**Understanding the Limitations of Vehicle-Infrastructure Cooperative Perception**..随着多智能体系统在各个领域的快速发展，协作感知作为一种关键技术引起了广泛关注，以提升自主系统的智能水平。然而，面对实际复杂场景时，单一智能体的感知能力往往受到遮挡和感知范围有限等问题的制约。为此，多智能体间的协作感知应运而生，通过合

现有标注方法的局限性在自动驾驶领域，静态地图元素的精确标注是实现高精度环境感知的关键。然而，现有的公共数据集在一致性和准确性方面存在局限，无法满足日益增长的高精度训练数据需求。图一展示了 nuScenes 数据集中的默认高清地图无法在一致性和准确性两个方面提供准确信息的示例。一致性强调了 3D 注释和 2D 图像之间的对应关系。例如，在某些区域，高清地图中提供了车辆和自行车道之间的车道分隔线。同时

ADAS中的关键角色：行人碰撞预警行人碰撞预警系统（Pedestrian Collision Warning，PCW）是ADAS中的关键组成部分，它通过计算行人与车辆的位置和运动状态，评估潜在的危险程度。然而，现有的系统通常依赖激光雷达（LiDAR）和立体摄像头来测量行人-车辆的距离，这在资源受限的环境中难以应用。然而，现有的方法通常依靠一组子任务来协助预测过程，其中包括计算碰撞时间 (Time

FatigueView: A Multi-Camera Video Dataset for Vision-Based Drowsiness Detection引言困倦检测在驾驶员检测系统、智能办公等领域中至关重要。然而，困倦检测所用的传统的数据集虽然有较大成功，但是通常有相机点位不够全面、无法应对现实挑战、相机类型单一、难以精准的发现困倦等问题，使得现有数据集对于实际应用有较强的限制性。Fatig

## 一、引言..在计算机视觉领域，目标检测一直是一个重要且活跃的研究方向。传统的目标检测方法，如经典的YOLO（You Only Look Once）系列，通过在图像中绘制轴对齐的矩形边界框来定位目标。然而，对于某些应用场景，如遥感图像、无人驾驶和工业检测等，目标往往具有任意的方向和姿态。传统的轴对齐边界框可能无法精确地描述这些目标的形状和位置。..为了解决上述问题，YOLOv8-OBB（Ori

打哈欠检测的挑战在驾驶员监控系统中，实时检测驾驶疲劳对于预防事故至关重要，而准确检测打哈欠是识别疲劳驾驶的重要手段。疲劳驾驶是全球道路事故的主要原因：超过71%的司机承认每周至少有一次疲劳驾驶。实时检测驾驶疲劳对于预防事故至关重要。在疲劳特征中，打哈欠是常见迹象，可作为衡量驾驶员疲劳程度（主要是早期水平）的标准。传统方法无法很好处理实际的实时需求和长程情况，例如当被检测人捂嘴打哈欠或是侧着脸打哈欠

# 解决屏摄图片识别问题！全新摩尔纹提取-检测方法..## 摩尔纹现象..对经常使用手机拍摄屏幕PPT/文档的朋友来说，拍摄图片出现水波状空白纹理的现象绝对不陌生，这就是屏摄图片产生的摩尔纹。从信号采样处理的角度来说，摩尔纹现象的出现是由于使用离散传感器对连续信号进行采样而出现的失真问题，具体而言是由于在拍摄屏幕时由于LED点阵的高频变化信号与摄像机传感器的采样单元数不能满足奈奎斯特采样定理的需求

《智能驾驶与人机交互》汇聚了众多该领域的专家学者及参与过智能驾驶汽车量产项目的资深工程师，他们负责撰写或审校本书。这些作者和审稿人凭借其深厚的专业知识和丰富的实践经验，为读者提供了智能驾驶领域的前沿技术和实际应用的宝贵信息。本书不仅系统地介绍了相关的理论知识，还深入分享了智能驾驶开发过程中的关键技术和实用技巧，确保读者能够获得全面而深入的学习体验。 首先第1章概述了智能座舱的发展的历程、场景的分

Towards Accurate Ground Plane Normal Estimation from Ego-Motion摘要本文提出了一种新颖的轮式车辆地平面法线估计方法。在实际应用中，由于制动和不稳定的路面，地平面会动态变化，因此估计地平面法线对提高自动驾驶任务的鲁棒性具有重要意义。本文的方法仅使用里程计作为输入，并实时估计准确的地平面法线向量。通过多次实验验证了其可用性和显著的鲁棒性改进

RoMe: Towards Large Scale Road Surface Reconstruction via Mesh Representation 在自动驾驶领域，高效准确的路面重建至关重要，特别是在设计训练和验证BEV感知相关的任务时，更加凸显了大规模路面重建的价值。RoMe是一种专门为大规模路面重建而设计的全新框架。RoMe利用网格表示准确重建路面，并且与语义无缝对齐。RoMe提出Wa

