DDAD-自动驾驶的密集深度 DDAD是TRI（丰田研究所）提供的新的自动驾驶基准，可在挑战性和多样化的城市条件下进行远距离（最大250m）和密集深度估计。 它包含单眼视频和准确的地面深度（在整个360度视野内），这些深度是由安装在跨洲环境中的自动驾驶汽车车队上的高密度LiDAR生成的。 DDAD包含来自美国（旧金山，湾区，剑桥，底特律，安阿伯）和日本（东京，台场）的城市环境的场景。 如何使用 可以在此处下载数据： （257 GB，md5校验和： c0da97967f76da80f86d6f97d0d98904 ）和 （ c0da97967f76da80f86d6f97d0d98904 GB，md5校验和： cb244da1865c28898df3de7e904a1200 ）。 要加载数据集，请使用。 以下代码段将实例化数据集： from dgp . datasets import S

拐弯并道看反光镜就够了？四大驾驶误区很要命.doc

3D车 使用cannon.js进行Three.js场景添加物理和交互 该应用程序的托管版本在这里： Three.js场景，您可以在其中驾驶汽车并撞倒东西。

基于深度学习的疲劳驾驶监测融合算法的研究，杨非，刁鸣，现代物流交通行业发达，疲劳驾驶是大量交通事故发生的主要原因，如何精准地检测驾驶员的疲劳状态是当今的研究热点。近年来，机器

用VC++和OPENGL写的虚拟汽车驾驶系统 是我的毕设 所以资源分多一点 物有所值

4.3 基于图像识别车道线的车道保持仿真 在得到前文图像识别的车道线之后，本节根据所设计的模型预测控制算法对 其进行车道轨迹跟踪，下图 4.4 为 Carsim 与 Simulink 联合仿真模型图。 y_do t x_do t CarSi m S-Funct ion Vehicle Code: i_i Sco pe y T o W or kspa ce Sco pe1 z 1 Un it De lay M PCCo ntr olle r S-F un ctio n 0 Co nst an t 18 0*u/pi Fcn Sco pe2 u T o W or kspa ce1 Sco pe3 XY G ra ph Sco pe5 Sco pe4 Sco pe6 In2 x_dot phi_dot phi v Sub sys tem yaw ra te u v X Y Ear th-fixe d Sco pe7 XY G ra ph1 Y To W or kspa ce2 X To W or kspa ce3 Y1 To W or kspa ce4 X1 T o W or kspa ce5 Y X phi_dot phi Carsim 模型 MPC控制器 图 4.4 基于图像识别路径的轨迹跟踪模型 Figure 4.4 Trajectory tracking model based on detected lanes 本模型以上文运用计算机图像识别得到的路径曲线方程作为预测模型控制器 的参考轨迹输入，非线性模型预测算法作为控制器。在预测时域内对参考轨迹进 万方数据

参考ros下的Apollo Lattice规划与二次规划的核心代码移植，不能编译运行，仅供移植代码的参考，花了很多时间总结，也是有一定参考价值

前轮转向阿克曼四轮小车智能驾驶底层源码，包括状态机管理、PID车速控制、转向控制、显示器显示等

自动驾驶中的深度强化学习 最适合离散操作：4名工人，学习率1e-4 无法使其在连续动作空间中正常工作； 它产生的动作出了问题 A3C创意 总览 人工神经网络的架构

2016款沃尔沃S60L_T6_汽车使用手册用户操作图解驾驶指南车主车辆说明书电子版.pdf