| |
| |
 |
2016-12-19 第3期 |
|
| |
| |
写在前面 |
|
 |
|
本周CSDN_AI为您准备了《程序员》杂志中的无人驾驶技术系列文章，共7篇。
若您有希望与业界分享的AI实施案例、资料整理、学习笔记、趣闻妙谈，请发送邮件至wangyi@csdn.net，期待您的声音。 |
| |
| |
光学雷达（LiDAR）在无人驾驶技术中的应用 |
|
| 本文为《程序员》无人驾驶技术系列的开篇。无人驾驶汽车的成功涉及高精地图、实时定位以及障碍物检测等多项技术，而这些技术都离不开光学雷达（LiDAR）。本文将深入解析光学雷达是如何被广泛应用到无人车的各项技术中。文章首先介绍光学雷达的工作原理，包括如何通过激光扫描出点云；然后详细解释光学雷达在无人驾驶技术中的应用，包括地图绘制、定位以及障碍物检测；最后讨论光学雷达技术目前面临的挑战，包括外部环境干扰、数据量大、成本高等问题。 |
| |
| |
基于ROS的无人驾驶系统 |
|
| 本文是无人驾驶技术系列的第二篇。在上篇解析光学雷达（LiDAR）技术之后，本文着重介绍基于机器人操作系统ROS的无人驾驶系统。文中将介绍ROS以及它在无人驾驶场景中的优缺点，并讨论如何在ROS的基础上提升无人驾驶系统的可靠性、通信性能和安全性。 |
| |
| |
基于计算机视觉的无人驾驶感知系统 |
|
| 本文是无人驾驶技术系列的第三篇，着重介绍基于计算机视觉的无人驾驶感知系统。在现有的无人驾驶系统中，LiDAR是当仁不让的感知主角。但是由于LiDAR的成本高等因素，业界有许多是否可以使用成本较低的摄像头去承担更多感知任务的讨论。本文探索了基于计算机视觉的无人驾驶感知方案。首先，验证一个方案是否可行需要一个标准的测试方法，我们介绍了广泛被使用的无人驾驶视觉感知数据集KITTI。然后，我们讨论了在无人驾驶场景中使用到的具体计算机视觉技术，包括Optical Flow和立体视觉、物体的识别和跟踪以及视觉里程计算法。 |
| |
| |
基于Spark与ROS分布式无人驾驶模拟平台 |
|
| 本文是无人驾驶技术系列的第四篇，着重介绍基于Spark与ROS的分布式无人驾驶模拟平台。无人驾驶的安全性和可靠性是通过海量的功能和性能测试来保证的。无人驾驶系统是一个复杂的系统工程，在它的整个研发流程中，测试工作至关重要同时也繁重复杂。显然将全部测试工作都集中在真车上进行是一种成本异常高昂且安全系数非常低的方案。通过综合考虑测试中各种可能发生的正常或异常状况，软件模拟成为了面向无人驾驶系统的更安全且更经济有效的替代测试手段。 |
| |
| |
GPS及惯性传感器在无人驾驶中的应用 |
|
| 本文是无人驾驶技术系列的第五篇，着重于GPS以及惯性传感器在无人驾驶中的应用。GPS是当前行车定位不可或缺的技术，但是由于GPS的误差、多路径以及更新频率低等问题，我们不能只依赖于GPS进行定位。而惯性传感器拥有很高的更新频率，可以跟GPS形成互补。而使用传感器融合技术，我们可以融合GPS与惯性传感器数据，各取所长，以达到较好的定位效果。 |
| |
| |
增强学习在无人驾驶中的应用 |
|
| 本文是无人驾驶技术系列的第六篇，着重介绍增强学习在无人驾驶中的应用。增强学习的目的是通过和环境交互，学习如何在相应观测中采取最优行为。相比传统的机器学习，它有以下优势：首先，由于不需要标注的过程，可以更有效地解决环境中存在的特殊情况。其次，可以把整个系统作为一个整体，从而对其中的一些模块更加鲁棒。最后，增强学习可以比较容易地学习到一系列行为。这些特性十分适用于自动驾驶决策过程，我们在本文深入探讨增强学习如何在无人驾驶决策过程中发挥作用。 |
| |
| |
卷积神经网络CNN在无人驾驶中的应用 |
|
| 无人驾驶的感知部分作为计算机视觉的领域范围，也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第七篇，深入介绍CNN（卷积神经网络）在无人驾驶3D感知与物体检测中的应用。 |
| |
| |
| |
CSDN AI 周刊 |
|
| |
本刊由“AI科技大本营”编辑并运营，涵盖AI行业和技术圈儿的精品干货，每周发送，欢迎将干货分享给更多人！扫描下方二维码，添加小助手，备注公司和技术方向，邀你加入技术交流群。 |
|
| |
大本营小助手 |
|
 |
| |
| |
投稿：zhouxiang@csdn.net |
|
| |
转载：suiling@csdn.net |
|
| |
反馈：suiling@csdn.net |
|
|