摘要：
车道线检测(Lane Detection)是 ADAS 系统中重要的功能模块，而对于 L4 自动驾驶系统来说，在不完全依赖高精度地图的情况下，车道线检测结果也是车辆运动规划的重要输入信息。由于俯视图(BEV, Bird's Eye View)下做车道线检测相比于前视图，有天然的优势，所以本文根据几篇论文(就看了两三篇)及项目经验，探讨总结俯视图下做车道线检测的流程方案，并主要介绍 IPM 逆透视变换原理，[\[0\]](https://leijiezhang001.github.io/lane-det-from-BEV/#0)为车道线检测资源集。 阅读全文
摘要：
在YOLO在2023年8月的报告中，统计了从2018年到2022年，在全球范围内激光雷达累计定点车型 阅读全文
摘要：
激光雷达（Lidar，Laser Detecting and Ranging，激光探测和测距）是一种通过发射和接收激光束，来实现目标检测的感知元件。激光雷达一般通过测量发射和接收激光束的时间差（ToF，Time of Fly）或者频率差，来确定目标信息。激光雷达在短时间内可以获取大量的位置点信息（或者称为激光点云），1秒内可以生成的点的数量从几十万到数百万不等。由于激光频率高，波长短，所以激光雷达一般具备极高的角度分辨率和测距精度。 阅读全文
摘要：
BEV要做的核心事情就是一件：把2D相机视角下的feature投影到2D鸟瞰图上。
但是，这个投影需要知道深度信息。当相机视角下，还没做到detection回归距离时，是只有平面的特征图的。‘
用AI，当然是假装知道了深度，投影变换用一个矩阵表示，然后靠数据去学习这个矩阵。可以理解为，把回归距离这一步在这做一遍。单帧图像当然可以做，靠近大远小，车和人的尺寸都是固定的，这个规律不难学到。 阅读全文
摘要：
在自动驾驶系统运动规划模块的碰撞检测中，通常分为 粗略碰撞检测 和 精细碰撞检测 两个步骤。
粗略碰撞检测用来将两个明显不相交的物体快速排除，使用 外接圆的包围形 或 轴对齐包围矩形（Axis Aligned Bounding Box，AABB）都是比较好的方式。 阅读全文
摘要：
很多人都有这样的疑问--基于BEV(Birds Eye View)的自动驾驶方案是什么？这个问题，目前学术界还没有统一的定义，但从我的开发经验上，尝试做一个解释：**以鸟瞰视角为基础形成的端到端的自动驾驶算法和系统**。
感知模块是最为重要的自动驾驶模块之一，也是最为复杂的模块。一般的感知模块包含障碍物目标检测，车道线语义分割，可行驶区域分割等等。在BEV出现之后，整个自动驾驶感知模块趋向形成统一，简洁，高效的端到端结构。不光是感知模块，基于BEV进行的规划决策也是学术界研究的方向。下面将结合几篇顶会论文来看BEV给自动驾驶技术带来的改变。 阅读全文
摘要：
无人车上拥有各种各样的传感器，每个传感器的安装位置和角度又不尽相同。对于传感器的提供商，开始并不知道传感器会以什么角度，安装在什么位置，因此只能根据传感器自身建立坐标系。无人驾驶系统是一个多传感器整合的系统，需要将不同位置的传感器数据统一到一个固定的坐标系——自车坐标系下，才能分析当前无人车所在的道路场景。 阅读全文