自动驾驶前沿

目前3D目标检测领域方案主要包括基于单目、双目、激光雷达点云、多模态数据融合等方式，本文主要介绍基于单目、双目和伪激光雷达数据的相关算法，下面展开讨论下~

分割，作为最基础的视觉感知任务和自动驾驶底层的感知模块，承担着很重要的作用。但逐像素的标注需求饱受诟病，相比于目标框标注，属实是太太太太慢了。

感觉这个笔记还是没有记录得很到位，因为有些信息确实也是我的盲区，但是整个讲解过程，其实巨棒，我这里小小一篇杂谈，其实还不足以记录这么多内容。

介绍了一种新的自动标定方法。它使用球体来进行激光雷达和相机校准。根据激光雷达点云和图像分别计算球体的中心。在激光雷达点云中。采用RANSAC和LSQ回归算法对椭圆中心进行鲁棒性确定。

目前，在鸟瞰图 (BEV)中检测3D目标要优于其它用于自动驾驶和机器人领域的3D目标检测器。但要将图像特征转化为BEV需要特殊的操作进行特征采样。

目前，数据集的数据来源主要包括相机（图片），摄像头（视频序列），激光雷达（点云），毫米波雷达，4D 成像毫米波雷达，IMU, GPS等，而相对应的任务主要包括：点云分割，目标检测与追踪等。

本文提出的 M2BEV 框架并不完美，当路况复杂时，3D检测和BEV分割都存在失败案例，如下图所示。虽然本文的方法在基于相机的方法中优势比较明显，但与基于LiDAR的方法相比仍有很大的改进空间。

自动驾驶正成为影响未来行业的关键技术，传感器是自动驾驶系统中感知外部世界的关键，其协作性能直接决定自动驾驶车辆的安全性。本文主要讨论了近年来自动驾驶中多传感器融合的不同策略。

环视鱼眼摄像机通常用于自动驾驶中的近距离感知，车辆四面的四个鱼眼摄像头足以覆盖车辆周围的360°范围，捕捉整个近距离区域。一些应用场景包括自动泊车、交通拥堵辅助等。

在精确检测车速车距的方案中，视觉方案是非常具有挑战性的，但由于没有昂贵的距离传感器而大幅降低成本，所以潜力巨大。本文综述了基于视觉的车辆速度、距离估计。并建立了一个完整的分类法。

自动驾驶、计算机视觉和AI领域不可错过的公司！更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D感知、多传感器融合、目标跟踪）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制即将发布！