自动驾驶

“ 谷歌依靠时报的内容吸引了数十亿点击量,而时报使用它们的搜索算法来引入流量。但是两者中显然谷歌拥有更大的权力。它如同地主一样统治着互联网的一个关键领域,而时报就相当于那块草地上的佃农。我们的结局从一开始就注定了。 ” 互联网四大 作者: ［美］Scott·Galloway（斯科特·加洛韦) 出版社: 湖南文艺出版社 副标题: 亚马逊、苹果、脸书和谷歌的隐藏基因 译者: 郝美丽 出版年: 2019-6-30 页数: 264 定价: 58.00 装帧: 精装 ISBN: 9787540492403 01 — 一位商学院教授对亚马逊、苹果、脸书和谷歌的商业策略的点评。英文版是2017年的，还算新书，内容没过时。 这四家大公司的商业策略有太多的人做过点评，作者的点评基本没看到新意。 作者尝试总结了四大公司成功的要素，还列出了可能成为第五大的一些公司，但是没敢说这些潜在的第五大满足/不满足了他的8大要素中的哪些，哪家最有潜力。 作者的重要观点有： 1：亚马逊以讲故事的方式勾勒出公司愿景和增长预期来吸引投资者,而不是传统上的利润回报； 2：亚马逊的商业思维:如果我们能以历史最低的利率借钱,为什么我们不把这些钱投资在昂贵的物流控制系统中； 3：稀缺性是苹果产品成功的核心关键。这正是奢侈品的魅力所在； 4：必须促使脸书承担应尽的责任。其首先要做的是判定内容的真伪； 5

上周，阿里巴巴高德地图首席科学家任小枫在#大咖学长云对话#的在线直播活动上就计算机视觉相关技术发展以及在地图出行领域的应用与大家做技术交流，直播间互动火爆，尤其在QA环节，学弟学妹们纷纷就感兴趣的视觉应用、AR导航、定位技术、5G、职业发展等话题提问，任小枫做了精彩回答。我们整理了问答内容，分享给大家。 视频回放地址 ： https://vku.youku.com/live/ilproom?id=8064786 任小枫博士，现任阿里巴巴高德地图首席科学家，研究员，主要负责视觉技术在地图和出行领域的应用和创新。加入阿里巴巴前，他在2013到2017年间供职于亚马逊，是亚马逊的资深主任科学家和AMAZON GO的算法负责人。浙江大学本科毕业，加州大学伯克利分校博士，华盛顿大学计算机系客座教授，CVPR/ICCV/AAAI等会议领域主席，IEEE PAMI副主编。 视觉技术发展及应用 提问：计算机视觉在高精度地图构建中的应用有哪些？ 任小枫 ：视觉算法对于高精度地图构建是核心的技术，主要应用在资料对齐和精度保证、识别和地图数据自动化生成、视觉定位和高精地图更新等。 提问：您觉得现有的基础学科研究水平与硬件水平能否保证视觉技术的快速发展？视觉技术发展在近期会不会遇到较难突破的瓶颈？ 任小枫 ：经过了前几年深度学习技术在视觉各个领域的快速发展，一定程度上说

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 随着在边缘创建的数据的增长，IT / OT融合和边缘即服务产品可能成为物联网部署中数据处理的未来之选。 物联网和边缘计算是当今企业推动趋势发展的两项技术。结合了边缘计算和IoT技术的技术领导者可能还会注意到，边缘即服务以及运营技术和IT的融合已成为蓬勃发展的IoT战略的重要组成部分。 惠普企业副总裁兼惠普研究员汤姆·布拉迪奇克在IoT Day Slam 2020的主题演讲中说：“今天边缘和IoT都获得了名人的地位。” Bradicich说，多达80%的IT、运营技术(OT)和消费者数据将在边缘生成，其中大部分来自物联网设备。主题演讲“两种动力彻底改变了边缘和物联网”，突显了组织从边缘物联网设备中提取价值时对效率的需求。 为什么边缘及其结构很重要 边缘数据可帮助组织获得业务洞察力，例如库存是否不足，机器是否会发生故障以及进行新发现。这些见解为组织带来了三种价值类型：监控企业，工厂和客户;维护技术，例如更新软件;或通过产品获利。有效的边缘数据处理可以缩短响应时间，带宽和连接成本，并提高不传输数据的安全性，减少存储需求，提高可靠性并遵守数据策略。 物联网数据可以直接从设备传输到云，也可以通过数据采集和控制，边缘IT，再到云，从设备传输到执行器。 IT

