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。

通过从虚拟数据中学习来创建可预测现实生活中的车辆碰撞的模型的尝试。 详细信息待定。 笔记： 1.此时，车辆跟踪依赖于Nanonets Deep SORT实施 在feature_extractor目录下克隆 将__init__.py放在目录中： nanonets_object_tracking和nanonets_object_tracking/deep_sort 在deepsort.py将from deep_sort...中的deepsort.py替换from deep_sort... （例如from .deep_sort...有一个点） 复制feature_extractor/nanonets_object_tracking/siamese_net.py > feature_extractor/siamese_net.py （否则， feature_extractor/siam

【自己动手做一台SLAM导航机器人】 前言 第一章：Linux基础 第二章：ROS入门 第三章：感知与大脑 第四章：差分底盘设计 第五章：树莓派3开发环境搭建 第六章：SLAM建图与自主避障导航 第七章：语音交互与自然语言处理 附录A：用于ROS机器人交互的Android手机APP开发 附录B：用于ROS机器人管理调度的后台服务器搭建 附录C：如何选择ROS机器人平台进行SLAM导航入门

该课题为基于matlab眼部检测的疲劳驾驶系统。我们可以假设有一部摄像头对着大巴司机或者或者司机，对司机进行实时的监测，每隔数秒进行一次疲劳的判别，如果说疲劳驾驶则进行报警或者提示司机。检测方法为先进行人脸定位，在寻找眼睛再去判别眼睛属于睁开还是闭住。去统计闭眼的频率。

摘要：面向智能化交通管理、车辆智能化控制以及路网智能信息服务的应用需求，结合空间信息网络在覆盖范围、时空基准、态势感知等方面的突出优势，提出一种基于空天地一体化

自主驾驶车辆的深度模仿学习 自动驾驶汽车已经引起了学术界（例如牛津，麻省理工学院）和工业界（例如Google，特斯拉）的极大兴趣。 但是，由于普遍的知识，我们发现直接实现全自动驾驶（SAE 5级）非常困难。 为了解决这个问题，深度模仿学习是一种有前途的解决方案，可以从人类的演示中学习知识。 在这个项目中，我们研究了如何使用深度模仿学习来实现车辆动态控制（例如转向角，速度）。 我们使用了Udacity（ ）提供的数据集和模拟器以及现实世界中的comma.ai数据集。

进阶课程 ⑫ _ Apollo高精地图.pdf