯拉 Model S 起，造车新势力们推出的电动车层出不穷。但有这样一款车，它的出现带来了不小的争议和讨论，从续航能力、颜值到搭载的 AI 芯片都有涉及，这种情况真的不多见。 说来有趣，我们第一次听到别人说起小鹏 P7，是在今年 5 月英伟达 GTC 大会的记者会上。英伟达创始人黄仁勋在介绍完自家全新车载计算机系统 DRIVE AGX Xavier 的强大 AI 算力之后，突然话锋一转说了句：「它已被用在了小鹏 P7 上，那是辆非常漂亮的车（very beautiful car）。」 有大佬的背书，想必不是平凡的一辆车。 在 GTC 2020 上，黄仁勋坐上了小鹏 P7。 时间到了 7 月，在北京的路上我们真正看到了小鹏 P7，这一次吸引人的是它的外观…… 其前脸造型据说灵感来源于《星球大战》的光剑元素，又让人想起了 20 世纪 80 年代美国科幻剧集《霹雳游侠》。而轿跑型车身、无框车门的设计也让人很有想开的冲动。 后来我们又拿到了一辆 P7，这辆车近看起来果然不一般，在电动车里颜值算得上优秀了： 作为一款轿车，小鹏 P7 的风阻系数仅有 0.236，就连门把手在不用的时候都缩在车身里，前卫且运动。虽然我们嘴里总是说买车要看三大件，但在选一辆车的时候，外观内饰带来的第一印象总是占比很重的。 坐到车里，头上是两块超大玻璃全景天窗，没有启动发动机的按钮，没有「手刹

　　 索尼近日宣布即将推出两款 AI 图像传感器，代号 IMX500 和 IMX501，号称具备智能视觉的 “全球首款 AI 图像传感器”。 其中 IMX500 是无封装版，IMX501 是封装版，没有其他性能差异。 　　AI 图像传感器兼具运算能力和内存，能够在没有额外硬件辅助的情况下执行机器学习驱动的计算机视觉任务，使得 很多依赖机器学习算法的图像处理技术能够在本地运行，衍生出更简化、高效和安全的解决方案 。 　　索尼业务与创新副总裁马克·汉森（Mark Hanson）认为， 相比将数据发送到云端的解决方案，IMX500 的应用潜力巨大，成本效益更高，尤其是在未来的边缘计算领域。 它支持 1200 万像素图像，以每秒 60 帧的速度捕获 4K 视频，或者不捕获任何图像，仅提供所见内容的元数据。 　　 官方预计首批搭载该传感器的产品最早将于 2021 第一季度上市 ，目前已有早期商业客户拿到了测试样品，IMX500 售价约 93 美元，IMX501 售价约 186 美元。 　　 　　图｜IMX500（小）和 IMX501（大）（来源：索尼） 　　不过， 第一代 AI 图像传感器可能不会出现在智能手机或平板电脑等消费者产品中。 索尼的首批目标是零售商和工业客户，比如亚马逊 Go 无人商店，其他应用场景包括访客统计、交通状况和人流量热图绘制等。 　　以亚马逊无人商店为例

来源：万物智能视界 边缘AI发源于边缘计算。边缘计算也称为边缘处理，是一种将服务器放置在本地设备附近网络技术, 这有助于降低系统的处理负载，解决数据传输的延迟问题。这样的处理是在传感器附近或设备产生数据的位置进行的，因此称之为边缘。 边缘计算的发展意味着边缘人工智能正变得越来越重要。各行各业莫不如是，特别是在降低处理延迟和保护数据隐私这方面。本文将探讨边缘AI的影响，为什么重要，及其常见用例。 什么是边缘AI？ 边缘AI是指在硬件设备上本地处理的AI算法，可以在没有网络连接的情况下处理数据。这意味着可以在无需流式传输或在云端数据存储的情况下进行数据创建等操作。这一点很重要，因为出现了越来越多的设备数据无法依赖云端处理的情况。比如，工厂的机器人和自动驾驶汽车都需要以最小的延迟高速处理数据。 为了实现这些目标，边缘计算可以在云上靠深度学习生成数据，而在数据原点——即设备本身（边缘）执行模型的推断和预测。 以工厂的工业机器人为例。AI技术可以在这里以人类无法企及的速度，对来自监控摄像头和传感器的大量多模态数据进行可视化和评估，可以用它来检测生产线上人类可能忽略的故障数据。这类物联网结构可以存储生产线上产生的大量数据，并通过机器学习进行分析。它们也是能够提高工厂智能化程度的AI模型的核心。 边缘AI，物联网和5G: 边缘人工智能经常与物联网(IoT)和5G网络放在一起讨论.

