资源为基于汽车二自由度动力学模型的LKA（车道保持）功能LQR控制算法的simulink模型以及相关参数的.m文件。下载后可直接使用MATLAB与CarSim进行联合仿真。可供初学者学习理解LQR控制算法的实现原理。

PID控制算法，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；

px4_indoor_navigation 使用PX4自动驾驶仪和indoot定位系统（例如OptiTrack）进行室内导航的ROS节点集。

自动驾驶规划控制岗位面试题知识点，适合相关求职人员

SUSTechPOINTS：点云3D边界框注释工具 消息 2020.4.2自动偏航角（z轴）预测。 笔记 该项目仍处于开发阶段，某些功能/算法需要尚未上传的软件包，我们将尽快上载它们。 特征 9自由度框编辑 编辑透视图和投影视图 多个摄像机图像作为上下文，并具有自动摄像机切换功能 相机-LiDAR融合 二进制/ ASCII PCD文件 jpg / png图像文件 半自动盒注释（需要额外的包装） 对象/盒子的颜色按类别 对焦模式可隐藏背景以轻松查看详细信息 流播放/停止 自动对象跟踪ID生成 互动盒装 要求 python，cherrypy，张量流> = 2.1 安装 安装软件包 pip install -r requirement.txt 下载模型 下载预训练的模型文件 ，将其放入./algos/models wget https://github.com/naurril/SUSTech

Obstacle Detection for Self-Driving Cars Using Only Monocular Cameras and Wheel Odometry

2D目标检测在自动驾驶领域存在很多问题，因为自动驾驶的空间首先是在3D层面上的，而且需要使用RGB图像、RGB-D深度图像和激光点云，输出物体类别及在三维空间中的长宽高、旋转角等信息。这一类检测称为3D目标检测。随着Faster-RCNN的出现，2D目标检测达到了空前的繁荣，各种新的方法不断涌现，百家争鸣，但是在无人驾驶、机器人、增强现实的应用场景下，普通2D检测并不能提供感知环境所需要的全部信息，2D检测仅能提供目标物体在二维图片中的位置和对应类别的置信度，但是在真实的三维世界中，物体都是有三维形状的，大部分应用都需要有目标物体的长宽高还有偏转角等信息。例如下图Fig.1中，在自动驾驶场景下

R79.04关于转向装置的统一认证

随着自动驾驶能力的持续提升，3D毫米波雷达已无法满足“看得更清晰”、“看得更准确”的需求，而4D毫米波雷达在3D的基础上增加目标高度数据的探测，且天线数量更多/密度更高、输出的点云图像更致密，使得毫米波雷达在探测距离、距离精度、角度分辨率、角度精度、速度精度等方面都有所提升，可有效解析目标的轮廓、类别、行为。 但受成本因素制约，3D毫米波雷达短期内无法全面升级为4D毫米波雷达。随着4D毫米波雷达技术成熟度提高、算法能力提升、量产规模加大、成本降低，会逐步从高端车型向中低端车型覆盖。

智能无人机路径规划仿真系统是一个具有操作控制精细、平台整合性强、全方向模型建立与应用自动化特点的软件。它以A、B两国在C区开展无人机战争为背景，该系统的核心功能是通过仿真平台规划无人机航线，并进行验证输出，数据可导入真实无人机，使其按照规定路线精准抵达战场任一位置，支持多人多设备编队联合行动。