自动驾驶

1提供协程级别或者线程logger你可以视作是python的logging日志，提供不同级别的日志存储2提供es的查询方式结合前端展示日志3它有极致的性能让你可以忽略由日志带来的IO延迟问题

多模式驱动支持差速驱动底盘设计支持全向移动（前进/后退/原地旋转），最高速度可达1.5m/s且具备三档可调模式；紧急制动响应时间＜200ms，遇到突发障碍时可瞬间停止避免碰撞。

robotToool工具开发项目，采用apollo的开发技术栈，将cyber通讯技术应用到开发项目中(之前主要是GRPC通讯技术)，简化了开发模式，提高了开发效率。业务层面上，基于二代车载实现了可视化的软件参数配置，硬件参数配置，状态上报，升级维护，一体化标定等基础功能，简化了车间设备操作的步骤，提

针对自动驾驶场景对YOLOv7的网络架构和参数进行了专项优化。在Backbone部分引入ECA与CBAM，强化多尺度特征融合能力；将Neck层的PAN结构改进为双向特征金字塔（BiFPN），提升小目标检测鲁棒性。调整了锚框尺寸分布，新增针对车辆侧面和锥形桶的细粒度锚点。训练策略上采用余弦退火学习率+EMA权重平滑，并引入动态困难样本挖掘机制。

1. 本项目是自动驾驶技术在无人化清洁场景的具体落地，可代替人工作业； 2. 本项目中的技术点涵盖广大，涉及到自动驾驶、人工智能、机器人等领域的技术； 3. 本项目是硬件、软件、算法的集成体； 4. 本人主导并参与了本项目中的全部工作，有完整的技术路线和完整的技术框架，可以快速迭代； 5. 本人对自动驾驶、机器人、人工智能领域的相关技术点都有涉及、可以兼顾多个技术点的研发。

确定需要讲哪些内容，每个内容多少学时； 软件面向自动驾驶行业的数据挖掘部分； 从海量的数据实车数据中筛选出对模型训练具有高价值的数据，从而加速模型和软件的迭代； 软件方案采用主动学习方法，具体策略包含uncertainty、core-set、learning loss、交叉熵等。通过这些策略来筛选出高价值数据，实现模型的持续迭代。

DAMO-StreamNet 模型介绍 任务说明 本模型所述的任务为流感知（Streaming Perception）任务，该任务为视频目标检测（Video Object Detection, VO

LongShortNet 模型介绍 任务说明 本模型所述的任务为流感知（Streaming Perception）任务，该任务为视频目标检测（Video Object Detection, VOD）

DEPE模型介绍 基于多摄像头的纯视觉3D目标检测方法在自动驾驶领域得到越来越广泛的关注。DEPE模型采用Transformer的end-to-end的结构设计，无需传统检测方法中手工设计的要素(如a

视频目标检测 自动驾驶实时视频检测模型, 把周围环境检测问题，转化为将来环境预测问题，从问题定义的层面解决自动驾驶中环境感知时延的问题。该任务定义为流感知（Streaming Perceptio

我负责了自动驾驶规划算法的设计（100%），包括lattice规划算法，与carla的联合仿真，实现自动驾驶场景下的模拟。场景包括静态障碍物避障，动态障碍物避障和停障，可以为机器人公司提供基础的算法研究平台和实战平台。

1、项目分为：自动为驾驶数据记录系统，数据采集模块，数据加密模块，数据存储模块，数据读取模块，数据传输模块 2、项目采用：Python、C、java、自定义数据存储方式，采用国产Rk系列车规平台 3、难点：毫秒级can数据采集与存储，实时数据解析，基于国产车规的设备整合设计

1. 项目可进行无人艇运动控制仿真，包括路径跟踪、多目标避障.一个插值跟踪，一个人工势场避障，只有简单的例子。无人船的水动力系数和其他参数可以按实际船型在boat.ini文件中修改。 2. 个人拥有该仓库账号，开发了全部源代码。

1.雷达 视觉 雷视融合产品 应用自动驾驶和车路协同 智慧交通 负责 架构设计 产品设计 感知融合算法开发 包括嵌入式 docker AI 语言C++ MATLAB python

传感器时空同步，标定，融合，视觉感知，三维定位，三维重建 SLAM，机器人，单片机，课设，毕设， 上位机，机器视觉，深度学习。 数据处理，图像处理，软硬件联合 配图随意。

传感器时空同步，标定，融合，视觉感知，三维定位，三维重建 SLAM，机器人，单片机，课设，毕设， 上位机，机器视觉，深度学习。 数据处理，图像处理，软硬件联合 配图随意。

项目主要开发一款自动驾驶无人车，负责解决快递一公里的问题。 我主要负责算法的调研和验证，包括视觉算法、点云算法和路径规划算法等。

负责自动驾驶相关模型的训练和部署，如障碍物、freespace、车位、交通标识、关键点检测等，模型在各硬件平台上的移植。已经成功量产。

对一个行人密集且较为复杂的地铁场景行人轨迹进行预测，项目通过在现有sota模型STGAT基础上添加场景信息，模型本身仅需要增加一个场景的全连接层，复杂度低，能够高效训练，已通过各种消融性实验，结果表明本项目比STGAT模型精度(ade)至少提高10%以上。

功能包含：任务中心、配置中心、车辆中心、审计中心、数据中心、合规云 技术亮点： 满足全生命周期各使用场景需求的云-管-端一体化全栈式数据采集解决方案 支持全域数据采集，特别是座舱域和智驾域的动态融合配置采集 支持模版化数据采集标准 软件模块可根据不同业务需求裁剪或拆分部署 符合数据合规规范和数据安全的要求的高安全性产品