构建了用于评估道路车辆危险行驶状态的三维虚拟势能场，冰确定了各关键参数的计算方法。

SLAM学习，另外还包含了自动驾驶学习资料 涵盖感知，规划和控制，ADAS，传感器； 1. apollo相关的技术教程和文档； 2.adas（高级辅助驾驶）算法设计（例如AEB,ACC,LKA等） 3.自动驾驶鼻祖mobileye的论文和专利介绍 4.自动驾驶专项课程（可能是目前最好的自动教师教程），是coursera上多伦多大学发布的自动驾驶专项课程，应该是目前为止非常火非常好的教程了，包含视频，ppt，论文以及代码 5.国家权威机构发布的adas标准，这是adas相关算法系统的标准，也是开发手册。 6.规划控制相关的算法论文介绍 7.等等总共3G多的资料

里面包含雷达仿真的测距测速测角的仿真程序，以及对应的报告，编程语言采用Matlab。

深度学习在无人驾驶领域主要用于图像处理，也就是摄像头上面。当然也可以用于雷达的数据处理，但是基于图像极大丰富的信息以及难以手工建模的特性，深度学习能最大限度的发挥其优势。

文章针对近年来的无人驾驶汽车路径规划算法进行总结和归纳。首先对目前主流的环境建模方法进行阐述;其次对路径规划算法进行介绍,通过分析其优缺点,指出融合轨迹规划算法具有最好的适用性;最后总结当前研究挑战并提出了相关建议。

为了提取无人驾驶车前方可行驶区域信息，提出了一种基于多层激光雷达可行驶区域信息提取算法。首先，根据雷达返回数据的特征结合数据区间密度分布获得路沿点集，并利用基于加权欧氏距离KNN改进的OPTICS算法对得到的路沿点聚类。然后，使用最小二乘法拟合出两侧路沿。最后，通过改进的OPTICS算法将路面上的障碍物点云进行聚类，并通过计算得到障碍物的位置、距离、尺寸等信息。利用数据区间密度分布法提取路沿点不受障碍物以及路面点的影响，而改进的OPTICS算法则不再受Eps的约束，并且可以准确分辨出噪点，解决了障碍物信息由于噪点而提取不准确的问题。实车实验证明了算法的有效性和实时性。

无人驾驶 学习 SLAM autonomous 辅助驾驶，是学习的必备

解读无人驾驶发展难点及现阶段技术手段.docx

包括autoware1.14的用户手册及相关代码等资源，用户手册在Autoware-Manuals-master压缩包中，包括ppt、word、pdf等资源，这是官方手册，对于想入门autoware的人可以好好看看。

GA/T 1411 的本部分规定了警用无人驾驶航空器系统通用技术要求的术语和定义、分类和代号、技术要求、包装、运输及贮存。 本部分适用于警用无人驾驶航空器系统。