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。

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。