骨架提取的任务引入骨架（或中轴线）具有在二进制形状和自然图像中提供紧凑而有意义的对象表示的潜力（以下简称为“形状”和“图像”），适用于图像表示和各种多媒体应用。在实践中，对象骨架通常以图形格式编码，即“骨架图”，以便于骨架修剪、匹配、分类和分析任务。为了术语的清晰，通常将各种骨架图组件定义如下：1) 端点：骨架点只有一个相邻点。2) 交叉点：有三个或更多相邻点。3) 连接点：既不是端点也不是交叉点

2023年7月1日-2日，由苏州大学未来科学与工程学院（下文简称“未来学院”）与北京地平线机器人技术研发有限公司（下文简称“地平线”）联合举办的“基于国产大算力芯片车内外感知”暑期大创集训圆满结束。在这次活动中，我们在学习中提升专业技能，在项目实践中锤炼自己。 本次集训筹备历时近一个多月，由未来学院杨聪副教授及地平线工程师康晋洁、阚英凡担任讲师，来自苏州大学未来学院及计算机学院近25名师生参训。

《智能驾驶与机器视觉》是苏州大学与地平线合作，特邀相关专家及参与智能驾驶量产车型的一线工程师为本书作者或审稿人。他们从领域知识与开发经验出发，为本书带来智能驾驶开发与实践的第一手资料，确保本书的读者不但可以掌握体系化的背景知识，还能学到各个开发环节的“干货” 这本书详细介绍了智能驾驶相关知识以及所需视觉感知算法。从第1章开始，概述了智能驾驶分类、现状以及与机器视觉的技术关联；第2章详细介绍了智能

引言Apollo赛事围绕自动驾驶车辆在城市道路的行驶场景，开展自动驾驶软件算法研究。按照赛题要求，基于本地dreamview进行赛题场景开发测试，测试完成后按照规则提交代码到ApolloStudio线上评测系统进行评测。赛题1--靠边启动1.赛题要求：绕开障碍物驶入主路，且与障碍物保持1米距离。2.赛题思路：直接运行，小车并不会驶入主路。一直处于ParkAndGoStageAdjust阶段。观察日

机器人操作系统（ROS)是无人驾驶领域所涉及的关键技术平台，一起来学习ROS成为机器人操作系统大师吧！

VRSO: Visual-Centric Reconstruction for Static Object Annotation静态物体检测（Static Object Detection，SOD）涉及识别交通信号灯、导向牌和交通锥等静态交通标示物。目前，大多数算法依赖于数据驱动的深度神经网络，并且需要大量的训练数据。传统的方法通常涉及在激光雷达（LIDAR）扫描的点云数据上手动标注大量训练样本，

引言在自动驾驶、机器人导航以及增强现实等领域，SLAM（Simultaneous Localization and Mapping，即同时定位与地图构建）技术扮演着至关重要的角色。然而，传统SLAM系统多针对静态环境设计，面对动态环境中的挑战，如移动物体的干扰，其性能往往受限。近年来，语义信息的融合为SLAM系统在动态环境中的适应性带来了显著提升，但随之而来的计算成本问题，使得实时性成为一大难题。

误匹配难题相对相机姿态估计(RCPE)是计算机视觉和机器人技术中一个长期存在的问题（误差图片如图1所示），它是指计算具有重叠区域的两帧之间的平移和旋转。RCPE对于视觉同步定位和绘图(vSLAM)也是必不可少的。值得注意的是，vSLAM的跟踪过程是一系列rcpe。在实践中，RCPE场景根据重叠区域和两幅图像的姿态差异分为宽基线和窄基线两种情况。然而，现有的RCPE方法主要集中在宽基线病例上，很少涵

J6E OTA升级时会对Rcore和Acore同时升级。EMMC中的镜像包由Acore直接刷写，NorFlash镜像先由Acore通过IPC发送给Rcore，再由Rcore进行刷写Xspi控制器在mcu域，xspi-norflash的驱动也在mcu域实现，Acore想访问norflash介质需要通过核间通信的方式间接访问。如图所示，用户通过mtd层发起读写请求，mtd层会调用virt-xspi

YOLO由Joseph Redmon等人于CVPR 2016年发表。它首次提出了一种实时端到端的目标检测方法。YOLO的名称代表"You Only Look Once"，指的是它能够通过网络的一次传递完成检测任务，而不像先前的方法，它们要么使用滑动窗口后跟随分类器，需要在每个图像上运行数百或数千次，要么使用更先进的方法，将任务分为两个步骤，其中第一步检测具有对象的可能区域或区域提议，第二步在提议