# 1. 仿真概述.## 1.1 什么仿真？.仿真是使用其它相似的系统来**模仿**真实的需要研究或使用的系统，其所遵循的基本原则是相似性原理。仿真从框架上涉及到两个系统：1) **被仿的系统**：需要研究或使用的系统；2）**仿真出来的系统**：在用户侧视角与被仿的系统有一定相似性。.注意：这里的系统是个抽象的概念，可以是软件，也可以是硬件，还可以是复杂的综合事件。**在J6开发平台中，仿真的对

智能驾驶系列课程问题与反馈交流学习，内容敬请期待

一、CMakeLists.txt基本语法语法格式:指令(参数1 参数2...)1，参数间用空格或分号隔开。2，指令大小写无关，参数和变量大小写相关。3，变量用${}方式取值，但在if语句中直接用变量名。二、CMakeLists.txt重要指令1，cmake_minimum_required ：指定CMake最小版本要求语法: cmake_minimum_required(VERSION Versi

地平线智能驾驶开发者社区三期培训课件端到端智能驾驶理论与实践专题端到端智能驾驶算法祥解端到端自动驾驶技术的发展及现状

https://wfe98ct7by.feishu.cn/docx/Qn7GdLU65oGIpLx5fuCcUYGWnCb?from=from_copylink

1_J6E 相关性能测试 · 钉钉文档 (dingtalk.com)

https://wfe98ct7by.feishu.cn/docx/YHDvddtgUon1XmxbO8ncZ0fFnsh?openbrd=1&doc_app_id=501&blockId=G4vNdj4SboaMc9xcoWdcLxE3nxh&blockType=whiteboard&blockToken=Ed2WwbFpThqYuwbh7o8cRc5EnLf#G4vNdj4SboaMc9xco

.一. DETR简要介绍.DETR是第一篇将Transformer应用到目标检测方向的算法。DETR是一个经典的Encoder-Decoder结构的算法，它的骨干网络是一个卷积网络，Encoder和Decoder则是两个基于Transformer的结构。DETR的输出层则是一个MLP。.它使用了一个基于二部图匹配（bipartite matching）的损失函数，这个二部图是基于ground tr

基于vscode调试地平线J5工具链代码教程.一. 准备J5工具链代码和环境.1. 下载代码.这里是代码下载路径：https://developer.horizon.cc/forumDetail/118363912788935318.2. 代码运行环境（本文档以docker环境做介绍）.解压下载的代码包，并进入代码工程：..![Description](https://prod-dc-resour

## 【笔记】模型转换yaml文件的配置..在模型转换过程中，使用的yaml配置文件中的参数可分为四个模块，具体如下表中所示。..| 模型转化相关的参数 | 模型输入相关参数 | 模型量化相关参数 | 编译器相关参数 |.| ------------------ | ---------------- | ---------------------- | -----------

1. 引言 在 3D 标注场景中，我们经常需要从 2D 图片中找到目标物，对应在 3D 点云中的位置。这可以帮助我们更准确地标注 3D 点云中的物体、场景等信息，从而为后续的 3D 识别、重建等任务提供更多的信息，同时降低标注成本，提高标注准确率和效率。 本文档将介绍如何从 2D 图片中找到在 3D 点云中的位置，包括确定图片在3D点云中的照射范围和在2D图片中找到的像素点在3D点云中的位置

一. Ultra-Fast-Lane-Detection-v2 简要介绍         车道线检测是自动驾驶和高级驾驶辅助系统(ADAS)的基本组成部分，用于识别和定位道路上的车道标记。虽然深度学习模型已经取得了巨大的成功，但仍有一些重要和具有挑战性的问题有待解决。          第一个是效率问题。在实际应用中，由于下游任务对检测速度要求较高，在车辆计算设备有限的情况下，车道检测算法被快速执

  一、yolov8简要介绍 Yolov8建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性。Yolov8具有以下特点：1. 高效性：Yolov8采用了新的骨干网络、新的Ancher-Free检测头和新的损失函数，可在CPU到GPU的多种硬件平台上运行，使得模型在运行速度和准确性方面都表现出色。2. 创新性：Yolov8借鉴了Yolov5、Yolov6、Yolo

《智能驾驶与计算架构》一书系统性地介绍了智能驾驶技术的核心组成部分及其发展。第一章"智能驾驶计算概述"为读者提供了智能驾驶的基础概念和计算需求。接下来的章节深入到智能驾驶的各个方面：第二章详细讨论了"智能驾驶计算架构"，第三章聚焦于"智能驾驶计算芯片"的关键作用， 第四章和第五章分别介绍了"智能驾驶硬件平台"和"智能驾驶软件平台"，构建了智能驾驶系统的物理和逻辑基础。第六章进一步探讨了"智能驾驶

# 使用Yolov5训练手势检测.## 1.手势数据.### 1.1手势数据集介绍.+ hagrid数据集既可以做手的检测任务，还可以做手的图像分类任务。该数据集总大小为716GB,包含552992张rgb图像，图像的分辨率1920x1080，总共有18类静态手势，类别如下：.![Description](https://prod-dc-resources.oss-cn-beijing.aliyu

研究意义：Occupancy Network算法可以更好的克服感知任务中存在的长尾问题以及更加准确表达物体的几何形状信息而受到来自工业界和学术界越来越广泛的关注。Occupancy Network算法本质上是一个3D分割任务，通过将想要感知的3D空间划分成固定大小的体素网格，并让算法去预测每个体素网格被占用的概率以及可能包含的目标类别从而实现对全场景的感知。因其是对空间中的所有体素进行分类，所以对

《智能驾驶与三维重建》从智能驾驶与机器视觉的基础理论出发，在第1章绪论中对整个领域进行了概述。接着，深入探讨了特征检测与匹配技术，为理解机器视觉中的帧运动估计打下基础。第4章至第5章进一步讨论了运动恢复结构和多视图稠密匹配，这些技术对于3D场景理解至关重要。 第6章介绍了纹理表面重建的方法，为3D模型的生成提供了技术支撑。第7章则关注于3D可视化，展示了如何将复杂的3D数据以直观的方式呈现出来。

小车踩坑记录⼀、电池 1. 电池放电问题电池不能在无电情况下放置过久，否则可能会导致电池质量问题2. 继电器控制 小电池通过由小无线开关控制的继电器向外输出 12V 。小电池上电后，才能进行各类操作。如果继电器损坏，可以尝试直接进行短接以保证 12V 正常供电。3.电量显示如果大电池的电量显示不够准确，可以通过小屏幕上的电压判断电量。⼆、遥控1. 电量显示:遥控器上显示的电量分别为小电池电量和遥控

最近，我们对地平线公司研发的自动驾驶AI芯片进行了学习和研究，收获颇丰。除了在技术方面的学习之外，它的理念也给我带来了很大的启发。.地平线的AI芯片包括旭日系列和征程系列。下面以征程5为例来讲解其理念。..## 结果导向.征程5芯片不仅拥有比一些其他国产芯片更强大的TOPS处理能力，还非常关注每秒帧数（FPS）处理能力。.对于自动驾驶这种非常强调实时性的应用场景来说，FPS是非常重要的一点。高FP