自主车辆的基于预测的GNSS欺骗攻击检测 python中基于预测的自动驾驶汽车GNSS欺骗攻击检测的实验实现更多信息，请参见

自动驾驶系列丛书-自动驾驶汽车决策与控制ppt

通过从虚拟数据中学习来创建可预测现实生活中的车辆碰撞的模型的尝试。 详细信息待定。 笔记： 1.此时，车辆跟踪依赖于Nanonets Deep SORT实施 在feature_extractor目录下克隆 将__init__.py放在目录中： nanonets_object_tracking和nanonets_object_tracking/deep_sort 在deepsort.py将from deep_sort...中的deepsort.py替换from deep_sort... （例如from .deep_sort...有一个点） 复制feature_extractor/nanonets_object_tracking/siamese_net.py > feature_extractor/siamese_net.py （否则， feature_extractor/siam

自主驾驶车辆的深度模仿学习 自动驾驶汽车已经引起了学术界（例如牛津，麻省理工学院）和工业界（例如Google，特斯拉）的极大兴趣。 但是，由于普遍的知识，我们发现直接实现全自动驾驶（SAE 5级）非常困难。 为了解决这个问题，深度模仿学习是一种有前途的解决方案，可以从人类的演示中学习知识。 在这个项目中，我们研究了如何使用深度模仿学习来实现车辆动态控制（例如转向角，速度）。 我们使用了Udacity（ ）提供的数据集和模拟器以及现实世界中的comma.ai数据集。

本文调查了自DARPA挑战后开发的关于自动驾驶汽车的研究，这类汽车配备了可归类为SAE 3级的或更高级别的自动驾驶汽车的自主系统。自动驾驶汽车自主系统的体系结构一般分为感知系统和决策系统。感知系统一般分为多个子系统，负责自驾汽车定位、静态障碍物绘制、移动障碍物检测与跟踪、道路绘制、交通信号检测与识别等任务。决策系统通常被划分为许多负责任务的子系统，如路线规划、路径规划、行为选择、运动规划和控制。在本次调查中，我们介绍了自动驾驶汽车自主系统的典型结构。我们还回顾了有关感知和决策方法的研究。此外，我们还详细描述了UFES汽车的自主系统IARA的体系结构。最后，我们列出了由科技公司开发并在媒体上报道的著名自主研发汽车。

所有汽车制造公司，Google和Microsoft最近都宣布将生产全自动无人驾驶汽车（FAAV），也称为无人驾驶汽车。 最早将于2018年在市场上推出一些FAAV，但大多数情况是在2020年代。 当FAAVs可供普通消费者使用并为普通消费者买得起时，对社会的影响将是深远的。 本文的目的是研究FAAV的普及前景及其对世界未来社会的社会经济影响。 本文考察了对社会某些部门的潜在影响，包括对汽车需求的变化，其对石油使用，环境和城市土地利用的影响，仅举几例。

DeepGTAV：GTAV的插件，可将其转变为基于视觉的自动驾驶汽车研究环境

在本文中，我们提出了一种深度强化学习方法，以评估虚拟创建的自动驾驶场景的性能。 马尔可夫决策过程用于将车辆状态映射到动作。 折扣和奖励功能也包含在决策策略中。 为了处理导致强化学习的标准不稳定的高维度输入，我们使用了经验重播。 为了进一步降低相关性，我们使用迭代更新来定期更新Q值。 基于随机目标函数的亚当优化器与整流线性单元激活函数一起用作神经网络中的优化器，有助于进一步优化过程。 这款自动驾驶汽车不需要任何带有标签的训练数据即可学习人类的驾驶行为。 受现实情况启发，基于动作的奖励功能用于训练车辆。 在我们的方法中已经证明，经过多次迭代，虚拟制造的车辆会产生无碰撞运动，并执行与人类相同的驾驶行为。

第 1 章 自动驾驶时代势不可挡， 政策法规保障安全发展 1.1 自动驾驶有望提升道路交通安全 1.2 顶层设计推动产业蓬勃发展 1.3 政策法规保障自动驾驶安全发展 第 2 章 自动驾驶汽车的安全技术特点 2.1 自动驾驶主系统安全 2.2 自动驾驶安全冗余系统 2.3 远程云代驾 2.4 自动驾驶汽车测试与验证 第 3 章 自动驾驶与传统驾驶汽车安全对比 3.1 人类驾驶事故场景分析 3.2 人类驾驶事故原因分析 3.3 自动驾驶汽车与人类驾驶汽车安全性对比分析 3.4 自动驾驶汽车事故分析 第 4 章 总结展望

汽车工业软件可靠性协会提出的汽车工业中 C 的使用标准。文档为中文版。