2022-11-20 Zhihu RSS - Githubissues

知乎每日精选 2022-11-20

用 Taichi 实现 GPU 图像处理：从入门到入魔

2022-10-18 16:52:01

写在前面：在不久前的一篇文章中，我们简单聊了聊如何使用 Taichi 加速 Python 程序。文章发布后，不少从事计算机视觉、图像处理工作同学都在好奇 Taichi 是否可以加速 Python 中图像处理相关的计算，并与 OpenCV (import cv2) 协同工作、甚至在 GPU 上并行运行。本文就尝试针对这些问题进行初步探讨。我会带领大家揭秘女生爱用的美颜滤镜和男生爱玩的主机游戏《对马岛之魂》中的 HDR 效果的原理，讲解它们背后使用的几个从简单到困难逐渐递进的图像处理算法，包括高斯滤波器、双边滤波器、双边网格 (Bilateral Grid) 等，并和大家一起手把手从零开始写代码体验效果。相信读完这篇教程，不论读者是否从事图像处理方面，都可以有所收获。欢迎大家按需食用、批评斧正！

前言

Python 是当前图像处理领域的主打语言之一。在计算机视觉（特别是深度学习图片预处理、模型训练）等复杂度较高，技术迭代速度快的领域，用 Python 快速开发出算法原型、验证效果是许多研发人员的首选方案。著名图像处理库 OpenCV 就提供了完整的 Python 封装，用户可以书写 Python 调用底层的 C++ 实现来获得不错的性能。

理想很丰满，现实很骨感。在实际的研发任务中，

虚幻引擎30岁可以学吗？

2022-10-17 15:16:13

因为工作关系（作为虚幻官方社区经理），也因为年纪大一点（奔四了），还因为我其实几年前也干过两三年的UE4培训讲师，采样过社会上招收的形形色色的各种人。在日常的工作中，也经常会有各种人私下跟我咨询，例如30多岁是否可以学UE，两个offer哪个比较好。

针对题主的问题，我的回答是：有点难但并非不可行

有点难：一是年龄确实劣势，二是学历吃亏，三是工作经验缺乏，四是发展潜力受限。对于现在来搞游戏开发几乎就是白手起家。在同样的就业市场上，是远远比不过年轻的专业对口应届生的，更遑论同龄的前辈了。还有第五点，作为一个面试官，我会在心里暗自揣测，你30多岁了才开始转行，在学习能力或者是心性上可能多多少少有点问题。多一事不如少一事，其他候选者又多的是，干嘛要招你呢？说这些是让题主清楚明白自身的劣势，当然也不要被各种培训机构忽悠的好像只要去学完就能行。

并非不可行：当然也不是全无希望。我试想一下我在什么情况下会招你？只有你当面拿出一个UE的Demo，然后针对技术面试的问题对答良好，那我会愿意给你一个机会，从初级岗位开始做起。以后发展成什么样子就看你接下来自己的努力和造化了。虽然机会不大，但你要真能学以贯通技术服众发展成核心骨干或是leader，那也得送你一句牛逼。第二是，IT虽然也会看学历，但确实不像传统别的行业那么看，不会一个机会都不给你。所以也不像别的答主那样悲观，好像只有1%的机会，我觉得至少有5%吧。在IT，或者是游戏开发圈，我话说得糙一点，只要你能帮我干活，把我要的东西实现好，那就行了，其他的我管你干嘛的。你什么学历，什么背景，甚至连是否是在公司内入职我都不在乎，外包给你兼职干都行(有很多人就是这么要我介绍人干活的)。第三是UE的人才需求确实还远没有到饱和的阶段。国内的使用UE的公司，包括游戏和非游戏的，都还在增长中。这点对于大龄转行的人来说是利好，不像web或app那样已经非常成熟饱和了。

勤能补拙：说了这么多，中心思想只有一个，外人怎么说你不行都没事，但你自己要能证

如何看待特斯拉即将取消超声波雷达，采用纯视觉方案？

2022-10-14 15:10:22

两个核心观点：

1. 特斯拉不是是目前唯一在坚持纯视觉方案的企业，纯视觉方案是被技术领域高度认可的未来技术趋势之一；

2. 特斯拉坚持纯视觉方案符合马斯克推崇的“第一性原则“，其核心是轻硬件，重算法；

纯视觉方案是目前全球自动驾驶领域一个非常热门的研究方向，另一个非常成熟的参赛选手就是mobileye。Mobileye在2020年的CES上就已经展示了基于纯视觉的城市无干预自动驾驶。

2021年北美和英国的华人汽车工程协会搞了一个自动驾驶方面的技术论坛，我也在里面听听。与会的在国内和美欧工作的自动驾驶研究人员的观点还是比较一致的，那就是从技术逻辑的角度来说纯视觉更可能是“正确的选择“，而激光雷达方案更多的是现有的技术能够拼凑出可用系统的现实选择。

