1. 图像加载；2.图像预处理：图片灰度化，高斯滤波；3.Cany边缘检测；4.感兴趣区域检测；5.霍夫直线检测 ；6.直线拟合；7.车道线叠加；8.图片和视频测试；9.可视化界面pyqt5

根据确定的车位尺寸，道路宽度和相应的车辆不等式约束，使用MATLAB中的fmincon函数进行求解，最后画出了起始区域，原理可参考我写的《平行泊车系统路径规划》文章

无人驾驶实战视频培训课程：涉及无人驾驶入门教程、光学雷达在无人驾驶技术中应用，GPS及惯性传感器在无人驾驶应用、无人驾驶感知系统、强化学习在无人驾驶应用、卷积神经网络在无人驾驶技术应用等内容。AI的力量在于落地，其中为瞩目的莫过于无人驾驶技术。CSDN学院联合王而川打造《无人驾驶实战课》，目的就是为了降低无人驾驶学习门槛，让更多人能接受到系统前沿的理论知识。课程分为Python+机器学习系统课+无人驾驶入门实战课，三个阶段，层层递进，从零入门！本课程为实战课，其他两方面学习请点击老师头像查看。

数据融合matlab代码传感器融合模块，为LIDAR / RADAR输入处理实现了扩展的卡尔曼滤波器 卡尔曼滤波器体系结构。 外部装有LIDAR和RADAR等传感器的汽车可以检测到在其范围内移动的物体：例如，传感器可能检测到行人，甚至是自行车。 这是通过计算扩展的卡尔曼滤波器来实现的，该滤波器同时组合了从激光雷达和雷达获得的数据，以测量移动物体的速度和相对于汽车的相对位置。 对于多样性，让我们使用自行车示例逐步了解Kalman滤波算法（上图所示的体系结构），以了解此计算的实际工作原理： 首次测量-过滤器将接收自行车相对于汽车位置的初始测量值。 这些测量将来自雷达或激光雷达传感器。 初始化状态和协方差矩阵-过滤器将基于第一次测量来初始化自行车的位置。 那么汽车将在时间段Δt之后收到另一个传感器测量值。 预测-算法将在时间Δt之后预测自行车的位置。 在Δt之后预测自行车位置的一种基本方法是假设自行车的速度是恒定的。 因此，自行车将具有运动速度Δt 。 在扩展的卡尔曼滤波课中，我们将假设速度是恒定的。 更新-过滤器将“预测的”位置与传感器测量值进行比较。 将预测的位置和测量的位置合并以给出更

智能汽车是指通过搭载先进传感器等装置，运用人工智能等新 技术，具有自动驾驶功能，逐步成为智能移动空间和应用终端的新 一代汽车。智能汽车通常又称为智能网联汽车、自动驾驶汽车等。

智能汽车自动驾驶商业计划初学者宝典，创业者核心参考指南

商用自动驾驶创业战略，商用自动驾驶路线规划Tier+OEM解决方案

自动驾驶汽车的关键元器件传感器和处理器.pdf

官方教程，适用于Prescan初学者与进阶者。

学习自动驾驶入门