1. 前言 好多初创公司公布出来的视频明显都是寻迹的效果，不是说寻迹不好，相反可以证明，寻迹是自动技术开始的第一步。 自动驾驶寻迹：一种能够自动按照给定的路线（通常是采用不同颜色或者其他信号标记来引导）进行移动的汽车。 本章内容有和No. 1、No. 2与No. 3重复的内容，为了方便自己调试，我将重复的内容也贴出来。 注意： 所有需要在 [Simulation] 菜单下加载的数据，都需要在所有操作之前操作，否则在RViz显示时，会出现frame_id错误。 采用寻迹方式，首先要做的就是要确定汽车离航迹点集上的那个点最近，然后通过control算法将车辆移动到该航迹点上。所以寻迹寻迹方法最核心的操作同样是定位。 本节寻迹我们同样仿真数据与真车实测两个方式来介绍 2. 仿真数据寻迹 2.1 打开runtime manager 2.2 打开地图要定位的数据（在百度网盘中有，这是我们录制的用于定位的数据） 进入 [Simulaton] 页面，点击界面右上方 [Ref] 按钮，加载录制用于定位的 bag 文件。 点击 [Play] 然后点击 [Pause]暂停。 2.3 加载地图，加载world到map以及base_link到velodyne的TF变化 (1) 设置从base_link到velodyne坐标系的TF （与No. 1重复） 在 [Setup] 菜单中，确保

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 作者：丁洪凯 链接：https://zhuanlan.zhihu.com/p/107218828 本文转载自知乎，作者已授权，未经许可请勿二次转载。 1. ICP 算法简介 ICP 的经典论文： https://ieeexplore.ieee.org/document/121791 发表在 IEEE Transactions on Pattern Analysis and Machine Intelligence ，此刊在工程技术大类属于1区，算是神刊了。 【大类】工程技术（1区）; 【小类】COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE（1区）；ENGINEERING, ELECTRICAL & ELECTRONIC（1区）; 【2016-2018年平均IF】11.838； 【2017-2018年总被引】102333 进入正题...... ICP 算法的第一步就是找到 Source 点云与 Target 点云中的对应点（corresponding point sets），然后针对对应点，通过最小二乘法构建目标函数，进行迭代优化。 1.1 估计对应点（Correspondences estimation） ICP 称为 Iterative Closest Point，顾名思义

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 在结构光三维测量中，之前笔者介绍了关于把投影看做相机的逆的模型，这次笔者要介绍一个经典相位三维轮廓测量模型，有很多相位三维轮廓测量模型都是在经典相位测量模型上的改进。 如下图所示，在经典三维轮廓测量模型中，需要精准的设置相机，投影与参考平面的位置关系。具体设置如下： 1.投影平面需要与参考平面平行，且投影坐标系的X轴和Y轴要分别于参考平面的X轴和Y轴平行 2.相机坐标系Y轴要与参考平面的Y轴平行 3.像机光心与投影中心连线要平行于参考平面，像机光轴与投影仪光轴交于参考平面顶点（图中O点） 根据上述设置，物体的实际高度可以通过相似三角形求得。所求得的高度是物体相对参考平面的高度。推导如下： 如上图所示可知，有如下相似关系， 则由相似三角形原理，可以得到， 由于 （投影中心到参考平面距离）则由等比关系式可得： 至此，就可以得到物体相对于参考平面的高度PP‘的表达式，想要真正求得物体的实际高度，我们不仅需要提前测量投影中心到参考平面的长度l和投影中心与相机中心的距离d，还需要对参考平面进行标定。 在对参考平面进行标定时，要做两件事。一是测量一个相位周期（2 π ）的光栅投影到参考平面上后的光栅的长度 ，又称光栅节距。有了光栅节距值后，如果上图所示的B点绝对相位为 （绝对相位=相位主值+相位周期数*2 π ）

一直保持的追求有三点：技术、快乐、财富，这里记录每周值得分享的内容，周五把欢乐送达。 技术 1、Avatarify 黑科技 Deepfake 还记得吗？这个换脸技术，当时掀起了 AI 界的轩然大波。 逼真的换脸技术也被玩出了很多花样，甚至在著名的 P站 也有它的身影。 除了给明星换脸的思路，那肯定也能给自己的脸换成明星。 一位来自俄罗斯的程序员 Ali Aliev 就是这么想的：在家开视频会议太枯燥？那就尝试用 Deepfake 找点乐子吧！ Avatarify 使用了今年三月一篇 arXiv 论文的方法「 First Order Motion 」， 无需事先对目标图像进行任何训练，就能用另一个人的视频来替换自己 。 由他开发的“视频会议阿凡达”软件 Avatarify ，可以把视频会议里的你伪装成 任何名人 ，马斯克、马云、马化腾，神马都可以，甚至蒙娜丽莎都行。 正宗的蒙娜丽莎的微笑，有 那味儿了 吧！ 等等，我有一个大胆的想法，这就去跟老板视频对线！ 项目地址： 点击查看 2、Photo to Cartoon N 年前，上学的时候，每当我注册一个网站或软件，要上传头像的时候，我都会很纠结，我想找一个神似自己的动漫图片作为头像，看着舒心的那种。 一直没有找到，就去百度搜索「酷酷的头像」，随便选了一张，结果这一"酷"就"酷"到了现在。 中二感十足，现在也是懒得换了。 今日不同往日

