无人驾驶，环境感知，图像处理，激光雷达，深度学习，论文摘要。

3.4 小角度假设下的车辆动力学模型 通过结合车辆空间状态方程和轮胎模型，可以建立非线性状态空间表达式， 但对于模型预测控制器的设计来说过于复杂，因此需要对其进行简化。由轮胎模 型纵向力-滑移率，侧向力-侧偏角和纵向力组合工况，侧向力组合工况曲线可知， 在侧偏角和纵向滑移率较小的时候，轮胎力可以采用线性函数近似描述。在侧向 加速度小于 0.4g 的情况下对常规轮胎具有较高的拟合精度，在这个范围内，可以 用式 3.1 和式 3.2 表示轮胎纵向力和侧向力。 在之前所建立的非线性模型中，存在较多的三角函数，增大了模型简化的难 度。因此在轮胎力的计算中，在小角度假设条件下，满足近似条件： cos 1,sin , tan       （3.23） 式中 可以表示为前轮转角，前、后轮轮胎侧偏角等。 通过简化，轮胎侧偏角的计算式可以表示为： f f y a x       （3.24） r y b x     （3.25） 根据轮胎侧偏角计算公式和线性轮胎模型，前、后轮侧向力计算公式为： ( ) cf cf f cr cr y a F C x b y F C x         （3.26） 前、后轮胎纵向力表达式为： , lf lf f lr lr r F C s F C S  （3.27） 将以上化简结果代入状态空间方程后，得到基于前轮小偏角和线性轮胎模型 假设的车辆动力学非线性模型： cr r cr 2[C ( ) C ] 2[C C ( ) C s ] 2[ ( ) C ] sin cos cos sin cf f lf f cf f lr z cf f y a b y my mx x x y a mx my s x y a b y I aC b x x Y x y X x y                                      （3.28） 在本文控制系统的预测模型中，状态量为  , , , , , T = y x Y X   ，控制量为 f   。 本论文以已有研究成果为基础，将 MPC（Model Predictive Control）算法应用 万方数据

随着人工智能（Artificial Intelligence AI 高速 发展与应用，计算机技术已 经进入以人工智能为代表的新信息技术时代 ——智能技术时代 。 近两年来 人 工智能在中国已经被提升到了国家发展战略的高度。本文探讨了人工智能的起 源与发展，分析了中国 人工 智能 的发展历程 。 用数据说话，从专家、论文和专利 三方面分析了中国人工智能的科研现状，列举了中国 AI在语音识别、人脸识别、 自动驾驶和无人机等方面的实践应用 。 AI和汽车研究领域的交叉发展给我们的交通带来了革命性的变化。了解和 掌握汽车领域人工智能的研究和进展，发现未来的研究趋势，了解全球顶尖的 研究学者和机构，洞察先机，掌握未来。

本文的多传感器融合是建立在读懂《Quaternionkinematicsfortheerror-stateKalman?lter》基础上的，是一种相机和IMU融合的理论，里面讲解了IMU的误差状态运动方程构建。误差状态四元数，是有开源的程序的，但是它是集成在rtslam里面的，不方便提取出来使用。但还有另外一个开源的程序，ETH的MSF，可以比较方便地用在自己的工程里面，并且它的理论与误差状态四元数很接近，稍微有点不同，所以MSF开源程序就成了一个不错的选择。所以本人研究了ETH的两篇文章：《VisionBasedNavigationforMicroHelicopters》和《ARobusta

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。