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

模型是使用MATLAB开发，基于全工况模型建立的预警系统，具有三级报警和紧急制动功能，进一步丰富之后可以作为定速巡航系统的一部分。

本文调查了自DARPA挑战后开发的关于自动驾驶汽车的研究，这类汽车配备了可归类为SAE 3级的或更高级别的自动驾驶汽车的自主系统。自动驾驶汽车自主系统的体系结构一般分为感知系统和决策系统。感知系统一般分为多个子系统，负责自驾汽车定位、静态障碍物绘制、移动障碍物检测与跟踪、道路绘制、交通信号检测与识别等任务。决策系统通常被划分为许多负责任务的子系统，如路线规划、路径规划、行为选择、运动规划和控制。在本次调查中，我们介绍了自动驾驶汽车自主系统的典型结构。我们还回顾了有关感知和决策方法的研究。此外，我们还详细描述了UFES汽车的自主系统IARA的体系结构。最后，我们列出了由科技公司开发并在媒体上报道的著名自主研发汽车。

127页自动驾驶发展路径和产业链全景图，ppt，可修改复用

使用simulnk建立的辅助驾驶模拟模型，使用相机识别车道，并进行车道跟随，并控制与前方的车辆的距离。