RTM3D-PyTorch 论文的PyTorch实现： （ECCV 2020） 示范 特征 基于单眼RGB图像的实时3D对象检测 支持 张量板 RESNET基于ķeypoint˚Feature P yramidÑetwork（KFPN）（通过设置使用--arch fpn_resnet_18 ） 使用左右摄像机的图像（通过设置use_left_cam_prob参数进行控制） 发布预训练的模型 本文的一些修改 公式（3） ： 负值不能是log运算符的输入，因此请不要如本文中所述对dim进行归一化，因为归一化的dim值可能小于0 。 因此，我直接回归到以米为单位的绝对尺寸值。 使用L1 loss进行深度估计（首先将sigmoid激活应用于深度输出）。 公式（5） ：我没有使用地面真实值的绝对值，而是使用了相对值。 式（7）： argmin代替argmax 生成对象中心和顶

Udacity-Self-Driving-Car-Engineer:Udacity课程

自动驾驶技术手册 版权声明 本维基百科“知识共享署名-相同方式共享4.0国际协议（CC 4.0-BY-SA）”，详见。

SDC-车道和车辆检测-跟踪 Python中的OpenCV，用于自动驾驶汽车的车道线和车辆检测/跟踪 阅读我关于这个项目的 Medium。

CamVid is provided by The University of Cambridge.本数据集由剑桥大学提供。 camvid_class_dict.csv camvid_test_labels.zip camvid_train_labels.zip camvid_val.zip camvid_test.zip camvid_val_labels.zip camvid_train.zip

车辆路径matlab代码 无人驾驶车辆模型预测控制(第2版) 无人驾驶车辆模型预测控制(第2版)随书仿真程序及扩展学习资料. This repo holds the Simulink/CarSim codes for examples of Self-driving Vehicles and Model Predictive Contorl (2ed edition). Contents Chapter-2: Vehicle model validation, including 4 examples tire model validation kinematic model validation dynamic model validation Chapter-3: MPC for longitudinal control, including 4 examples a simple example using MPC toolbox for speed tracking demo MPC for speed tracking control with du as input Ext

运行环境： 1.python 3.7.4 2.pytorch 1.4.0 3.python-opencv 说明 预训练的权重文件[vgg_16] 具体的配置文件请看Config.py文件 训练运行python Train.py 单张测试 python Test.py ##目前进度： 1、PERCLOS计算 DONE 2、眨眼频率计算 DONE 3、打哈欠检测及计算 DONE 4、疲劳检测 DONE 5、人脸情绪检测 DONE 6、口罩检测Done 网络检测性能：准确率82.18% 主要文件说明： ssd_net_vgg.py 定义class SSD的文件 Train.py 训练代码 voc0712.py 数据集处理代码（没有改文件名，改的话还要改其他代码） loss_function.py 损失函数 detection.py 检测结果的处理代码，将SSD返回结果处理为opencv可以处理的

自动驾驶汽车的深度学习：Deep Learning for Self-Driving Cars（课程讲义） 通过建立自动驾驶汽车的应用主题，介绍深度学习的实践。它对初学者开放，是为那些刚接触机器学习的人设计的，但它也可以帮助现场的高级研究人员寻找深度学习方法及其应用的实用概述。

高速公路环境 自动驾驶和战术决策任务的环境集合 高速公路环境中可用环境之一的一集。 环境 高速公路 env = gym . make ( "highway-v0" ) 在这项任务中，自我车辆正在一条多车道高速公路上行驶，该高速公路上挤满了其他车辆。 代理的目标是达到高速，同时避免与相邻车辆发生碰撞。 在道路右侧行驶也有奖励。 高速公路-v0 环境。 合并 env = gym . make ( "merge-v0" ) 在这项任务中，自我车辆从主干道开始，但很快就会接近路口，进入坡道上的车辆。 代理现在的目标是保持高速，同时为车辆腾出空间，以便它们可以安全地并入交通。 merge-v0 环境。 迂回 env = gym . make ( "roundabout-v0" ) 在此任务中，自我车辆是否接近交通流量较大的环形交叉路口。 它将自动遵循其计划路线，但必须处理车

NGSIM US-101数据集平滑 描述 NGSIM US-101数据集平滑功能使用提供了众所周知的轨迹NGSIM US-101数据集的低噪点和平滑版本。 平滑过程分为两个步骤，该过程包括：首先，平滑X和Y值，然后相对于平滑的X，Y值重新计算速度和加速度。 表中的内容 NGSIM US-101数据集 自2005年发布以来，NGSIM US 101数据集一直是研究人员进行轨迹预测的最终开源数据集。包括[1-3]在内的许多研究人员都指出数据集中存在噪声，这主要是由于其具有是从位于加利福尼亚州洛杉矶的俯瞰好莱坞高速公路的建筑物上安装的8台摄像机的视频录像中自动提取的，也称为美国南行101。用于提取NGSIM US-101数据集的软件称为NG-VIDEO软件。 另外，NGSIM文档明确指出： 尚未对数据集进行准确性评估 [我们不对数据完整性提出任何要求。 提供的数据可能存在差距 我们发现，绘制加