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

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

# 基于地平线AI芯片的电动车进楼入户检测系统..## 项目简介：..2023 年中国电瓶车保有量突破 3.5 亿，已成为群众重要出行工具之一。 为防丢失并方便充电，部分高层用户常将电瓶车骑入电梯运回住宅，带来严 重安全隐患：仅 2022 年前 10 个月电瓶车自燃引发火灾事故约 1.8 万起，同 比增长 27.5%，且在电梯等密闭空间致死率更高，急需通过技术手段实现入 梯预警并及时制止。本项目基

**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

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！