Skip to content
Closed
Show file tree
Hide file tree
Changes from all commits
Commits
Show all changes
30 commits
Select commit Hold shift + click to select a range
61a46c7
提交论题
lej627 Dec 18, 2025
9d3ecab
提交论题
lej627 Dec 18, 2025
bb89af0
提交论题,格式修改
lej627 Dec 18, 2025
a530fc4
将readme内容修改并完善
lej627 Dec 19, 2025
7b94e51
运行代码生成图像弹出车道线检测的图像窗口和 LiDAR 点云可视化窗口,并在控制台打印融合后的感知结果(如障碍物数量、距离、是否在车道内等)
lej627 Dec 19, 2025
d935e02
在Carla中运行代码,车子移动成功
lej627 Dec 19, 2025
1b3eff2
重新生成了readme文件,并且修改了代码调用Carla文件
lej627 Dec 19, 2025
2f046d6
重新生成了readme文件,并且修改了代码调用Carla文件
lej627 Dec 19, 2025
9620cf6
重新生成了readme文件,并且修改了代码调用Carla文件
lej627 Dec 19, 2025
65e8d29
重新生成了readme文件,并且修改了代码调用Carla文件
lej627 Dec 19, 2025
05f24cc
优化代码增加功能
lej627 Dec 19, 2025
c482729
Merge branch 'OpenHUTB:main' into main
lej627 Dec 19, 2025
68789ff
修改了代码,成功运行
lej627 Dec 20, 2025
c0feec0
实现自由视角移动
lej627 Dec 20, 2025
df4fcc9
Merge branch 'main' of https://github.com/lej627/nn256
lej627 Dec 20, 2025
6fcbd70
修改代码Carla成功生成车辆,并且视角跟随车辆
lej627 Dec 21, 2025
67eec05
修改代码Carla成功生成车辆,并且视角跟随车辆
lej627 Dec 21, 2025
437760d
修改代码Carla成功生成车辆,并且视角跟随车辆
lej627 Dec 21, 2025
cbb7a22
修改代码Carla成功生成车辆,并且视角跟随车辆
lej627 Dec 21, 2025
a65c559
Merge branch 'main' into main
lej627 Dec 21, 2025
bbc8b12
调用代码使小车能够识别红绿灯并做出反应
lej627 Dec 21, 2025
77bd8f8
无人车识别碰撞并绕行
lej627 Dec 21, 2025
7acafc5
Merge branch 'main' into main
lej627 Dec 21, 2025
e056d17
优化代码,使小车能够识别前方障碍物并绕行
lej627 Dec 22, 2025
6fa413f
优化代码,使小车能够识别前方障碍物并绕行
lej627 Dec 22, 2025
d05cf59
Merge branch 'main' into main
lej627 Dec 22, 2025
6a3dbc2
优化代码,使小车能够识别前方障碍物并绕行
lej627 Dec 22, 2025
6d025e6
车辆 50km/h 精准匀速行驶功能,并移除 OpenCV 依赖仅保留基础摄像头数据采集,实现高鲁棒性的感知 - 控制联动
lej627 Dec 22, 2025
1572c09
修改readme文件内容,更新
lej627 Dec 23, 2025
4527061
Merge branch 'main' into main
lej627 Dec 23, 2025
File filter

Filter by extension

Filter by extension

Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
15 changes: 11 additions & 4 deletions src/Unmanned_Aerial_car_Perception/README.md
Original file line number Diff line number Diff line change
Expand Up @@ -11,9 +11,16 @@

