1.AVP|AVP-SLAM论文带读（上篇）（划重点）——华为秦通博士组工作
2.箩筐分享｜AVP基本原理与关键技术解读
3.头显vision pro上的算算法VST技术分析: sensor到display
4.技术交流丨几何伙伴4D毫米波成像雷达赋能自动驾驶
5.有禾不可 | 聊聊泊车：为颠覆而生，智能泊车的法源“天花板”——AVP
AVP|AVP-SLAM论文带读（上篇）（划重点）——华为秦通博士组工作
自主代客泊车对于自动驾驶车辆而言是一种特殊应用。车辆需在狭窄、源码拥挤、算算法无GPS信号的法源停车场中导航，因此精确定位至关重要。源码招聘app源码出售传统基于视觉的算算法方法在弱纹理区域、重复结构及场景变化影响下容易导致跟踪丢失。法源本文利用鲁棒语义特征构建停车场地图并定位车辆。源码语义特征包括导向标志、算算法库位线、法源减速带等，源码这些特征对视角和光照变化稳定、算算法鲁棒。法源利用四个环视相机增加感知范围，源码结合惯性测量单元（IMU）与车轮编码器辅助，系统生成全局视觉语义地图，实现厘米级精度定位。分析系统精度与召回率，并与其它方法进行比较。通过自动泊车应用展示系统实用性。自主代客泊车是自动驾驶中的特殊应用，车辆需自主导航进入停车场，并停入目标车位。由于停车场小、狭窄且拥挤，精确定位至关重要。为避免高成本传感器，本文着重基于视觉定位方法。然而，这类场景对传统视觉方法构成巨大挑战。弱纹理墙面、柱子和地面使得特征提取与匹配不稳定。不同车辆在不同天停入不同位置，环境变化大，基于环境的地图对车辆重定位不可能。为解决此问题，java开源平台源码提出新型语义特征方法。这些特征包括停车场中常见的导向标志、库位线和减速带，长期稳定、鲁棒，适用于视角和光照变化。本文提出基于语义特征的建图与定位系统，使得车辆可在停车场自主导航。系统贡献包括新型语义特征、完整停车场内自主行驶建图与定位系统，以及基于系统执行真实世界自动泊车应用。过去十年开展了大量基于视觉定位相关研究。将方法分为相对定位与全局定位、传统特征方法与基于道路方法。相对定位关注局部帧间相对位姿，常用方法包括视觉里程计、视觉-惯性里程计与激光雷达里程计。全局定位具有固定坐标系，基于视觉、激光雷达等先验地图匹配相机位姿。传统特征方法利用自然环境几何特征进行定位，如角点特征点，广泛用于视觉里程计。基于道路特征方法利用道路标志定位相机，对于光照变化鲁棒，适用于全局定位。本文处理地下停车场挑战性场景，采用新颖语义特征进行定位与建图。系统采用四个环视相机增加感知范围，结合IMU与车轮编码器提供相对位姿。框架由两部分组成：建图与定位。建图过程建立全局语义地图，通过神经网络检测语义特征并投影至全局坐标系下。定位过程利用预建立地图匹配语义特征定位车辆。最后，扩展卡尔曼滤波器融合视觉定位结果与里程计结果，无忧牧场源码确保系统平滑输出，尤其在弱纹理区域有效。本系统采用逆透视变换（IPM）图像，四个环视相机配置常见于高配置商业汽车。内参与外参线下标定后，每个像素投影至车辆中心坐标系下。四个图像合成一张全方位图像，包含全方位信息，特别适用于经常遮挡的狭窄停车场。特征检测采用卷积神经网络（CNN），改进U-Net用于分割图像为不同类别，如车道线、库位线、导向标志、减速带等。局部建图将有用特征投影至3D空间，并维护局部地图，每米一张。回环检测消除里程计漂移，通过迭代最近邻点（ICP）方法匹配局部地图。全局优化消除累积漂移，维护一致性。定位基于语义地图，检测停车场内语义特征并投影至车辆坐标系，通过匹配估计车辆当前位姿。采用ICP方法融合里程计与视觉定位结果，确保系统鲁棒性与轨迹平滑。通过自动泊车应用展示系统实用性。
箩筐分享｜AVP基本原理与关键技术解读
AVP，全称为Automated Valet Parking，即“自主代客泊车系统”。其目标是通过自动化技术，解决传统人工泊车的痛点，如节省停车时间，减少高峰期排队等待。这项技术在自动驾驶领域中具有高挑战性，windows内核函数源码涉及到复杂的细分场景和核心技术。
AVP的核心流程包括用户通过手机远程控制车辆进入、寻找车位、泊入以及召唤车辆。手机与车辆的互联是基础，通过车载控制器、T-BOX、云端服务器和手机APP，实现远程控制。寻找车位则是技术难点，有纯车端自主搜索和车场端引导两种方案，涉及路径规划、车位识别、避障和字符识别等功能。