2020年伊始，一场突如其来的疫情不仅改变了每个人的生活方式，也让整个产业经济迎来巨大挑战。疫情大考之下，小牛电动顺利交出了Q1成绩单。 北京时间5月18日，小牛电动发布了截至2020年3月31日的第一季度未经审计的财务报告。本季度国内市场因疫情影响有一定受挫，财报显示，小牛电动实现一季度营收2.33亿元，较去年同期下降34.4%。其中，海外市场表现良好，销量同比增幅5.9%，销售收入稳步提升。周边、配件和服务收入逆市同比增长5.5%，彰显了小牛电动的品牌实力。 短暂的市场冲击并未影响公司对于未来发展的充足信心，小牛电动表示，随着疫情的逐步可控和产业的重启恢复，市场需求将回暖。二季度，公司将继续推进全球战略布局，加大科技研发和市场布局，重启全球扩张计划。公司预计第二季度营收将实现5.85亿至6.55亿，同比增长10％至23％。 国内市场受短暂冲击，线上下多措并举“抗疫” 一季度，受到突如其来的疫情冲击，国内整体消费陷入短暂泥淖，各行业企业的经营和销售都面临巨大挑战。由于疫情的客观影响，小牛电动国内市场销售受到一定制约，导致单季度亏损0.26亿。 为积极应对疫情，小牛电动第一时间响应国家政策，灵活调整市场策略，多措并举配合抗疫工作。 自疫情发生以来，小牛电动充分发挥全球资源调控能力，海内外多地采购医疗物资，定向捐赠给湖北多家大中小医疗机构和前线场所。同时，公司及时推出“0接触，云购车

正欲在 2020 年全面推进 10 纳米制程的英特尔，忽然迎来了芯片总设计师辞职的消息。 机器之心报道，机器之心编辑部。 刚刚，英特尔在官方网站上宣布了一个重要新闻， 吉姆 · 凯勒（Jim Keller）因为个人原因辞职，决定立即生效 。 作为半导体业界的传奇人物，吉姆 · 凯勒此前在特斯拉、AMD、苹果和 PA Semiconductor 获得了一系列成功，并于 2018 年加盟英特尔。据了解，凯勒在英特尔的工作目标是简化大量硅片产品的开发流程，并构建战略平台为未来产品的发展铺平道路。当然，凯勒应该也曾接手英特尔的制造工艺，以及不少芯片产品。 吉姆 · 凯勒是英特尔新架构的策划者之一，在宣布辞职之前，他已在英特尔工作了两年，提出了 3D 堆叠芯片等创新方法。英特尔表示，此后他还将留任顾问六个月以进行工作交接。随着凯勒的离开，英特尔也进行了一系列组织架构调整： 前 Net Speed 首席执行官、创始人 Sundari Mitra 将领导新成立的 IP 工程群组。 Gene Scuteri 将领导 Xeon 与网络工程群组。 Daaman Hejmadi 将领导客户工程群组，专注于 SoC。 Navid Shahriari 将继续领导生产和制造工程群组。 吉姆 · 凯勒：芯片界的传说 说到吉姆 · 凯勒，他的传奇经历多年来一直被人们津津乐道