LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt

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

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

项目：建立交通标志识别程序 该项目 该项目的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 用书面报告总结结果 依存关系 该项目要求： tensorflow-gpu == 1.7.0 scipy == 1.0.0 matplotlib == 2.0.0 numpy == 1.14.2 opencv-contrib-python == 3.4.0.12 sklearn == 0.18.2 数据集探索 数据集摘要 。 加载数据集和基本摘要 加载数据集后，我得到以下摘要信息： 训练例数：34799 测试例数：12630 验证示例数：4410 图像形状为：（32 32，3） 类数标签：43 探索性可视化 该图像网格表示从训练集中每个类别中选择的一个随机图像 分配 现在，我们将探索分

pid控制器设计代码matlab MATLAB中的无人驾驶汽车仿真 该存储库包含MATLAB中的一系列自动驾驶汽车仿真。 在无人驾驶汽车的环境中，仿真主要集中在控制，传感器融合，状态估计和定位上。 1.在MATLAB / SIMULINK中对自动驾驶汽车的车道保持辅助系统进行仿真 该项目使用计算机视觉和控制原理来模拟simulink中自动驾驶汽车的车道保持辅助系统。 simulink中的计算机视觉工具箱用于检测车道线，并使用PID控制器在车道线之间驾驶车辆。 首先，将相机捕获的图像序列转换为HSV色彩空间。 将阈值应用于HSV颜色空间中的S通道以隔离车道线。 使用投影变换对二进制图像进行变换以获得场景的鸟瞰图。 最后，使用Simulink用户定义功能中的2D点云分析仪处理鸟瞰图，以检测左右车道。 2.用于跟踪的PID控制器设计 3.混合自动机设计 实现了汽车的动态性，PID控制器将汽车驶向指定的目标，同时避开了地图上的障碍物。 汽车和控制器的动力学都使用MATLAB中的面向对象程序植入到Car.m文件中。 主要功能运行汽车模型并绘制结果以生成用于此仿真的GIF文件。 注意：在每个文件夹

无人驾驶汽车项目 我使用开源模拟器完成了多个自动驾驶汽车（AV）项目。 这些项目涵盖了从控制，状态估计，定位，感知到运动计划的视音频领域。 控制器使用CARLA模拟环境在跑道上导航自动驾驶汽车。 误差状态扩展卡尔曼滤波器，可使用CARLA模拟器中的数据对车辆进行定位。 名称待定 识别场景中对象的边界框并定义可驱动曲面的边界的算法。 名称待定 分层运动计划程序，用于在CARLA模拟器中的一系列场景中导航，包括避免将车停在车道上，跟着领先车辆行驶并安全地导航十字路口。 安装CARLA 的Ubuntu 下载并按照。 视窗 下载版并按照。

斯坦福自动驾驶汽车守则 进入DARPA大挑战的汽车的斯坦福密码 斯坦福自动驾驶汽车的软件基础架构 参见 最初在Sourceforge上找到

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

Udacity-Self-Driving-Car-Engineer:Udacity课程

SDC-车道和车辆检测-跟踪 Python中的OpenCV，用于自动驾驶汽车的车道线和车辆检测/跟踪 阅读我关于这个项目的 Medium。