关键技术包括高精地图，提供停车场的详细信息；SLAM技术用于车辆定位和建图；融合感知和定位则是通过多传感器数据融合，提升环境理解和定位精度；路径规划则是泊车过程中的关键，需要考虑障碍物预测和轨迹规划。
尽管AVP目前仍处于发展阶段，尚未大规模量产，但各大汽车厂商和科技公司都在积极研发。现有的自动泊车功能如APA和HPA，是AVP发展的基础。随着技术进步，我们有理由期待AVP将在未来得到广泛应用，成为智能出行的重要环节。
头显vision pro上的VST技术分析: sensor到display
XR产品汇集了视频处理产业的精华，Apple Vision Pro（AVP）是当前硬件与算法最顶尖的产品，为用户带来出色的体验。几乎解决了眩晕、画质不清晰、视场角较小等常见问题，打造出了最强的体验，与竞争者拉开了显著差距，树立了业界标杆。短期内，股票 商汤科技源码AVP产品在特定工业领域（如制造业、医疗、车载等）将得到广泛应用，为工业设计和生产制造提供高效工具，提升安全性与效率。在消费者领域，随着应用的不断丰富，预计未来两三年内将迎来爆发期，游戏、观影、协同办公等多个场景都将迎来XR技术的革新，带来沉浸式体验与高效交互。
AVP采用全封闭环境设计，安全区概念限制了佩戴者的活动，Apple通过强大的硬件与算法，实现了视觉透视（VST）技术，让消费者仿佛置身于真实环境，彻底摆脱安全区域的限制，无论是走在大街上还是驾驶Tesla、乘坐地铁，都能享受沉浸体验。VST技术从传感器到显示器的细节值得深入分析，未来技术将更加轻薄、光学透射率更高、FOV视场角更大，满足消费者极致体验的需求。
AVP的显示内容来源丰富多样，包括高分辨率的显示、音频播放、支持多种视频格式的播放，以及虚拟画面的渲染。其硬件配置包括高分辨率的Micro OLED屏幕、定制的三片式透镜、以及先进的ISP和CV技术，确保了画面质量与动态范围。R1芯片实现了低延迟与高响应速度，延迟控制在ms以内，为用户提供了逼真的沉浸式体验。
VST技术面临的主要挑战包括现实与显示的一致性、延迟问题。现实与显示之间的差异、人眼与相机的视觉差异可能导致用户不适，延迟问题则影响了用户体验的流畅性。为解决这些问题，研究人员采用镜子折叠光学路径、透镜与显示器合理布局、先进的ISP与CV技术、以及异步空间扭曲与时间扭曲技术等方法，实现虚拟与现实的无缝融合。
此外，虚实融合问题涉及空间位置与深度估计、遮挡关系的准确判断，以及位姿估计等关键环节。6DoF位姿估计确保了虚拟物体在空间中的正确对齐，是VST技术实现虚拟与现实融合的关键。通过SLAM算法进行定位与重建，以及立体视觉或ToF深度估计方法，可以有效解决空间位置与深度估计问题，提升用户体验。
AVP采用的DPU与DDIC技术则为整个系统的高效运行提供了支持，确保了图像处理、显示控制等关键功能的稳定与高效。综合来看，AVP通过强大的硬件与算法，实现了从传感器到显示的无缝连接，为用户带来了前所未有的沉浸式体验与高效交互，推动了XR技术的创新发展。
技术交流丨几何伙伴4D毫米波成像雷达赋能自动驾驶
第五届汽车毫米波雷达前瞻技术展示交流会在苏州国际博览中心成功举行，几何伙伴产品总监周明宇在会上发表了《4D毫米波成像雷达赋能自动驾驶》的主题演讲，赢得了在场专家和嘉宾的广泛认可。同时，几何伙伴因自主研发的高分辨率4D毫米波成像雷达荣获“汽车毫米波雷达Radar领军企业奖”。
会议由智车行家与易贸信息科技共同主办，邀请了行业上下游知名企业及余位行业专家，共同探讨汽车毫米波雷达在自动驾驶领域的技术应用与发展。
一、几何伙伴在4D毫米波成像雷达领域的创新突破
毫米波雷达作为智能网联汽车的关键零部件，对汽车智能化发展起着至关重要的作用。在高速发展的背景下，面对复杂场景需求，传统点迹雷达存在诸多技术瓶颈。为解决这些问题，几何伙伴在4D毫米波成像雷达的阵列设计、波形设计以及信号处理方面进行了技术创新。
在阵列设计上，几何伙伴致力于满足二维角度分辨率需求，优化系统测量动态范围和天线方向图副瓣最低。通过不断优化，雷达点云信息质量得到了显著提升。