其实这有点像“三体”中章北海所在的时代面临的选择，到底是使用成熟的化学工质推进方案还是看起来连技术基础都有很多突破空间的无工质推进方案。

那么，为什么会有这样的观点呢？

因为这个观点的核心并不在于复杂的两者技术的解读，而在于这些技术背后的理论基础，那就是：

视觉方案是轻单车硬件，重软件算法、云计算和大数据协作来实现识别的方案；

激光雷达方案则相反，重单车硬件系统，是靠硬件扫描出的海量高精度数据来实现识别的方案。

这就是两者最大的区别，也是为什么特斯拉在一片反对声中必须坚持纯视觉方案的根本原因。我相信这也是马斯克所推崇的第一性原则相关：

“我在想存在一种好的思维框架。那是物理学的东西，你知道，有点儿像第一原理推理（first principles r

如何评价新能源汽车的换电模式？以及如何看待其未来的发展前景？

2022-10-14 15:07:36

作为一名整车研发工程师，其实我在相当长一段时间内对于新能源汽车的换电模式是非常不理解，也非常不看好的。现在我能更客观的来看待新能源汽车换电模式，下面向大家分享一下我的理解。

汽车的基本要求分析
用户的生活习惯分析
换电的应用场景分析

一、汽车的基本要求是什么？

为了能更好的说明这个问题，我先和大家一起把视角拉到圆点问题——“汽车是什么？”。这其实是一个简单到几乎被所有人忽略掉的一个问题，对于整车研发工程师来说更是如此。

那汽车到底是什么呢？我想大家心里都应该有了答案：“汽车是为了解决把人或物从A点运送到B点的这个需求的工具”。简单一点就是“汽车是一种移动出行工具”。

如果汽车是一种移动出行工具，最基本的要求是什么呢？既

为什么毫米波雷达无法识别静态物体？

2022-10-14 15:07:18

一般来说，现在智能驾驶主要的中高速检测障碍物的手段就是毫米波雷达+摄像头的方案。

毫米波雷达的工作原理就是通过发射无线电信号（毫米波段，30-300GHZ），再将反射的零散信号收回，来探测感知周围物体，通过算法（阈值去掉噪声值留下信号能量峰值）得到反射点的信息，再得到汽车和其他物体之间的相对距离、相对速度、角度、运动方向等。

由于毫米波雷达的穿透性较好，可以轻松穿透塑料，所以常安装在汽车的前保险杠处，塑料板的里面。

毫米波的最大优点就是无视天气，穿透雾气、烟尘的能力强，受到环境因素影响较小，可以保障在日常情况下的使用。

毫米波雷达早期为24GHZ，探测距离短，精度低，探测距离大概50米到100米，精度大概是40-70CM的分辨率。而最近两年推出的77GHZ的探测距离远，能达到200米以上，精度相对较高，大概是4-10CM分辨率。但因为成本较高，还是主要用在高端车型上，如果要达到更好的辅助驾驶级别，一般至少一个

github-actions[bot] commented 1 year ago

如何加快汽车与互联网、通信、大数据、人工智能、可再生能源等技术的跨界融合？需要解决哪些阻碍？

2022-10-14 15:07:00

这个题目涉及到的内容太广袤了，随便哪一个下面都是一个繁杂的，需要大量资金和科研的重要领域，其中包括的难点不知凡几。

抛砖引玉，浅聊下智能汽车和大数据/网络之间的一些关联吧。

一架可以坐500-600人的双层A380空中客车以自动飞行模式从伦敦飞往纽约，全程只需要2.5MB的数据要处理。而一辆L4级别的自动驾驶车辆，仅处理每天的日常任务，可能就需要处理45TB的数据，是空客380的不知道多少倍。

人在驾驶车辆，一般做出决策是需要先感知，再思考，再决定行动的一个过程。

而自动驾驶也是一样，一辆车通过多个摄像头（含红外线），毫米波雷达，激光雷达，超声波传感器，

github-actions[bot] commented 1 year ago

车联网功能给我们的用车生活带来了哪些便利？

2022-10-14 15:06:51

最近一个热火如荼的概念就是“互联网+”。不知道什么时候汽车突然就和互联网绑在了一起。车联网的概念也逐渐引起了行业的注意。各个互联网公司纷纷开始和车企进行合作，争抢汽车这个互联网的入口。说到车联网功能给生活带来的便利，我们得从车辆网的前世今生聊起，再谈谈它给车主带来哪些实用的用车便利条件或者场景。

车联网的历史-无线电时代

你知道实际上目前很多车型的导航系统都配备了TMC功能，从而实时接收交通路况吗？TMC可以算作最早的车联网功能。

↑TMC实时交通信息

TMC的全称是实时交通信息（Traffic Message Channel）。最早在欧洲出现并得到推广。是一种GPS导航的辅助功能。TMC的数字信号由FM无线调频系统（也就是我们日常使用的收音机频道），通过集成在导航系统中的车载无线接收终端接收并解码。从而实时的得到区域内的交通情况，帮助驾驶者选择最合理的行驶路径。