RANSAC (Random Sample Consensus) 随机采样一致性算法，其实就是想办 法找出代表地面的平面。如下图所示，绿色的点为打在地面上的点，红色的点为 打在障碍物上的点。打在地面上的点基本上是处在一个平面上的，所以我们的目 标就是找到这个平面，然后将距离此平面一定距离内的点分割成地面。 由于算法逻辑本质上是一致的，为了简便起见，这里将三维空间寻找平面问题， 转化为二维空间寻找直线的问题。算法逻辑如下：

无人驾驶（辅助驾驶）做交通信号灯的训练图像数据集，jpg格式共1187张训练图像

做智能驾驶（辅助驾驶、无人车）项目需要的交通信号灯（红绿灯）测试集

自动驾驶决策算法，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

表2．4各个算法计算结果统计表 2．4在汽车避障局部路径规划中的仿真实验 为验证改进水滴算法在汽车局部路径规划领域的应用可行性，将算法用于无 人驾驶汽车的局部路径规划中。设计一条平直同向双车道，长度为260米、宽度 为7米，在模型中表示为65×6的二维栅格，单位栅格的边长为4mxl．17m。为验 证算法对速度的鲁棒性，在汽车分别处于中速20m／s和高速30m／s状态下进行路 径规划实验。当汽车探测到前方40m内有障碍时，局部路径规划程序将被触发， 并按0．5s的时间步长实时进行路径规划，以完成对静态障碍车超车、对动态障碍 车超车和对动态障碍车避车的三种工况。算法参数的设置如表2．5所示。 表2。5改进水滴算法的参数表 14 万方数据

自动驾驶中的最优路径规划，以及自动驾驶学习资料 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

城市环境下无人驾驶车辆运动控制方法的研究，比较新的论文研究成果，值得参考。

花的299买的某达无人驾驶培训三期视频。无码无水印，通过网盘链接分享，包含1、无人驾驶工程师 第一学期。2、无人驾驶工程师 第二学期。3、无人驾驶工程师 第三学期

强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题 [1] 。 强化学习的常见模型是标准的马尔可夫决策过程（Markov Decision Process, MDP）。按给定条件，强化学习可分为基于模式的强化学习（model-based RL）和无模式强化学习（model-free RL） [1] ，以及主动强化学习（active RL）和被动强化学习（passive RL） [2] 。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测系统的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数（value function）算法两类。深度学习模型可以在强化学习中得到使用，形成深度强化学习 [1] 。 强化学习理论受到行为主义心理学启发，侧重在线学习并试图在探索-利用（exploration-exploitation）间保持平衡。不同于监督学习和非监督学习，强化学习不要求预先给定任何数据，而是通过接收环境对动作的奖励（反馈）获得学习信息并更新模型参数 [3] 。

State Estimation for Robotics机器人学中的状态估计 [加]蒂莫西•D.巴富特 slam必读 中文文字版 （slam必读+状态估计+无人驾驶+自主导航+路径规划）