波形设计的目的是实现包括隔离度、测速范围、相干性、抗互扰能力在内的各种指标平衡。通过持续优化，几何伙伴实现了雷达的高隔离度和良好抗干扰性能。
在信号处理方面，几何伙伴基于经典算法框架，通过释放更多信号级信息，如距离多普勒图、距离角度图和微动特征等，提升了4D毫米波成像雷达的信息量和目标检测率，实现了从点迹雷达向成像雷达的进化。
几何伙伴的4D毫米波成像雷达解决了传统雷达的问题，提高了高质量雷达点云信息的输出能力，实现了从点迹雷达到成像雷达的飞跃，性能达到了业内领先水平。
二、高性能软硬件集成方案推动高阶自动驾驶加速落地
随着智能网联汽车的快速发展，产业链各环节需要协同合作，以高性能硬件和灵活软件集成方案作为最优解决方案之一。4D毫米波成像雷达不仅要在分辨率和探测距离等方面不断突破，还需与多传感器和算法融合，实现软硬件协同发展，提升感知性能，优化性价比，为客户提供更好的感知产品。
周明宇表示，作为自动驾驶领域的新锐创新企业，几何伙伴依托自主研发的超高分辨率4D毫米波成像雷达，结合可见光视觉、红外成像等多传感器，以及深度学习高性能软件算法，实现了远距离目标稳定追踪、近距离目标轮廓勾勒，静态目标全息感知，以及恶劣天气环境下的SLAM功能，确保车辆全天候全时段运行，满足AVP、TJP、HWP等多种智驾功能与场景需求。
几何伙伴提供集感知、决策、规划和控制为一体的全栈式自动驾驶系统软件，能够提供面向L2-L4的基于机器感知和深度学习的自动驾驶软硬件集成系统和总体解决方案。公司致力于前沿技术创新，通过持续优化系统性和成本性能，满足市场需求。
几何伙伴荣获“汽车毫米波雷达Radar领军企业奖”，体现了行业对其技术实力的认可。未来，几何伙伴将加速赋能自动驾驶，推动中国智能汽车产业快速发展。
几何伙伴成立于年月末，是一家集自动驾驶软硬件产品研发、制造、销售和生态建设于一体的高新技术和专精特新企业。公司汇聚了国内外汽车传感器和自动驾驶领域的杰出技术专家团队，以4D毫米波成像雷达为核心传感之一，结合可见光视觉、红外成像等传感器打造全天候像素级融合感知系统，并在此基础上开发全栈式自动驾驶系统软件，能够提供面向L2-L4的自动驾驶软硬件集成系统和总体解决方案。更多信息，请访问 geometricalpal.com 。
有禾不可 | 聊聊泊车：为颠覆而生，智能泊车的“天花板”——AVP
本文聚焦于自动泊车技术的高级阶段，以“天花板”级别的AVP（Automated Valet Parking）系统为例进行解析。AVP系统旨在实现车辆的自主寻找车位、停车入库和取车等代客泊车功能，尤其在复杂场景如地下停车场、夜晚和雨雪天气下，提供智能代客泊车体验。
首先，高精地图是AVP系统的核心要素，提供车辆对停车场布局的精准认知。与手机导航地图相比，高精地图在精度、交通要素丰富度等方面有显著优势，能精确告知车辆停车位、通道、立柱、标志牌、地面线等信息，为车辆规划行驶路径和定位提供基础。
为了应对停车场更新和高精地图缺失的问题，AVP系统具备自动更新地图功能，确保车辆始终获取最新、最准确的地图信息。同时，探索车端建图+云端共享的众享地图方案，旨在解决新停车场或偏远地区地图覆盖不足的问题。
车端智能是自动泊车的另一关键。通过结合GNSS、IMU、相机、激光雷达等硬件和SLAM融合定位技术，实现厘米级的精准定位。在此基础上，车辆还需进行路径规划，选择最优停车路线，并利用感知传感器实时识别动态和静态障碍物，确保安全。
停车场端的智慧化升级是AVP系统的重要组成部分。通过AVP Marker、AVP车位网联设备和AVP后台管理系统，实现车辆与停车场的高效沟通。其中，AVP Marker辅助车辆感知，AVP车位网联设备实现信息同步与盲区感知，AVP后台管理系统支持多车调度。
在推动AVP技术普及方面，禾多科技与行业伙伴共同参与标准制定，如《TCSAE - 自主代客泊车系统总体技术要求》。通过三端合一的解决方案，AVP系统在安全性、效率和成本控制方面取得了显著进展，有望在智慧交通领域创造更大价值。
最后，文中提到了AVP系统未来的发展前景及与行车自动驾驶技术的关联，旨在为读者提供全面的自动泊车技术概览，同时预告下期内容将深入探讨禾多科技的HoloPilot行车自动驾驶系统。
