设计“行人识别及自动跟随”场景及实验方案，搭建测试场地，调研基于OpenCV的行人识别方法并编程实现，将算法部署至XQ4-Pro移动机器人平台，结合机器人操作系统，实现测试场景下的移动机器人行人识别及自动跟随

驾驶疲劳是影响交通安全的重要因素之一，疲劳驾驶预警系统的研究是十分有必要的。针对面部特征精确定位及疲劳驾驶检测问题，提出眼、鼻和嘴部三组卷积值加权求和的算法，根据三者状态信息对实验结果影响程度设置不同的权重系数，构造疲劳监测模型。首先对拍摄的驾驶员图片进行人脸检测，获得面部图像，按比例对合成的卷积模板划分三部分器官区域，结合模板卷积的相关理论，采用多目标优化技术，然后对面部器官状态进行疲劳判断，并得到相应的判定结果。实验表明，综合眼、鼻和嘴部信息模板不同的权重系数，突出了重要器官区域的影响，提高了疲劳检测准确性和鲁棒性，为最终构建一种实时的、可靠的非接触式驾驶员监测系统提供了理论基础。

自动驾驶食谱（预览） 注意： 该项目由Microsoft Garage的开发并维护。 目前这项工作正在进行中。 我们将根据用户的要求和合作者的可用性继续添加更多的教程和方案。 在过去的大约五年时间里，自动驾驶已经超越了疯狂的登月计划。 它已Swift成为当今最大的技术之一，有望塑造我们的明天，与汽车首次出现时并没有什么不同。 推动此变化的主要动力是软件（人工智能），硬件（GPU，FPGA等）和云计算的最新进展，这些进展使得能够提取和处理大量数据，从而使公司有可能推动新的水平自治的4和5。 兰德的显示，要达到这些自治水平，就需要对数亿甚至有时是数千亿英里的训练数据进行训练，以证明其可靠性。

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。

研究了一种改进蚁群算法在无人驾驶飞行器三维航迹规划中的应用。针对基本蚁群算法容易过早陷入局部最优以及过早陷入迭代停滞的缺陷,新提出了一种信息素挥发系数的随机自适应调节方法;借助最小威胁曲面这个概念,将最小威胁曲面向水平面投影,使三维航迹规划转换为二维航迹规划;并借助动态窗口这个概念,在三维离线航迹的基础上进行航迹局部重规划;最后给出仿真验证。仿真结果表明:改进蚁群算法在解的优越性和算法的快速性上都全面优于基本蚁群算法,并且改进的蚁群算法在三维航迹重规划上有很强的适应性。

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；

【疲劳驾驶检测系统】 适用人群：本科或专科 技术路线：使用dlib、opencv和wx搭建 实现内容：头部角度，眨眼和打哈气的检测并在相应输出端进行输出提示。 实现语言：python3.7以上 编译器：pycharm2020以上 提示说明：最好直接放在d盘，这样导入好包之后可以直接运行

多车实现智能编队，协同前近，在协同运动时能够保持队形，误差可控，稳定运行，并配有相关图标进行分析说明。绝对超值

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。

本文针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题，提出了一种基于MTCNN-PFLD-LSTM深度学习的司机疲劳驾驶检测方法。该方法利用深度学习技术对驾驶员的面部特征进行提取和分析，通过LSTM模型对驾驶员的疲劳状态进行判断和预测。实验结果表明，该方法具有较高的检测准确率和效率，能够有效地检测司机的疲劳驾驶状态，具有一定的实用性和推广价值。