m0_51579041的博客

原创 MapTR v1v2原作者讲解

原创 BEV感知实时构建路口拓扑 觉非科技基于MapTR的优化与实践

觉非科技基于MapTR方法，通过车路协同数据积累对实时矢量建图技术进行优化：1）改进车道信息表达，增加中心线、方向及宽度属性输出；2）引入地图先验信息提升复杂路口的拓扑识别准确率；3）优化道路拓扑表达，实现自动车道挂接。这些改进使建图结果更符合自动驾驶规控需求，在nuScenes数据集上展现出优越性能。该技术通过多任务联合训练持续迭代，为自动驾驶感知系统提供更安全可靠的实时环境理解能力。

原创 BEV 在线实时局部地图构建的三个经典方案对比和思考(HDMapNet,VectorMapNet,MapTR)

本文对比分析了三种基于BEV范式的在线局部高精地图生成方案：HDMapNet（2022）采用语义分割思路，通过三个分支分别处理语义、实例嵌入和方向，需复杂后处理；VectorMapNet（2022）创新性地将地图要素抽象为关键点，结合DETR框架实现端到端检测，但依赖序列生成导致效率受限；MapTR（2023）在VectorMapNet基础上改进，直接预测固定长度点集并引入顺序无关机制，在精度（mAP提升15%）和效率（达25FPS）上显著提升，成为当前最优解决方案。三种方案体现了从分割到检测、从非端到端到

原创 Transformer中的Q 、K、V是什么，为什么要用三个不一样的？

原创 pdb.set_trace()

的 Python 内置调试模块可以轻松设置断点并调试代码！一旦代码运行到这里，它会暂停并进入交互调试模式。的位置，你可以开始调试变量和逻辑了！：继续运行直到下一个断点。运行代码后，程序会暂停在。

原创 nohup指令

用服务器做pytorch训练时，直接跑python命令如果连接不小心断了，训练也就断了。可以在bash中使用nohup配合&来解决该问题。2表示错误，1表示标准输出，2>&1表示把标准错误定向到标准输出上，一起输出。按下Ctrl+C或者关闭终端，程序都仍然运行，需要通过kill来终止进程。训练中的标准输出将放入out.log中。按下Ctrl+C，程序依然运行。按下Ctrl+C，程序结束。nohup 指定输出文件。关闭终端，程序依然运行。

原创 python 字典中取值

解读 xxx = np.float32( data_loaded["intrinsics"]["fisheye_parameters"].get( "xxx", 1.0))总结：这段代码的主要目的是以安全方式从字典中获取参数值，并确保值的类型是。中提取一个键值，并将其转换为单精度浮点数。它处理了键可能不存在的情况，非常实用！格式的值，用于后续计算或处理。这段代码的作用是从字典结构。这是访问嵌套字典的部分，从。）强制转换为单精度浮点类型。键不存在，则返回默认值。将获得的值（无论是实际的。

原创 bash方式启动模型训练

export \nohup \mtn.py \--train \AI解读：这段指令的目标是设置环境变量并运行一个 Python 脚本来启动训练任务，同时将日志输出分别记录到文件。

原创 MapDR 在线矢量建图+交通规则理解

遵守交通规则行驶是实现自动驾驶系统的必要条件，车道级交通规则通常包含在高精地图中，为自动驾驶系统提供了准确、可靠的规则指导。而目前的在线建图方法主要关注于车道线、道路拓扑等道路结构的感知，忽视了对于包含更多语义信息的交通规则的理解，这一局限使自动驾驶系统仍然需要依赖离线地图获取交通规则，限制了自动驾驶系统的“在线化”趋势。由人类驾驶过程的启发，从交通标志中理解交通规则需要完成两个任务，首先理解交通标志牌中指示的车道级交通规则内容，同时要明确规则作用于具体哪一条车道（关联到具体的车道中心线）。

原创 docker exec it xxx bask

it :目前的理解浅薄,就是要等在容器内的命令执行完毕才会出来到当前操作;没有-it的加就相当于在容器内执行一下命令,不等容器内部是否执行完毕直接出来,而我们看见的他在上面是因为容器内的执行快,(行动派可以试试在里面写个循环制造时间验证)dockerexec -it CONTAINER_ID bash进入容器终端并且的保留为容器终端的输入形式(-it和bash的结合作用)dockerexec -it CONTAINER_ID bash进入容器终端并且的保留为容器终端的输入形式.那么就出来了 -it …

