具有深度强化学习功能的高速自主漂移 IEEE机器人与自动化快报＆ICRA-2020 :desktop_computer: :scroll: 要求 已在Ubuntu 16.04和Ubuntu 20.04上测试。 配备Nvidia GPU，并安装了驱动程序。 在GTX 1080Ti上测试。 安装 ，它是一个程序包管理器，环境管理器和Python发行版。 安装环境： conda env create -f environment_drift.yaml 此命令将创建一个畅达环境命名的drift 七张地图的参考轨迹 地图的参考轨迹位于code/ref_trajectory traj_0 ：用于map（a），用于第一阶段训练。 traj_1 ... traj_5 ：用于map（bf），用于第二阶段训练。 traj_6 ：用于map（g），用于评估 启动模拟器 我们基于构建模拟器。 您可以下载我们的构建版本。 然后将这两行

内容概要：本文介绍了自主代客泊车（AVP）的理论与实践，由上海交通大学溥渊未来技术学院副教授秦通主讲。课程分为十个章节，涵盖了从自主停车的基础概念到具体技术实现的各个方面。课程首先介绍了自主停车的意义及其应用场景，如减少停车难度、节省时间和优化资源利用。接着详细讲解了坐标变换、运动估计、相机模型、语义分割、停车场地图构建、语义定位、轨迹规划以及车辆控制等关键技术。每个章节都配有相应的作业，帮助学生巩固所学内容。最后，课程还包括一个最终模拟项目和前沿分享，使学生能够全面掌握AVP的技术体系。 适合人群：对自动驾驶和智能交通领域感兴趣的高校学生、研究人员及工程师，尤其是具备一定编程基础和技术背景的学习者。 使用场景及目标：①了解AVP的基本原理和应用场景；②掌握自主停车系统的核心技术，如坐标变换、感知、规划和控制；③通过实际项目操作，提升动手能力和解决实际问题的能力；④为未来从事自动驾驶相关研究或工作打下坚实基础。 其他说明：本课程要求学员具备Linux系统操作、C++编程技能、ROS使用经验以及Python/Pytorch的基础知识。此外，硬件方面需要一台配置有Nvidia GPU的计算机，以支持深度学习相关的实验。课程还提供了丰富的参考资料和学习材料，帮助学生更好地理解和掌握相关知识点。

Falcone Nonlinear Model Predictive Control for Autonomous Vehicles.rar

Developing and testing algorithms for autonomous vehicles in real world is an expensive and time consuming process. Also, in order to utilize recent advances in machine intelligence and deep learning we need to collect a large amount of annotated training data in a variety of conditions and environments. We present a new simulator built on Unreal Engine that offers physically and visually realistic simulations for both of these goals.

mick_robot mick 是一个开源的自主导航小车项目，使用四轮差速小车模型和16线的3D激光雷达作为传感器，导航框架是基于move_base进行修改的。目前支持麦克纳姆轮和四轮差速底盘，该开源项目从搭建机械部分开始，分享底层的嵌入式控制，上层的建图和导航部分，最终实现A点到B的自主导航。 当前地址的代码为麦克纳姆轮和四轮差速ROS底盘的ROS导航节点包，与 mick_robot_chasiss 代码（底层控制代码）配合使用，更多的信息可以参考 该开源项目项应的中文教程： 该开源框架支持两种类型的底盘，4轮差速底盘和麦克纳姆轮底盘，如下图所示，底盘上运行的STM32程序可以在这个。 V1.2 修改日志 １．在底盘节点中增加使用外部的IMU来矫正里程计的偏航角 ２．cartographer建图配置参数 ３．增加了LeGO-LOAM节点（从官方节点fork） V1.1 修改日志 １．修改

概述 该存储库实施了一些用于自动驾驶汽车的常见运动计划器，包括 （不完整） 此外，此存储库还提供了一些用于路径跟踪的控制器，包括 要求 Python 3.6或更高版本 车辆型号 该存储库使用两种模型：简单汽车模型和。 混合A *计划器 州格规划师 控制器 纸 规划 推荐材料 调查自动驾驶城市车辆运动计划和控制技术调查 自动驾驶路径规划中的实用搜索技术 Frenet框架中动态街道场景的最优轨迹生成 控制 推荐材料 纯追求路径跟踪算法的实现 自主汽车路径跟踪的自动转向方法 Stanley：赢得DARPA大挑战赛的机器人 ApolloAuto / apollo：开放的自动驾驶平台 基于MPC的自动驾驶系统主动转向方法 有用的材料 AtsushiSakai 由KTH Research Concept Vehicle提供

004_Optimal+Trajectory+Generation+for+Autonomous+Vehicles+Under+Centripetal+Acceleration+Constraints+for+In-lane+Driving+Scenarios

本文分2部分，第2-3节介绍free space下的路径规划，目标是规划出一条平滑且满足车辆non-holonomic约束的最短路径。第4节介绍semi-structured环境的路径规划。 free space的方法分为2部分，第1部分是采用启发式搜索方法获得一条满足车辆运动学约束的可行驶轨迹，比如Hybrid A*方法，通常结果不是最优、但接近最优。第2部分是在此基础上，采用数值优化产生更平滑的轨迹。

Apollo trajectory planning reference

The DARPA Urban Challenge Autonomous Vehicles in City Traffic