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。

Python中的实用自主项目 车道检测 交通标志识别 I.加载带有标签的完整数据集 二。 将图像大小转换为32x32 三， 建立卷积神经网络 IV。 训练模型 五，使用网站上的图片进行测试 样本图片 图片尺寸为32x32（RGB） 图片尺寸为32x32（HSV） 样品输出 标签 ＃ 标签名 softmax概率 14 停 0.998944 33 向右转 0.000532 29 自行车穿越 0.000311 34 向左转 0.000118 36 直走或右走 0.000095

带有多个用于自动驾驶的传感器的欧盟长期数据集 ，， 和 问题 雷达数据： 通过GPS-RTK提供车辆位置地面实况： ， 数据集 基准线 我们分叉了以下最新方法的实现，并使用我们的数据集进行了试验（稍有更改）： 姿势估计： ： 激光雷达里程计： https : //github.com/laboshinl/loam_velodyne 激光雷达里程计： https : //github.com/RobustFieldAutonomyLab/LeGO-LOAM 待续 ... 非常欢迎所有用户提交结果。 GPS / RTK记录的地面真实轨迹 hector_pose_estimation（姿势估计） 怎么玩 roslaunch utbm_pose_estimation.launch bag:=path_to_your_rosbag utbm_pose_estimati

ad-xolib（C ++和Python中的OpenScenario和OpenDrive解析器） C ++库，用于使用Python绑定为3. +解析OpenScenario（1.0.0）和OpenDrive格式文件（1.6） 介绍 该存储库提供了一个用于读取ASAM的OpenStandards OpenScenario和OpenDrive数据文件的库，其解析符合 执照 该软件库是根据MIT开源许可证提供的： : 。 灵感 入门 该项目使用启用了c ++ 11的编译器进行编译，请相应地选择您的堆栈。 **与GCC相关的错误已解决。 从源构建 git clone https://github.com/javedulu/ad-xolib.git git submodule update --init --recursive mkdir build cd build cmake .

超快速通道检测 PyTorch实施的论文“”。 更新：我们的论文已被ECCV2020接受。 评估代码是从改性和。 Caffe模型和原型可以在找到。 演示版 安装 请参阅 开始吧 首先，请根据您的环境在configs/culane.py或configs/tusimple.py配置中修改data_root和log_path 。 data_root是您的CULane数据集或Tusimple数据集的路径。 log_path是tensorboard日志，训练有素的模型和代码备份的存储位置。它应该放置在该项目之外。 对于单GPU训练，运行 python train.py configs/path_to_your_config 对于多GPU训练，请运行 sh launch_training.sh 或者 python -m torch.distributed.launch --nproc_per_n

Traffic_sign_recognition：使用定向梯度直方图（HOG）和基于色域的功能识别交通标志。 支持向量机（SVM）用于对图像进行分类

RTM3D-PyTorch 论文的PyTorch实现： （ECCV 2020） 示范 特征 基于单眼RGB图像的实时3D对象检测 支持 张量板 RESNET基于ķeypoint˚Feature P yramidÑetwork（KFPN）（通过设置使用--arch fpn_resnet_18 ） 使用左右摄像机的图像（通过设置use_left_cam_prob参数进行控制） 发布预训练的模型 本文的一些修改 公式（3） ： 负值不能是log运算符的输入，因此请不要如本文中所述对dim进行归一化，因为归一化的dim值可能小于0 。 因此，我直接回归到以米为单位的绝对尺寸值。 使用L1 loss进行深度估计（首先将sigmoid激活应用于深度输出）。 公式（5） ：我没有使用地面真实值的绝对值，而是使用了相对值。 式（7）： argmin代替argmax 生成对象中心和顶

高速公路环境 自动驾驶和战术决策任务的环境集合 高速公路环境中可用环境之一的一集。 环境 高速公路 env = gym . make ( "highway-v0" ) 在这项任务中，自我车辆正在一条多车道高速公路上行驶，该高速公路上挤满了其他车辆。 代理的目标是达到高速，同时避免与相邻车辆发生碰撞。 在道路右侧行驶也有奖励。 高速公路-v0 环境。 合并 env = gym . make ( "merge-v0" ) 在这项任务中，自我车辆从主干道开始，但很快就会接近路口，进入坡道上的车辆。 代理现在的目标是保持高速，同时为车辆腾出空间，以便它们可以安全地并入交通。 merge-v0 环境。 迂回 env = gym . make ( "roundabout-v0" ) 在此任务中，自我车辆是否接近交通流量较大的环形交叉路口。 它将自动遵循其计划路线，但必须处理车

Data for AI Broad with Applications in Autonomous Driving

This book takes a look at fully automated, autonomous vehicles and discusses many open questions: How can autonomous vehicles be integrated into the current transportation system with diverse users and human drivers? Where do automated vehicles fall under current legal frameworks? What risks are associated with automation and how will society respond to these risks? How will the marketplace react to automated vehicles and what changes may be necessary for companies?