无人车综述：Abstract— We survey research on self-driving cars published in the literature focusing on autonomous cars developed since the DARPA challenges, which are equipped with an autonomy system that can be categorized as SAE level 3 or higher. The architecture of the autonomy system of self-driving cars is typically organized into the perception system and the decision-making system. The perception system is generally divided into many subsystems responsible for tasks such as self-driving-car localization, static obstacles mapping, moving obstacles detection and tracking, road mapping, traffic signalization detection and recognition, among others. The decision- making system is commonly partitioned as well into many subsystems responsible for tasks such as route planning, path planning, behavior selection, motion planning, and control. In this survey, we present the typical architecture of the autonomy system of self-driving cars. We also review research on relevant methods for perception and decision making. Furthermore, we present a detailed description of the architecture of the autonomy system of the UFES’s car, IARA. Finally, we list prominent autonomous research cars developed by technology companies and reported in the media

本文对自动驾驶汽车的研究和创新进行了科学计量和文献计量分析。 通过对定量经验证据的研究，我们探索了人工智能（AI）在自动驾驶汽车研发中的机器学习，深度学习和数据挖掘的重要性，该专利和论文对此进行了衡量。 除了发明活动和学术努力的速度呈指数增长外，我们发现证据表明，自2009年以后，与数据收集和处理相关的技术在自动驾驶汽车方面的应用已发生了Swift而有意义的转变。我们证明了这一点。 shift反映了创新者格局的重大变化，以及学术界对自动驾驶汽车在道德，法律和社会方面的关注日益增加。 关于自动驾驶的研究和创新似乎在人工智能方面得到了越来越多的定义，而人工智能却忽略了实现该技术潜力可能需要的未来社会技术系统的某些方面。

3D对象表示是用于多视图对象类检测和场景理解的宝贵资源。细粒度识别是计算机视觉的一个不断发展的子领域，在区分细微的外观差异方面有许多实际应用。这些汽车数据集包含用于组建模型的出色培训和测试集，可以相互区分汽车。 Stanford Cars Dataset_datasets.txt Stanford Cars Dataset01_datasets.zip Stanford Cars Dataset02_datasets.zip Stanford Cars Dataset03_datasets.zip

60 个汽车模型

二手车价格预测 描述： 通常，新车的价格由制造商确定，因此可以确保质量。 对于二手车而言，情况并非如此，在这种情况下，客户容易被假冒公司欺骗，并为价值较低的汽车支付更高的价格。 我们的想法是实现不同的机器学习算法，这些算法根据车辆的状况，进入年份，制造商，型号等特征预测价格。它有助于客户了解市场上的买卖价格。

:automobile: :money_bag:我的车值多少钱？ :robot:二手车价格预测解决方案的原型 该项目的目的是创建一个完整的机器学习原型，从探索性数据分析到模型部署和用户界面开发。 在此存储库中，您可以找到： 作者

任务4：智能汽车的大型弱监督声音事件检测 协调员 本杰明·埃里扎德（Benjamin Elizalde），伊曼纽尔·文森特（Emmanuel Vincent），比克莎·拉吉（Bhiksha Raj） 数据准备，注释 Ankit Shah（ ），Benjamin Elizalde（ ） 注释，基线和子任务的度量 Rohan Badlani（ ），Benjamin Elizalde（ ），Ankit Shah（ ） 指数 直接下载开发和评估套件的音频 用于下载任务4的开发数据的脚本 评估任务4的脚本-子任务A（音频标记）和子任务B Strong Label的测试注释 1.直接下载用于开发和评估集的音频 评估集的注释尚未发布。 可以通过向Ankit Shah（ ）或Benjamin Elizalde（ ）发送请求电子邮件来共享密码。 （Psswd培训文件：DCASE_2017_

利用中红外光谱检测技术对甲醇汽油中的甲醇含量进行检测研究。由于中红外光谱易受外界环境干扰且数据量较大,为减小运算量并提高模型精度,采用无信息变量消除( UVE)法、竞争性自适应重加权取样(CARS)法以及遗传算法(GA算法)等来选择有效光谱波段,再建立对应的偏最小二乘(PLS)模型,最后分别建立PLS、UVE-PLS、GA-PLS和CARS-PLS模型,探索最优的甲醇含量检测模型。结果表明:CARS-PLS模型效果最好,预测相关系数和预测均方根误差分别为0.978和1.177。CARS算法是一种有效提取甲醇含量的中红外光谱检测方法,采用中红外光谱检测技术测定甲醇汽油中的甲醇含量是可行的,可以有效简化运算模型,提高模型检测精度。

近几年来，自动驾驶发展非常迅猛，和自动驾驶相关的技术也在不断更新演变，其技术主要分为感知层、信息融合层、决策规划层、以及控制层。未来5到10年，全球互联网产业还有唯一一座未开掘的金矿，毫无疑问是自动驾驶。有预测表明，在2025年与自动驾驶相关的将产生1.9万亿美元的产值。这个庞大的产业与其他行业一样，会经历百舸争流到少数几家竞争的格局。

Privacy and the New Generation of Connected Cars.pptx