续航时间一二十分钟

你好，感谢你的反馈。我们正在对课程进行迭代更新，有具体意见和建议么，我们在本次迭代更新中调整过来。

这是因为模型部署过程中，如果增加了int8量化这个环节，那么也会增加反量化这个环节，反量化也会占用时间损耗。

此外，int8矩阵乘法与fp16矩阵乘法相比，前者会快，但是并不是严格两倍关系，这取决于硬件底层的实现和软件层面（比如CUDA）的实现。

你好，这个问题，我们反馈给Apollo社区的工作人员。尽快给您回复

不是加1，是加了偏置项b吧？

您好，感谢您的反馈。融合感知的课程目前正在迭代，预计两个月的迭代周期。迭代完成后，会同步更新到这一期。

您好，现在在准备第12章节的试录制，尽快推进哈。

是说，用激光雷达扫描建图或者障碍物检测吗？

您好，Fast-planner和Ego-planner的代码，在github上搜一下，都是开源的。

您好，目前基本是2-3周一章节的速度更新。

课程Project I中的压缩包内，给大家提供了操作演示的视频。如下图中的“操作步骤演示.mp4”。

多个观测量的情况，融合方法有两种，一种是集中式卡尔曼滤波，一种是分布式卡尔曼滤波。

对应课程中讲到的两种方式：
（1）集中式是将所有传感器观测方程合并成一个高维的观测方程；
（2）分布式是采用加权的方法，可以分别将多个观测估计出来的状态进行加权。

可以看一下LidarSeg

这个很常见，基本上实际工程上都会先做下采样。

但是下采样之后依然是继续用各种匹配算法，ICP这种简单粗暴的也好，提取特征的也好，深度学习的也有。但是下采样也只是个前处理。

ICP算法现在也有很多变种，比如点到点的ICP，点到线的ICP (PLICP)，点到面的ICP (Point-to-Plane ICP)，面到面的ICP (Plane-to-Plane ICP)，Normal Iterative Closest Point (NICP)等。在工程中使用ICP算法时，要注意选择用哪些点去进行ICP，附件中是之前看过的一篇文章，着重讲解了他们如何选择ICP。

三者前融合的论文，比较少，没有值得推荐的论文。可能的原因在于：Lidar的点云比Radar要稠密，一般用Lidar前融合就不用Radar了。

工程上和算法上都有办法实现：

（1）工程上，假设地面是平的或者假设已知车辆宽度等基础上，可以用来反向估计3D位置。可以搜索关键词“单目测距”；

（2）算法上，可以从图像中直接估计3D位姿，参考mono3D算法。

前融合可以看一下LaserNet++和PointPainting这两个方法

权重矩阵是通过3D/2D框的iou算的，就是匹配算法前面一张PPT。
不是所有的都能匹配上。工程上，对于观测对象没匹配上的，我们通常会积累两三帧观测，然后在状态中，新增一个物体实例，后面的观测对象就跟这个新增的物体进行匹配。
对于没有匹配上的状态对象，会给它维护一个生命周期，如5帧，如果5帧内都没有这个对象的观测，就从状态对象列表中删除。中间如果出现，就正常更新，并增加生命周期长度，生命周期长度上限就是5。

图像上并不意味着没有3D信息，实际上现在很多厂商都可以以一定的误差，恢复3D的位置和3D的框，所以不是所有的传感器数据都需要投影到图像上。
只有那些需要用到图片域中特征的匹配，才需要投影到图像域，如分割的结果。

对于匹配不上的节点，就认为感知系统以前没看到过，或者当前帧传感器没有看到，就可以了。按照上面我说的方式去更新。

现成的没看到过，可以自己转一下nuscenes，https://github.com/clynamen/nuscenes2bag

ORBSLAM2在纯视觉的方案里还是最好的，ORBSLAM3主要做了与IMU的融合，然后地图方面在论文里说，从理论上做了一些改进，但是实际测下来的效果，我觉得不如ORBSLAM2。

答案来自腾讯的自动驾驶工程师