无人驾驶 Driverless Car

Google无人驾驶汽车是SebastianThrun的智慧结晶,这位43岁的斯坦福大学人工智能实验室的主任是谷歌工程师和谷歌街景地图服务的创造者之一。     

自动驾驶地图的发展路线探析

地理信息与国家安全密切相关,设计到了方方面面的工作内容,因此,在地图测绘的工作过程中,许多工作都有着在严格的限制.尤其是在高精度地图的测绘工作中,需要专业化的工作人员、专业的测绘工具等开展工作,还需要有甲级测绘资质的单位,完成专业化的工作.因为自动驾驶对于高精度地图有着依赖性的要求,也是在精度方面提出了更好的要求,自动...     

2018年保时捷卡宴(E3) 电气系统 结构原理与维修(十三)

在应用程序中,驾驶员可以获悉有关充电站的信息,包括空闲的充电站数量以及充电基础设施处的设备情况.如图179所示显示的充电站提供2型接口和400V电源.     

HYVA用实绩点亮中国梦想

2005年4月28日,中国海沃机械(扬州)有限公司周年庆典晚会上,一幅由无数红色彩灯勾勒的中国地图被来自全国十大片区的销售经理一盏盏点亮.海沃,这个国际品牌扎根中国的轨迹,被形象而鲜明地展示在人们面前.就这样,海沃机械(扬州)有限公司用实绩点亮了海沃集团在中国的梦想.     

基于3D点云语义地图表征的智能车定位

为提高智能车节点定位准确率, 研究了基于3D点云语义地图表征的智能车定位方法。该方法分为3个部分: ①基于三维激光点云的语义分割, 包括地面分割, 交通标志牌分割和杆状语义目标分割; ②面向智能车的点云语义地图表征, 利用分割的语义目标投影, 生成带权有向图, 语义路, 语义编码, 再以语义编码和高精度GPS的全局位置组成语义地图表征模型; ③基于语义表征模型的智能车定位, 包括基于GPS匹配的粗定位和基于语义编码渐进匹配的节点定位。实验在3种长度不同、复杂度不同的道路场景下进行, 节点定位准确率分别为98.5%, 97.6%和97.8%, 结果表明所提出的定位方法节点定位准确率高、鲁棒性强且适用于不同的道路场景。     

基于车速推算的改进地图匹配算法研究

车载GPS/DR组合导航监控系统中,GPS/DR数据不可避免受到各种误差源的影响而产生较大的误差,为了降低各种误差源对车辆导航的影响,有机结合能改善GPS/DR数据误差对导航影响的地图匹配算法,从而构成了GPS/DR/MM智能导航系统.文中通过分析地图匹配算法的关键技术和影响地图匹配算法可靠性等因素,提出一种基于车速递推的地图匹配算法,该算法利用基本可信数据--车速,从而很大程度地提高了地图匹配算法的可靠性.通过跑车实际数据测试表明,该算法是行之有效的.     

新一代LBS Engine设计

本文概述了作者对于新一代LBS Engine产品的设计理念和功能定位，提出了定制地图风格，地图数据差分下载等新的想法，并屏示了部分已开发程序的界面，最后本文亦对位置服务软件的市场前景进行了展望。     

应用于列车控制系统的地图数据库的研究

本文叙述了一种应用于列车控制系统的铁路地图数据库的设计方法。根据铁路轨道的拓扑结构以及列车控制系统的功能要求，对铁路地图数据库的内容进行了定义，并且对其中的地图精度问题提出了解决的方法。     

自动引导车辆(AGV)地图生成方法研究

提出了在人工导引方式下生成AGV数字地图的方法.利用立体视觉提取障碍物边界点,将不同视点处得到的观测集成到数字地图中,进一步提高数字地图的精度.由于AGV运动的不确定性,在将最新的观测集成到地图中之前,通过匹配新的观测数据与地图数据计算AGV位置.实验表明了该方法的有效性.     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明：GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。