那是你没搞懂……


【 在 kettle 的大作中提到: 】
: 那你还能说出这种不着调的话来
:
--
FROM 120.245.118.*

现在装了的激光雷达基本也是摆设，数据没送到计算中心
【 在 djkstra 的大作中提到: 】
: 速腾聚创早盘暴跌65%
: --
: FROM 14.154.31.*
--来自微微水木3.5.14
--
FROM 182.39.52.*

我调研过，毫米波雷达目前还是输出稀疏的2D点云（一个目标一个点），毫米波经目标反射，内部经过处理是距离-多普勒数据，靠dbscan聚类输出xy、v、rcs值（可以认为是响应强度）；为了去噪往往会过滤掉静止目标。23年之前是2D点云通过1x1之类的layer融合到可见光特征以后进行OD操作，网络学到的是运动目标的运动位置信息，比后融合要好一些；23年之后dnn应用到距离-多普勒特征，一些特殊的卷积之类的操作以后，后续都是较常规OD用的dnn layer了，往往和可见光融合在一起以后接多个输出头，模型理论上学到更多的信息，这个实战从传感器角度感觉应该会不错，毫米波的物理特性，雾天比各种光强的不是一星半点，数量级的优势…

鼓吹端到端的，都未必理解你最后一句噪声数据的含义，其他人就更更费劲了，老实说本站能这么理解的人不多，这个从去年我就开始这么说了，没几个人能理解到。

目前hw3加了数据就能解决12.4.1飘车道的问题，看起来新的模型评估方法需要突破，目前已知的是12.3.6会与v11最后一版对比评估，但人工干预稀少以后使得模型评估变难了，评估方法突破之后就是另一个飞跃了。
【 在 zwordcn 的大作中提到: 】
: 毫米波成像不了解。
: 但从根本上讲，道路交通是围绕人的，如果自动驾驶AI是对人类的模仿，那么神经网
: 络的输入就应该只参考人类的感知。
: ...................
--
修改:hsv FROM 218.108.210.*
FROM 218.108.210.*

赞，学习了。

【 在 hsv 的大作中提到: 】
: 我调研过，毫米波雷达目前还是输出稀疏的2D点云（一个目标一个点），其内部是距离-多普勒数据，靠dbscan聚类输出xy、v、rcs值（可以认为是响应）；为了去噪往往会过滤掉静止目标。23年dnn应用到距离-多普勒特征，一些特殊的卷积之类的操作以后，后续都是较常规的dnn layer了，往往和可见光融合在一起以后接多个输出头，这个实战从传感器角度感觉应该会不错，毫米波的物理特性，雾天比各种光强的不是一星半点，数量级的优势…
: 鼓吹端到端的，都未必理解你最后一句噪声数据的含义，其他人就更更费劲了，老实说本站能这么理解的人不多，这个从去年我就开始这么说了，没几个人能理解到。
: 目前hw3加了数据就能解决12.4.1飘车道的问题，看起来新的模型评估方法需要突破，目前已知的是12.3.6会与v11最后一版对比评估，但人工干预稀少以后使得模型评估变难了，评估方法突破之后就是另一个飞跃了。
--
FROM 114.254.139.*

激光雷达是没有颜色信息的，无法分辨物体属性和运动轨迹，这也就无法实现行驶轨迹规划，
只有实现了轨迹规划，也有是我们常说的预判，自动驾驶才有可能行云流水，而不是碰到一点障碍就赶紧刹车

【 在 yt710 的大作中提到: 】
: 合成孔径雷达在太空都能无视天气拍摄地面实物图片，现在的激光雷达分辨率还是低了，等1000线以上的激光雷达产品出来，就能像摄像头一样拍摄清晰的图像，在端到端替代摄像头就是顺理成章的事。
: 发自「快看水母 于 MAG-AN00」
--
FROM 120.229.75.*