共查询到20条相似文献,搜索用时 421 毫秒
1.
正百度公司和宝马集团签署了一份谅解备忘录(Mo U),根据该谅解备忘录,宝马集团将作为百度董事会成员,加入百度开放的自动驾驶平台Apollo。该谅解备忘录标志着宝马集团和百度在自动驾驶方面开始了新的合作伙伴关系。这两家公司共同致力于合作,为中国的消费者带来安全、方便和智能的移动性体验。宝马集团正在开发一个自动驾驶平台,提供3级至4/5级(高度自动驾驶)的技术解决方案,以及先进的驾 相似文献
2.
<正>若将过去的汽车看作会行驶的硬件设备,那么,未来汽车则是被诸多软件"赋能"的智慧交通工具。与此同时,自动驾驶技术飞速发展,自动驾驶汽车离不开软件"加持"。近日,Elektrobit与百度Apollo宣布建立战略合作伙伴关系,Elektrobit将为百度Apollo专为自动驾驶开发的先进车载计算平台ACU提供底层技术支持,并通过合作来助推自动驾驶汽车的发展。 相似文献
3.
正安森美半导体公司宣布推出一款可扩展的CMOS图像传感器系列,以满足先进驾驶辅助系统(ADAS)和自动驾驶的应用范围。该传感器具有的分辨率范围从8.3百万像素(MP)到1.2MP,具有业界领先的4.2μm像素的低照度性能。该AR0820AT、AR0220AT和AR0138AT组成一个可扩展的图像传感器系列,其为新一代ADAS和自动驾驶系统提供分辨率系列范围。其他功能还包括高达AS12-e的功能安全性,高的动态范围(HDR),一个行业首创的安全选项,以及 相似文献
4.
为提高网络延迟攻击下自动驾驶车辆定位估计算法的精确度,研究了延迟模型下自动驾驶车辆定位的无偏差有限脉冲响应(UFIR)估计器设计方法,并仿真实验。搭建延迟攻击下的车辆运动学模型,拓展模型至有限长度的时间窗口,推导UFIR算法按批处理式与迭代式表达形式,分析Apollo系统各功能模块的数据流动,基于LG开源自动驾驶仿真器(LGSVL)与Apollo系统,搭建联合仿真测试平台并开展实验。结果表明:与Kalman滤波器(KF)相比,该算法估计精确度更高;当延迟数据出现较大变化时,算法响应速度更快,波动幅值更小,鲁棒性更强。当数据延迟时间小于等于1 s时,估计效果良好。因而,验证了基于LGSVL与Apollo系统进行自动驾驶仿真实验的可行性。 相似文献
5.
正自动驾驶技术的发展带动了图像传感器市场的快速增长,安森美半导体在原有芯片供应的基础上推出了完整的图像传感器产品线,并制定了详细的技术路线发展图。2018上海国际机器视觉展上,安森美半导体介绍了其在图像传感器领域的最新技术及市场战略。近年来,汽车、工业以及消费电子领域对于智能化发展的快速需求,推动了整个图像传感器市场的发展。正是看到了这一巨大市场潜力,安森美半 相似文献
6.
7.
8.
一级供应商现代Mobis已经开发出反向驾驶技术,当汽车反向行驶时,驾驶员不必操作方向盘就可以自主驾驶。虽然已经有一种被称为停车辅助系统(PA)的功能其可以在倒车时自主驾驶汽车,但这是首次专门开发的支持反向驾驶的一种技术。从这项技术开始,现代Mobis计划进一步确保自主反向驾驶技术。 相似文献
9.
10.
11.
12.
Gumpert Apollo
Gumpert是一家德国跑车制造厂商,于2006年成立,它家最广为人知的车型就是是阿波罗(Apollo)了.2008年,Apollo S曾出现在英国著名的汽车节目Top Gear中,节目的御用车手Stig驾驶Apollo S跑出了1分17秒01的单圈成绩,登顶当季圈速榜冠军,远远超过榜单的布加迪威龙以及帕加尼Zonda,为此不少赛车游戏将Apollo设定为最难获取的S级跑车. 相似文献
13.
14.
15.
16.
图像采集是数字化图像处理的第一步,因此开发图像采集平台是任何视觉系统开发的基础.介绍了DH-CG300图像采集卡的工作原理、流程、系统函数库,在此基础上讨论了一种图像采集平台的开发步骤,包括图像采集卡参数设置、图像数据传递和图像处理流程;给出了在此平台上进行图像反色处理的实例. 相似文献
17.
18.
19.
基于端到端数据系统的自动驾驶系统对驾驶图像存在巨大需求。为解决一般生成式对抗网络模型在扩充驾驶图像数据集时不稳定及生成图像特征缺乏多样性的问题,研究1种改进网络模型LS-InfoGAN。结合最小二乘对抗损失防止模型梯度消失,并缓解生成器优化矛盾,提升模型训练稳定性。通过最大化生成图像与真实图像间的互信息提升生成器特征学习能力,改善生成图像特征多样性。利用转置卷积层还原图像特征,提升生成图像特征清晰度。以自主构建的模拟驾驶场景中获取的带标签驾驶图像集对模型有效性及其数据集扩充应用效果进行验证。实验分析表明:相比改进前模型,LS-InfoGAN模型的图像生成过程稳定性平均提升35%;使用此模型扩充的数据集进行端到端自动驾驶系统中决策网络的训练能在不采集新图像的情况下将系统决策性能提升1%~2%;建议使用此模型扩充图像数据集时将生成图像数量设置为原始训练集图像数量的1~2倍。 相似文献