介绍 Apollo Cyber​​ RT 是一个开源、高性能的运行时框架，专为自动驾驶 (AD) 场景而设计。 基于中心化的计算模型，针对自动驾驶的高并发、低延迟、高吞吐进行了大幅优化。 在过去几年 AD 技术的发展过程中，我们从之前使用 Apollo 的经验中学到了很多东西。 行业在不断发展，阿波罗也在发展。 展望未来，Apollo 已经从开发转向生产。 随着现实世界中的批量部署，我们看到了对最高水平的稳健性和性能的需求。 这就是我们花了数年时间构建和完善 Apollo Cyber​​ RT 的原因，它满足了 AD 解决方案的这些要求。 使用 Apollo Cyber​​ RT 的主要好处： 加速发展 具有数据融合功能的定义明确的任务界面 一系列开发工具 大量传感器驱动程序 简化部署 高效、自适应的消息通信 具有资源意识的可配置用户级调度程序 便携，依赖更少 为您自己的自动驾驶汽车

CANalyzer中使用IG模块发送指定报文

深度学习在无人驾驶汽车领域应用的研究进展.pdf

智能车辆自动驾驶域控制器设计与实现论文

阿斯兰计划 一个基于的开源全栈软件，用于自动驾驶应用程序。旨在促进城市环境中低速应用的自动驾驶项目的研究。该软件带有一个内置的基于Gazebo的仿真，一个端到端的自动驾驶软件以及一个用户友好的GUI，可以方便地启动该软件。用于在现实世界中的自动驾驶汽车上进行试验。 功能和部署支持： 带有集成ROS工具的图形用户界面（GUI） Docker和源代码安装 多传感器驱动程序 高级主管节点，监视系统健康并发布诊断 使用LiDAR和雷达进行目标检测 紧急停止React 车辆接口充当ROS与嵌入式车辆控制器之间的桥梁。 PID /前馈线速度反馈回路 可调偏航到转向百分比转换图 集成凉亭模拟模型 3种模拟控制方式：Aslan软件，键盘和操纵杆控制器 车辆模型可视化和参数说明 车载软件测试和评估以及参数配置 正态分布变换（NDT）*用于本地化和映射 体素网格和地面去除*点云过滤 使用航点进行路线规划*

激光雷达 使用距离图像对点云进行语义分割。 由 ， ， 和 来自数据集的分割结果示例： 描述 该代码提供了使用距离图像作为中间表示来训练和部署LiDAR扫描语义分割的代码。 培训管道可以在找到。 我们将尽快开源部署管道。 预训练模型 squeezesegV2 + crf darknet21 暗网53 暗网53-1024 暗网53-512 要启用kNN后处理，只需在模型目录内的arch_cfg.yaml文件参数中将布尔值更改为True 。 模型预测 语义技术 这些是训练，验证和测试集的预测。 可以针对训练和验证集评估性能，但对于测试集评估，则需要提交基准测试（标签不公开）。 没有后处理： 塞格塞格 squeezeseg + crf squeezesegV2 squeezesegV2 + crf darknet21 暗网53 暗网53-1024 暗网53-5

自动驾驶传感器布置如何布置.pdf

所有汽车制造公司，Google和Microsoft最近都宣布将生产全自动无人驾驶汽车（FAAV），也称为无人驾驶汽车。 最早将于2018年在市场上推出一些FAAV，但大多数情况是在2020年代。 当FAAVs可供普通消费者使用并为普通消费者买得起时，对社会的影响将是深远的。 本文的目的是研究FAAV的普及前景及其对世界未来社会的社会经济影响。 本文考察了对社会某些部门的潜在影响，包括对汽车需求的变化，其对石油使用，环境和城市土地利用的影响，仅举几例。

EyeQ4系统性能评测

基于深度学习+树莓派4b实现控制小车自动驾驶项目python源码+项目详解说明.zip 【部分操作说明】 1.配置树莓派（单独配置SSH文件）使其能够实现基本的操作，如putty连接，vncviewer可视化操作，winscp传输文件等，可在软件中配置 2.准备对应得设备，如杜邦线，螺丝刀，基本的车壳， 3.配置树莓派在小车上，并利用杜邦线连接相对应的电机，这里使用的L298N电机，GPIO口对应得分别是7,11（后轮电机），13,15（前轮电机），并且将电源连接到L298N电机上，注意这里的一定要单独給电机供电，靠树莓派的电压会不够，还有就是这里的接地线，连接到GPIO口9，并与电源的负极短接。可以利用test1back.py，test2front.py进行测试。 4.配置使能端口，这里利用的是GPIO口12,16，可以根据自己的实际需要进行调整，注意拔掉L298N电机上的跳线帽连接。ps：增加使能是因为测试中发现一旦转向, 车轮不能回正因电机保持通电状态需要让电机断电从而释放动力。 等等....... 需自己拥有树莓派4b开发设备及小车配件