首页
学习
活动
专区
工具
TVP
发布

半杯茶的小酒杯

专栏作者
117
文章
122753
阅读量
38
订阅数
在线高精地图构建-ScalableMap
《ScalableMap:Scalable Map Learning for Online Long-Range Vectorized HD Map Construction》
YoungTimes
2023-11-27
1500
轨迹规划-Constrained ILQR
k表示Time Step,N是Preview Horizon,J是Cost Function;
YoungTimes
2023-11-13
1.7K0
Local Planning Path-三次螺旋曲线
为了简化对优化问题的表示,我们将路径定义为参数曲线,多项式螺旋线(Polynomial Spirals)是参数曲线的一种。
YoungTimes
2023-09-25
5170
Transformer中的FPN-Swin Transformer
Transformer从NLP领域迁移到Vision领域,要解决几个主要问题:1) 尺度问题。同样的物体在同一张图像中的尺寸会有差异;2) 图像的分辨率问题。分辨率太大,直接用Transformer处理的计算代价太大。
YoungTimes
2023-09-01
3780
Transformer在视觉领域的应用
论文: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
YoungTimes
2023-09-01
3180
Attention Is All You Need
Attention解决了类RNN的长时序依赖问题和计算的并行化的问题,Multi-Head Attention实现了类似RNN多通道的效果。Transformer的整体架构是如下,Encoder和Decoder都使用了Stacked Self-Attention And Point-wise, Fully Connected Layers(MLP)结构。
YoungTimes
2023-09-01
1970
基于统一BEV表征的多任务多传感器融合
为了实现多传感器数据的统一表达(Unified Representation),以前常规的方法:
YoungTimes
2023-09-01
3020
Deep Learning中的排列不变性和等变性
Permutation Invariance是排列不变性,是指函数的输出与输入元素的顺序无关。
YoungTimes
2023-09-01
6340
BEVFromer-从多相机图像中学习BEV表达(3)
除了空间信息(Spatial Information),时间信息(Temporal Information)对视觉系统理解周围环境也至关重要。例如,通过Temporal Information可以推测除移动物体的速度和静态障碍物。
YoungTimes
2023-09-01
3250
BEVFromer-从多相机图像中学习BEV表达(2)
Spatial Cross-Attention是基于Deformable Attention改进的,所以先回顾下Deformable Attention。
YoungTimes
2023-09-01
3640
【论文阅读】BEVFromer-从多相机图像中学习BEV表达(1)
GridMask属于Information Dropping的方法,它通过随机在图像上丢弃一块区域,作用相当于在网络上增加一个正则项,避免网络过拟合。
YoungTimes
2023-09-01
3960
【论文学习】End-to-End Object Detection with Transformers
DETR是Facebook在2020年提出的基于Transformer的端到端目标检测方法,克服了在传统目标检测中对Anchor和非极大值抑制(Non-Maximum Suppression, NMS)等先验知识的依赖 ,简化了目标检测的处理流程。
YoungTimes
2023-03-09
1.2K0
基于优化的离散点平滑算法
曲线平滑算法是Planning中一种基础算法,在路径优化、速度优化中都有广泛应用。本文主要研究下Apollo中基于优化方法的离散点平滑算法。
YoungTimes
2022-12-12
2.7K0
动态场景下的轨迹规划
论文【1】中提出的自动驾驶决策系统(Decision-Making System)包含三层Behavior Planner:
YoungTimes
2022-09-01
1.3K2
轨迹拼接(Trajectory Stitching)
理论上来说, 规划的算法应该具有时间一致性, 即如同数学当中的函数的概念一样, 只要输入一致, 输出是确定并且可重复的。然而由于现实中存在输入的噪声, 执行端出现误差或者延迟, 甚至是算法本身的选择, 会导致车辆执行的实际输出与规划结果差别很大,最终导致不同时刻规划的车辆轨迹有差异。
YoungTimes
2022-06-23
2.1K0
交通流仿真&代码实现
分析和优化交通系统,首先要对交通系统进行数学建模,根据路网几何、每分钟车辆、车速等参数对交通流量进行模拟。
YoungTimes
2022-04-28
1.8K0
自动驾驶轨迹跟踪(一)-模型预测控制(MPC)代码实现
模型预测控制(MPC)的理论推导部分见前文: 自动驾驶轨迹跟踪-模型预测控制(MPC) 这里主要用Python代码实现前文的推导结论。
YoungTimes
2022-04-28
4.2K1
自动驾驶轨迹跟踪-模型预测控制(MPC)
模型预测控制(MPC,Model Predictive Control)属于优化和控制两个领域的交叉,实际上是以优化的方法来求解控制问题。
YoungTimes
2022-04-28
3.5K1
Uber LaneGCN-训练数据准备
Uber LaneGCN的开源代码的训练数据使用了Argoverse Motion Forecasting数据集。
YoungTimes
2022-04-28
1.3K0
自动驾驶运动预测-Uber LaneGCN模型
Motion Forecasting的目标是根据车辆的Past States预测Future Trajectories。
YoungTimes
2022-04-28
9390
点击加载更多
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天,分 10000 元奖品池!
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档