DeepGTAV：GTAV的插件，可将其转变为基于视觉的自动驾驶汽车研究环境

在本文中，我们提出了一种深度强化学习方法，以评估虚拟创建的自动驾驶场景的性能。 马尔可夫决策过程用于将车辆状态映射到动作。 折扣和奖励功能也包含在决策策略中。 为了处理导致强化学习的标准不稳定的高维度输入，我们使用了经验重播。 为了进一步降低相关性，我们使用迭代更新来定期更新Q值。 基于随机目标函数的亚当优化器与整流线性单元激活函数一起用作神经网络中的优化器，有助于进一步优化过程。 这款自动驾驶汽车不需要任何带有标签的训练数据即可学习人类的驾驶行为。 受现实情况启发，基于动作的奖励功能用于训练车辆。 在我们的方法中已经证明，经过多次迭代，虚拟制造的车辆会产生无碰撞运动，并执行与人类相同的驾驶行为。

665张坑洞数据

此工程为基于 apollo 1.0.0 的ros1移植版本，移植主要目的如下： - 学习apollo框架设计 - 学习apollo中的控制算法 目前移植版本与原有版本改动点如下： - 使用原生ros（基于noetic）替代apollo中更改的ros - 使用ros pkg封装apollo中每个module - 使用cmake进行编译 - 将protobuff版本提升到3.6.0 - 使用ros中的`std_msgs/String`替代apollo的`pd_msgs/xxx`消息 - 增加pnc仿真工具`apollo_simulator` 此移植版本，能很好的将自己的算法增加到框架中，应用于机器人或者无人驾驶中。同时，由于apollo中的模块抽象，每个模块之间和中间件没有耦合，中间件能很容易从ros1移植到ros2、LCM等，具体开发可根据自己的需求进行魔改。

智东西-自动驾驶系列课第6课课件-新造车务实派如何落地自动驾驶-小鹏汽车肖志光-

智东西-自动驾驶系列课第4课课件-低速自动驾驶专用车的技术挑战与前景-智行者联合创始人李晓飞

darknet pretrained weights

硬件电路开发流程，硬件开发规范，硬件开发控制，硬件学习，系统学习，防火墙

问题说明：给定任意初始条件，在不对称的速度、加速度，加加速度的限制下，如何规划一条最快回到给定位置和速度的曲线，也就是time optimal时间最短的曲线。 五次多项式曲线会出现overshoot问题，且形状不够灵活，限制了采样空间。 作者巧妙地将三阶time optimal问题划分为最多七个状态，设计七个状态的jerk和time来解决问题，速度快且满足需求，适用于自动驾驶中的横向规划采样轨迹。缺点时移植性差，公式较为固定。

该压缩包内存储的是mems类型激光雷达采集的点云数据，含有多个pcd文件，可以用于点云分析和处理使用。点云数据是在日常户外场景采集，包含常见的人，机动车，非机动车等交通参与者。