& 论文概述 获取地址： http://openaccess.thecvf.com/content_CVPR_2019/papers/Zhang_Object_Detection_With_Location-Aware_Deformable_Convolution_and_Backward_Attention_Filtering_CVPR_2019_paper.pdf & 总结与个人观点 本文提出了 location-aware deformable convolution 以及 backward attention filtering 模块以提高自动驾驶中多类别多尺度目标检测的性能。其中location-aware deformable convolution能够 自适应提取不均匀分布的上下文特征 ，与标准卷积特征结合以搭建为复杂场景中检测目标的健壮的、更具表征力的特征。Backward attention filtering模型利用深层卷积层中的高级语义特征以 增强有信息的高分辨率特征同时抑制分散特征 ，提高了性能同时减少了需要的RoIs。通过在前向-后向网络中结合两个方法，在KITTI以及PASCAL VOC数据集中速度和性能均达到顶尖水准。 本文主要关注两个方面：上下文信息以及空间信息的精炼。分别使用位置感知的可变形卷积以及注意力机制，均是增强特征方面的操作

Edge AI（边缘人工智能）仍然是行业的焦点新事物，很多人不确定他们的项目应该选择哪种硬件及平台。今天，笔者将大家评测一些领先和新兴的AI软硬件平台。 自2012年开始深度学习热潮以来，英伟达就一直在其GPU上占据着AI芯片的主导地位。尽管它们耗电量大，运行时嘈杂且成本昂贵，但别无选择。大约3年前，Google宣布他们已经设计了Tensor处理单元（TPU），以加快数据中心的深度学习推理速度。这触发了成熟的科技公司和初创公司争相推出专门针对数据中心和边缘的专用AI芯片。 我们今天要谈论的是边缘AI的平台。那么，边缘AI到底是什么？边缘AI的术语是从边缘计算中借用的，这意味着计算是在数据源附近进行的。 在AI世界中，如你所见，应用场景包括物联网，移动电话，无人驾驶飞机，自动驾驶汽车等。因此，我们将重点放在AI平台上，个人和小型公司都可以开发和使用。 今天要评测的是英特尔的神经计算机棒，谷歌边缘计算芯片Edge TPU和英伟达的Jetson Nano。 性能 在评估用于实时部署的AI模型和硬件平台时，我首先要看的是-它们的速度如何。在计算机视觉任务中，通常以每秒帧数（FPS）来衡量基准。较高的数字表示较好的性能，对于实时视频流，你至少需要大约10 fps才能使视频显得流畅。基准测试中使用了许多应用程序，最常见的两个是分类和对象检测。在计算上，分类是最简单的任务

　　如何抓住“新机遇”，应对自动驾驶商业化落地之战？由中国人工智能学会、中关村科学城管委会联合主办，CAAI智能驾驶专委会、中关村人工智能创新创业基地等联合承办推出的“疫情下的‘新机遇’，特定场景的自动驾驶商业化”系列主题云分享活动，致力搭建线上交流与场景落地模式探讨的平台，打造自动驾驶产业生态，促进产学研用深度融合。第五期将于4月25日晚20:00正式开讲。 　　 　　 　　疫情之下，当人与人的接触存在着病毒传播风险的时候，无人自动消毒车、无人低速配送车、无人巡逻车、无人售卖车等纷纷出现在武汉乃至全国各大城市和医院中，为当地居民提供消毒、送餐、物流、测温等服务，自动驾驶的实用性和可行性得到有利验证。自动驾驶商业化落地，开始呈现出无限的可能性和巨大的想象空间。 　　2020年的春天，全国上下一心，共克时艰，但危中见机，自动驾驶技术体现出了更多可能，新的风口已经出现——特定场景的自动驾驶商业化。驭势科技、白犀牛、慧拓智能、新石器等纷纷宣布获得投资，主线科技、踏歌智行、智行者等企业均已在矿区、港口、机场、园区等场景实现试点运营。 　　 活动详情 　　本次系列活动，汇聚全国优质自动驾驶企业，涉及自动驾驶不同细分领域、不同落地场景及商业化模式，当前自动驾驶正在从以上及其他特定场景作为切入口，在实践中获取数据、改进技术，不断积累解决问题的能力，并从好的商业运营模式中汲取经验