原创 端到端矢量化地图构建与规划

原创 零跑记忆行车和记忆泊车融合定位框架设计案例

原创 MapTRV2解读

MapTRV2在V1基础上进行了优化升级，主要改进包括：1）解耦self-attention降低计算复杂度；2）发现BEV特征更适合地图重建任务；3）针对nuScenes等缺少高度信息的场景优化处理；4）补充了中心线建模，并引入训练技巧加速收敛。虽然计算效率提升，但推理速度未明显改善。该版本通过架构优化和训练策略调整，实现了性能提升，是MapTR的增强版。

原创 MapTR解读

MapTR技术摘要（150字） MapTR提出了一种创新的高精地图建模方法，通过置换等价建模解决点集顺序问题。核心创新包括：1) 将地图元素建模为具有等价置换的点集，统一处理顺时针/逆时针方向问题；2) 设计层次化查询嵌入结构（实例队列+点队列），采用双层注意力机制获取BEV特征；3) 引入层次化双边匹配策略（实例级+点级匹配）和方向损失约束形状。训练使用多任务损失（类别、曼哈顿距离、方向）和匈牙利算法匹配。该方法通过BEVFormer架构实现，支持端到端训练，有效解决了地图元素建模中的点序敏感性难题，为自

原创 python -- index_put_

python index_put_ 用法说明

原创 NuSences 数据集解析以及 nuScenes devkit 的使用 -- 代码

本文介绍了如何使用NuScenes数据集进行自动驾驶研究。内容主要包括：1)初始化NuScenes数据库并查看场景和样本元数据；2)探索传感器数据、样本注释、实例和类别等数据结构；3)演示数据可视化方法，包括点云渲染、样本渲染和场景视频生成；4)讲解如何通过反向索引和快捷方式高效查询数据。该数据集包含1000个20秒的场景，每半秒标注一次，涵盖激光雷达、雷达和相机等多种传感器数据，为自动驾驶算法开发提供了丰富的多模态标注信息。

原创 NuSences 数据集解析以及 nuScenes devkit 的使用 -- 使用教程

本文介绍了NuScenes自动驾驶数据集的使用教程，主要包括：1）数据集下载与结构解析，包含地图、关键帧、过渡帧和元数据文件；2）NuScenes devkit的安装与初始化方法；3）数据结构的详细说明，包括场景、样本、传感器数据、标注、实例、类别等核心概念；4）数据可视化方法，如点云渲染、视频生成和地图显示。教程还提供了反向索引和快捷方式的使用技巧，帮助用户高效查询数据。该数据集包含多模态传感器数据（6相机、1激光雷达、5毫米波雷达）和丰富的标注信息，适用于自动驾驶算法开发。

原创 NuSences 数据集解析以及 nuScenes devkit 的使用 -- 官网介绍

nuScenes是由Motional团队开发的大规模自动驾驶数据集，包含波士顿和新加坡的1000个20秒驾驶场景，涵盖复杂交通状况。数据集提供多传感器数据（6摄像头、1激光雷达、5雷达、GPS/IMU）及23类物体的3D标注，含1.4M图像、390k激光雷达扫描和1.4M物体框。相比KITTI，nuScenes标注量多7倍，并首次提供完整传感器套件数据。2020年新增激光雷达点云语义分割标注（32类标签）。数据通过精确校准和同步采集，支持检测、跟踪等任务，旨在推动自动驾驶算法在复杂城市场景中的发展。

原创 使用案例 - 根据nuscenes-devkit工具读取nuscnes数据集

本文介绍了NuScenes数据集处理流程：1）安装nuscenes-devkit工具包；2）根据数据集版本和用途获取场景划分；3）创建NuScenes类采样数据并调整文件路径格式；4）构建SegData类继承NuscData，实现数据加载接口；5）创建数据集和DataLoader。关键步骤包括场景划分、数据采样、格式调整和加载器构建，为后续模型训练提供数据支持。

