基于ROS的快速地面点云分割，采用禾赛128线激光雷达

2017全球未来科技大会 互联网汽车：人工智能和无人驾驶.pdf

请将qingzhou_ws压缩包直接复制到Ubuntu系统后解压，然后进行编译。特别提示：本代码所有参数均不是最优，需要根据实际调试情况进行测试修改！

无人驾驶智能车三维环境建模与地图构建 .nh格式文档

无人驾驶汽车相关规范及标准，包括1、智能网联汽车测试规范 2、“十四五”汽车发展产业建议 3、汽车驾乘性能体验测试评价规程4、车载毫米波雷达模组检测方法5、城市道路设计规范6、电动汽车安全指南2021 7、激光雷达测试标准 8、汽车驾驶员行为监测系统技术要求 9、智能网联汽车数据格式与定义

无人驾驶汽车系统；事件触发控制；模型预测控制；路径跟随

第一本无人驾驶技术书.刘少山(详细书签) 第一本无人驾驶技术书.刘少山(详细书签) 第一本无人驾驶技术书.刘少山(详细书签)

采用深度学习的方法预测车辆长期运行轨迹，通过prescan采集原始数据，建立车辆轨迹的模型。 Long-Term Prediction of Vehicle Trajectory Based on a Deep Neural Network

本代码主要适用于无人驾驶下的路径最终。模型及求解过程可参考龚建伟版《无人驾驶车辆模型预测控制》第4章。

告知：需要学习YOLOv4进行TT100K数据集上中国交通标志识别的学员请前往(1) Ubuntu系统《YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29362(2)《Windows版YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29363 在无人驾驶中，交通标志识别是一项重要的任务。本课程中的项目以美国交通标志数据集LISA为训练对象，采用YOLOv3目标检测方法实现实时交通标志识别。具体项目过程包括包括：安装Darknet、下载LISA交通标志数据集、数据集格式转换、修改配置文件、训练LISA数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。YOLOv3基于深度学习，可以实时地进行端到端的目标检测，以速度快见长。本课程将手把手地教大家使用YOLOv3实现交通标志的多目标检测。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。 Darknet是使用C语言实现的轻型开源深度学习框架