什么是ADAS系统: 高级驾驶辅助系统（Advanced Driver AssistantSystem），简称ADAS，是利用安装于车上的各式各样的传感器， 在第一时间收集车内外的环境数据， 进行静、动态物体的辨识、侦测与追踪等技术上的处理， 从而能够让驾驶者在最快的时间察觉可能发生的危险， 以引起注意和提高安全性的主动安全技术。 ADAS 采用的传感器主要有摄像头、雷达、激光和超声波等，可以探测光、热、压力或其它用于监测汽车状态的变量， 通常位于车辆的前后保险杠、侧视镜、驾驶杆内部或者挡风玻璃上。 30W ADAS系统设计描述: PMP10652 是一种适用于环视 ADAS 系统的系统优化型（CISPR 25 3 类）30W 设计。 此设计具有各种保护措施，如通过 TVS 的负载突降（ISO 脉冲测试）、反向电压（具有极低 Iq 的创新智能二极管）、具有 OVP 保护的电池断路开关 (PFET)，并经过 EMI 优化可满足 CISPR25 3 类（总体）传导 EMI 限制和高达 30MHz 范围的 5 类要求。 输入电压范围介于 4.5V 至 30V（OVP 为 20V），因此可在冷启动情况下工作。 LM74610 用于电池反向保护，利用电荷泵驱动一个 N 通道 FET 以提供电阻路径，从而使旁路电流流动。LM53603Q1 用作前端直流/直流降压转换器，这是一种 2.2MHz 开关同步整流宽输入电压降压转换器，可承受高达 42V 的瞬变。TPS57114Q1 用于向内核供电，这是一种高电流 2.2MHz 开关降压转换器。LM26420 是一种双通道 2.2MHz 开关降压转换器，用于生成其他所需电源。 LM3880 序列发生器用于满足所有加电和断电排序要求。 ADAS系统电路特性: 专为冷启动和启停情况而设计 符合 ISO 脉冲测试标准/CISPR 25 3 类传导发射标准，同时通过 AM 和 FM 无线电波段测试 所有器件开关频率为 2.1MHz（AM 波段回避） 通过智能二极管实现反向保护 具有 OVP 的串联故障保护 FET 通过集成序列发生器实现加电和断电排序 ADAS系统电路框图: 特性:

介绍了符合SOTIF开发方法，以博世介绍的ADAS系统为例，介绍了如何开发ADAS的SOTIF；适用于ADAS系统工程师，功能安全工程师以及想要参考外企开发方法的同学；

本课程主要内容是介绍目前国际上主流的基于毫米波雷达的ADAS系统架构的开发流程。从毫米波雷达的工作原理以及其在ADAS中的应用到系统需求分析，主流芯片介绍，然后导出系统架构，最后以ACC和1R1V架构为案例进行具体分析。最终通过本课程的培训，期望学员不仅能够对ADAS系统架构开发有一个综合全面的了解，而且能在工作中运用及拓展所学到的方法和技巧，达到一个即学即用的效果。

LKA主观测试评价，涉及到测试标准，测试流程，测试规范，测试场景，为LKA的测试提供标准，LKA主观测试评价，涉及到测试标准，测试流程，测试规范，测试场景，为LKA的测试提供标准

自动驾驶横向纵向控制，以及自动驾驶学习资料获取 涵盖感知，规划和控制，ADAS，传感器； 1. apollo相关的技术教程和文档； 2.adas（高级辅助驾驶）算法设计（例如AEB,ACC,LKA等） 3.自动驾驶鼻祖mobileye的论文和专利介绍 4.自动驾驶专项课程（可能是目前最好的自动教师教程），是coursera上多伦多大学发布的自动驾驶专项课程，应该是目前为止非常火非常好的教程了，包含视频，ppt，论文以及代码 5.国家权威机构发布的adas标准，这是adas相关算法系统的标准，也是开发手册。 6.规划控制相关的算法论文介绍 7.等等总共3G多的资料

ADAS系统开发及测试平台解决方案

LKA功能的主观评价，从主观评价方面解析一套成熟的LKA系统在各功能项上应有的表现，并与客观数据结合来综合的评价该系统

adas,弯道巡航控制算法，以及自动驾驶学习资料， 涵盖感知，规划和控制，ADAS，传感器； 1. apollo相关的技术教程和文档； 2.adas（高级辅助驾驶）算法设计（例如AEB,ACC,LKA等） 3.自动驾驶鼻祖mobileye的论文和专利介绍 4.自动驾驶专项课程（可能是目前最好的自动教师教程），是coursera上多伦多大学发布的自动驾驶专项课程，应该是目前为止非常火非常好的教程了，包含视频，ppt，论文以及代码 5.国家权威机构发布的adas标准，这是adas相关算法系统的标准，也是开发手册。 6.规划控制相关的算法论文介绍 7.等等总共3G多的资料

ACC自适应巡航系统

1）ADAS提升识别精度的主要方式为深度学习+大数据。即使用深度神经网络，训练尽可能多的图像数据，提高识别正确率。 一方面，深度学习相对于传统学习，无需工程师手动设定识别特征，并且网络可迁移、复，降低了做视觉识别的门槛。另一方面，训练的数据量通常与ADAS系统的识别率成正比。大量的数据还可以覆盖各种奇奇怪怪的特殊场景（比如高速上来了一群羊），以提升特殊场景下的识别能力。 2）ADAS系统提升识别精度还可以采取增强计算力、使用多传感器融合等路径。 3、ADAS未来发展趋势： 1）深度学习不仅为识别能力赋能，还将被更多用于驾驶策略制定； 2）计算硬件将飞速发展，为ADAS提供更强的计算力支持；