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

4.3 基于图像识别车道线的车道保持仿真 在得到前文图像识别的车道线之后，本节根据所设计的模型预测控制算法对 其进行车道轨迹跟踪，下图 4.4 为 Carsim 与 Simulink 联合仿真模型图。 y_do t x_do t CarSi m S-Funct ion Vehicle Code: i_i Sco pe y T o W or kspa ce Sco pe1 z 1 Un it De lay M PCCo ntr olle r S-F un ctio n 0 Co nst an t 18 0*u/pi Fcn Sco pe2 u T o W or kspa ce1 Sco pe3 XY G ra ph Sco pe5 Sco pe4 Sco pe6 In2 x_dot phi_dot phi v Sub sys tem yaw ra te u v X Y Ear th-fixe d Sco pe7 XY G ra ph1 Y To W or kspa ce2 X To W or kspa ce3 Y1 To W or kspa ce4 X1 T o W or kspa ce5 Y X phi_dot phi Carsim 模型 MPC控制器 图 4.4 基于图像识别路径的轨迹跟踪模型 Figure 4.4 Trajectory tracking model based on detected lanes 本模型以上文运用计算机图像识别得到的路径曲线方程作为预测模型控制器 的参考轨迹输入，非线性模型预测算法作为控制器。在预测时域内对参考轨迹进 万方数据