原创 智能驾驶感知算法任务简介

典型输出维度为 [B， C， X， Y， Z]，其中 B 为 batch size，C 为类别数或 occupancy 状态数，X、Y、Z 表示 3D 空间上的 voxel 网格。多类别建图：支持同时预测多类地图元素，如 divider（车道之间的分隔线）、boundary（道路边界）、arrow（导向箭头）、stopline（停止线） 等。， pn]，每个点为 （x， y） 或 （x， y， attr）（带语义）。与传统的栅格输出不同，MapTR 直接输出点序列形式的几何结构，精度更高。

原创 python f-string

f-string 用法。

原创 python static_method

static_method

原创 Deepseek -＞ 如何在PyTorch中合并张量

首先，torch.cat是在已有的维度上拼接，比如两个形状是(2,3)的张量，用cat在dim=0的话，就会变成(4,3)，而dim=1的话就是(2,6)。而torch.stack则会新建一个维度，比如两个(3,4)的张量，用stack在dim=0的话，结果变成(2,3,4)。比如A是(2,3)，B是(2,3)，cat之后在dim=0变成(4,3)，dim=1变成(2,6)。而stack的话，结果会是(2,2,3)或者(2,3,2)，取决于dim参数。比如用cat的时候，除了拼接的维度，其他维度必须相同。

原创 Deepseek -＞ 如何写 Dockerfile

同时要提醒常见的注意事项，比如每条指令生成一层，优化层数，使用.dockerignore忽略不必要的文件。用户可能的需求是部署自己的应用，或者搭建环境，所以实际示例应该贴近常见场景，比如Python应用。但根据问题，用户主要问的是制作Dockerfile，所以重点在步骤和示例，其他优化可以稍微提及。这部分可能用户容易混淆，得解释CMD是默认命令，可以被覆盖，而ENTRYPOINT是入口点，通常一起使用。总之，分步骤讲解，每个指令的作用，给出示例，注意事项，最后验证方法。1. **指定基础镜像**

原创 Dockerfile -＞ Docker image -＞ Docker container

Dockerfile->Dockerimage->Dockercontainer

原创 Docker使用 使用Dockerfile来创建镜像

使用Dockerfile来创建镜像

原创 docker打包镜像并迁移：如何从A服务器打包docker镜像到B服务器上容器中运行

docker打包镜像并迁移：如何从A服务器打包docker镜像到B服务器上容器中运行

原创 onnx_graphsurgeon：ONNX“柳叶刀”（子图拆分与融合）

需要注意的是onnx_graphsurgeon。

原创 MMCV之Runner介绍

mmcv/runner/base_runner.py文件中，定义了runner类。该类用于管理一个模型的训练和评估过程。这里放张官方示意图（runner简单来说就是实现了右边是个红色框的类）：本文介绍了mmcv中runner介绍，基本所有mmdet模型都用到上述两个runner。

原创 如何使用vscode的launch.json来debug调试

如何使用vscode的launch.json来debug调试？

原创 Python 字典(Dictionary) items()，pop(‘key‘)方法

字典(Dictionary) items()，pop('key')方法

原创 python中zip()与zip(*)的用法解析

zip()与zip(*)的用法解析

原创 （简单搞懂）from abc import ABC,abstractmethod是什么意思

说白了，现在我们就是要定义一些==抽象方法==，然后子类继承的时候==必须要重写==这些方法。出于这个目标，我们就要用到==abc==这个包。

原创 安装mmengine和mmsegmentation

安装mmengine和mmsegmentation

原创 【mmsegmentation】Backbone模块（进阶）自定义自己的BACKBONE

mmsegmentation 自定义自己的BACKBONE

原创 【mmsegmentation】Head模块（进阶）自定义自己的HEAD

mmsegmentation 自定义自己的HEAD

原创 【mmsegmentation】Loss模块（进阶）自定义自己的LOSS

mmsegmentation框架 自定义自己的LOSS

原创 【mmsegmentation】Loss模块详解（入门）以调用FocalLoss为例

【mmsegmentation】调用FocalLoss为例

原创 【mmengine】优化器封装（OptimWrapper）（进阶）在执行器（Runner）中配置优化器封装（OptimWrapper）

在执行器（Runner）中配置优化器封装（OptimWrapper）

原创 【mmengine】优化器封装（OptimWrapper）（入门）优化器封装 vs 优化器

优化器封装（OptimWrapper）（入门）优化器封装 vs 优化器