深蓝学院是专注于前沿科技的教育平台，目前在人工智能、机器人与自动驾驶领域搭建了完善的课程体系，并在积极探索嵌入式、物联网、增强现实领域的教育模式。文件内包含：2022 控制岗位 面试题梳理.pdf；基于学习的决策规划背景知识.pdf；课程介绍及基础资料.pdf；自动驾驶控制与规划第一期第二次答疑问题收集-wuning返回.docx；自动驾驶控制与规划第一期开课仪式.pdf；第六章作业思路讲解-助教高宇辉.pdf

随着大型露天煤矿开采深度下探,坡度大、弯道多的现象逐渐增多,矿车驾驶难度高且存在安全隐患。提出了一种露天煤矿卡车无人驾驶系统设计方案,该无人驾驶系统包含车载自动驾驶子系统、车地无线通信子系统、地面管理子系统,可实现矿用卡车"装、运、卸"作业过程的完全无人自主运行。为满足露天煤矿非结构化环境感知需求,提出了面向露天煤矿非结构化环境的多源异构传感器融合感知算法;针对矿用卡车在不同载质量与不同坡度中的行驶需求,提出了考虑质量与坡度的纵向自适应控制算法,以适应不同载质量下坡停、坡起、定点停车与车铲配合停车等工况下的纵向速度控制与距离控制要求;针对矿区大曲率转向、倒退等行驶需求,提出了基于变参数自适应的前进横向控制方法与后退横向控制方法,以达到矿区全部复杂路面横向精确控制要求。该无人驾驶系统在哈尔乌素露天煤矿进行了泥泞路面、夜间环境等不同环境的测试,结果表明,该无人驾驶系统具备矿区作业能力,能够准确循迹并自主避障与执行任务;地面控制系统能够控制无人矿用卡车的启动与关闭,在必要情况可远程控制与驾驶矿用卡车,系统各项功能平稳可靠。指出了矿山无人驾驶系统的发展趋势:（1）对于车载系统,需首先构建系统化

互补基础设施。 我们生活在自动化的新时代，垃圾箱与路灯交谈，公交车与交通信号灯通话。 传感器，微型计算机，强大的电动机和有效的电池都组合在一起，从而使不可能变为可能。 我们希望自动驾驶汽车将由驾驶员接管，并且不会以相同的方式行驶。 当所有其他交通都是智能的，道路和整个地方都是智能的时，为什么只使用视觉？ 该模型有五台计算机：一个Arduino，一个RFID阅读器，一个复杂的3轴多传感器和一部手机。 它具有四个电源。 它具有14个传感器。 一组AA电池可以运行3个小时。 它遵循一条磁条，监视行人，并响应RFID标签。 它仔细监视自己的速度和位置。 使用所有这些无数信号，它可以有效地从一个地方移到另一个地方。 这是一个奇迹，展示了集成的和互补的基础架构。 ================================================== == 现在将一些通用代码移至Ca

设计主要是基于MATLAB的疲劳驾驶视觉性检测，其研究方案总体处理框架一般包括以下五个阶段： （1） 视频输入阶段：通过摄像头或者其他视频设备获取司机的面部图像数据。 （2） 预处理阶段：对采集到的图像数据进行预处理，去除噪声、调整亮度、对比度等，以提高后续处理的效果。 （3）特征提取阶段：采用图像特征提取算法，从预处理后的图像中提取与疲劳状态相关的特征信息。一般用来检测眼睛状态。可以使用灰度积分投影技术进行眼睛定位。 （4）特征分类阶段：将特征信息与已知模型进行比较和分析，判断司机是否处于疲劳状态。可以使用神经网络、perclos技术进行分类判别。 （5）结果输出阶段：根据特征分类结果，输出报警信号或其他措施，提醒司机注意安全行车。

智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068 更多项目《智能驾驶 车牌检测和识别》系列文章请参考： （1）智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181 （2）智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068 （3）智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209 （4）智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.c

自动驾驶软件VTD的输出RDB结构说明

设计“行人识别及自动跟随”场景及实验方案，搭建测试场地，调研基于OpenCV的行人识别方法并编程实现，将算法部署至XQ4-Pro移动机器人平台，结合机器人操作系统，实现测试场景下的移动机器人行人识别及自动跟随

驾驶疲劳是影响交通安全的重要因素之一，疲劳驾驶预警系统的研究是十分有必要的。针对面部特征精确定位及疲劳驾驶检测问题，提出眼、鼻和嘴部三组卷积值加权求和的算法，根据三者状态信息对实验结果影响程度设置不同的权重系数，构造疲劳监测模型。首先对拍摄的驾驶员图片进行人脸检测，获得面部图像，按比例对合成的卷积模板划分三部分器官区域，结合模板卷积的相关理论，采用多目标优化技术，然后对面部器官状态进行疲劳判断，并得到相应的判定结果。实验表明，综合眼、鼻和嘴部信息模板不同的权重系数，突出了重要器官区域的影响，提高了疲劳检测准确性和鲁棒性，为最终构建一种实时的、可靠的非接触式驾驶员监测系统提供了理论基础。

自动驾驶食谱（预览） 注意： 该项目由Microsoft Garage的开发并维护。 目前这项工作正在进行中。 我们将根据用户的要求和合作者的可用性继续添加更多的教程和方案。 在过去的大约五年时间里，自动驾驶已经超越了疯狂的登月计划。 它已Swift成为当今最大的技术之一，有望塑造我们的明天，与汽车首次出现时并没有什么不同。 推动此变化的主要动力是软件（人工智能），硬件（GPU，FPGA等）和云计算的最新进展，这些进展使得能够提取和处理大量数据，从而使公司有可能推动新的水平自治的4和5。 兰德的显示，要达到这些自治水平，就需要对数亿甚至有时是数千亿英里的训练数据进行训练，以证明其可靠性。

资源为基于汽车二自由度动力学模型的LKA（车道保持）功能LQR控制算法的simulink模型以及相关参数的.m文件。下载后可直接使用MATLAB与CarSim进行联合仿真。可供初学者学习理解LQR控制算法的实现原理。