### 1.2.1 单传感器感知技术

视觉感知因成本低、信息丰富的优势,成为无人车感知的基础模块。早期研究多采用传统计算机视觉方法,如基于霍夫变换的车道线检测[5]、基于背景差分的障碍物检测[6],但此类方法泛化能力弱,难以适应复杂多变的道路场景。近年来,深度学习技术推动视觉感知精度的大幅提升,YOLO系列、Faster R-CNN等2D目标检测模型已广泛应用于障碍物识别[7-8];随着BEV(Bird's Eye View)技术的发展,BEVFormer、DETR3D等3D视觉模型实现了无LiDAR的三维感知,但其性能依赖大规模标注数据集与强大的算力支撑[9-10]。
LiDAR凭借不受光照影响、三维测距精度高的特性,成为高阶自动驾驶的核心传感器。主流LiDAR感知技术包括:基于RANSAC算法的地面分割[11],可快速分离地面与非地面点云;基于DBSCAN、欧式聚类的障碍物检测[12],能有效提取离散点云中的障碍物轮廓;基于PointNet系列的点云深度学习模型[13],实现了障碍物的分类与语义分割。但LiDAR硬件成本较高,点云数据存在稀疏性问题,在远距离、雨雾雪等恶劣天气下感知性能易受影响。
惯性与卫星导航感知是无人车状态估计的核心手段。IMU(惯性测量单元)更新频率可达100Hz以上,能实时输出姿态与加速度数据,但长期使用会产生累积误差;GPS/RTK可提供绝对位置信息,定位精度可达厘米级,但更新频率仅10Hz左右,易受遮挡影响[14]。扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)是IMU与GPS融合的经典方法[15],通过互补滤波降低单一传感器误差;紧耦合SLAM技术(如RTAB-Map[16])进一步融合视觉信息,提升了无GPS场景下的定位鲁棒性。
视觉感知因成本低、信息丰富的优势,成为无人车感知的基础模块。早期研究多采用传统计算机视觉方法,如基于霍夫变换的车道线检测 [5]、基于背景差分的障碍物检测 [6],但此类方法泛化能力弱,难以适应复杂多变的道路场景。
近年来,深度学习技术推动视觉感知精度的大幅提升,YOLO 系列、Faster R-CNN 等 2D 目标检测模型已广泛应用于障碍物识别 [7-8];随着 BEV(Bird's Eye View)技术的发展,BEVFormer、DETR3D 等 3D 视觉模型实现了无 LiDAR 的三维感知,但其性能依赖大规模标注数据集与强大的算力支撑 [9-10]。LiDAR 凭借不受光照影响、三维测距精度高的特性,成为高阶自动驾驶的核心传感器。
主流 LiDAR 感知技术包括:
* 基于 RANSAC 算法的地面分割 [11],可快速分离地面与非地面点云;
* 基于 DBSCAN、欧式聚类的障碍物检测 [12],能有效提取离散点云中的障碍物轮廓;
* 基于 PointNet 系列的点云深度学习模型 [13],实现了障碍物的分类与语义分割。

但 LiDAR 硬件成本较高,点云数据存在稀疏性问题,在远距离、雨雾雪等恶劣天气下感知性能易受影响,且现有研究多聚焦于障碍物检测精度,缺乏对 LiDAR 点云降噪、障碍物置信度校验的工程化优化,也未实现感知结果与车辆速度控制的联动。惯性与卫星导航感知是无人车状态估计的核心手段。IMU(惯性测量单元)更新频率可达 100Hz 以上,能实时输出姿态与加速度数据,但长期使用会产生累积误差;GPS/RTK 可提供绝对位置信息,定位精度可达厘米级,但更新频率仅 10Hz 左右,易受遮挡影响 [14]。扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)是 IMU 与 GPS 融合的经典方法 [15],通过互补滤波降低单一传感器误差;紧耦合 SLAM 技术(如 RTAB-Map [16])进一步融合视觉信息,提升了无 GPS 场景下的定位鲁棒性,但现有状态估计未充分结合车辆速度闭环控制需求,难以实现精准匀速行驶。



### 1.2.2 多传感器融合技术

Expand Down Expand Up @@ -270,4 +277,4 @@ EKF融合的核心流程包括预测与更新两个阶段:
* [22] Lang H, Vora S, Caesar H, et al. PointPillars: Fast encoders for object detection from point clouds[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 12697-12705.
* [23] 李博, 王飞跃, 曾大军. 深度学习在多传感器融合中的应用综述[J]. 自动化学报, 2021, 47(7): 1289-1308.
* [24] 英伟达. Jetson Xavier NX技术规格书[EB/OL]. https://developer.nvidia.com/embedded/jetson-xavier-nx, 2022.
* [25] Han S, Mao H, Dally W J. Deep compression: Compressing deep neural networks with pruning, trained quantization and Huffman coding[C]//Proceedings of the International
* [25] Han S, Mao H, Dally W J. Deep
Loading
Loading