RT-Range ADAS测试应用介绍

Milo：大脑控制的轮椅 Milo帮助人们导航，而无需动手或四肢。 我们认为它对于ALS，锁定综合征或其他形式的瘫痪患者特别有用。 我们的脑机接口利用脑电图（EEG），这是一种经济实惠，可访问且无创的技术，可以检测脑部活动。 具体而言，当用户想象运动时，Milo通过检测对运动感觉皮层（与运动相关的大脑区域）中的mu节律（7-13 Hz）的抑制来使用运动图像信号进行转向。 除运动图像外，还使用眨眼信号和下颌伪影来启动和停止动作，并表示需要转弯。 使用Milo，用户可以通过眨眼或握紧下巴在前进和停止之间切换。 他们可以通过简单地考虑左右手的运动来向左或向右转。 我们还为护理人员设计了一个Web应用程序，他们可以从中实时查看轮椅使用者的位置，以确保他们的安全。 如果用户的心律不正常或发生崩溃，也会将一条短信发送给护理人员。 此外，我们还实施了辅助驾驶功能，可用于跟踪墙和避开物体。 Github

介绍智能驾驶决策方向的论文，主流决策算法出自该论文

驾驶员睡意检测

计算机视觉技术大量应用于自动驾驶系统，主要解决物体识别与物体分类问题，本文根据任务提出了一种轻量化的神经网络结构.为解决训练数据规模不足的问题，采用了改进型数据增强算法，使训练数据成倍增加.同时为解决使用数据生成器作为验证集，无法使用tensorboard的问题，提出了解决方案，通过卷积网络可视化方法详细研究了神经网络处理图像信息的原理并提出了优化方法.训练后的模型在验证集上准确率达到了97.5%，满足了自动驾驶系统对分类任务准确率的要求.

无人驾驶原理与实践中的frenet, 路径规划，避障展示，动作规划，基于Python的代码，优化轨迹的无人车动作。

摩托车安全驾驶知识.ppt

本文将自动驾驶算法部分分成以下三个部分：场景识别、路径规划及车辆控制。每一类别都是由多种算法组成的。例如场景识别需要定位，物体检测及追踪算法。路径规划通常由任务、运动规划组成，车辆控制则对应路径跟随。下图1，显示了算法基本的控制及数据流。接下来本文将按照下图来组织文章结构，顺序介绍自动驾驶平台上的相关算法。定位是自动驾驶中最基本及重要的问题之一。尤其是在城市道路上，定位的精确度决定了自动驾驶的可靠性。Autoware采用NormalDistributionTransform(NDT)配准算法[1]。为了进一步提高精度，Autoware又采用了[2]中的方法，并配合高质量的3DLidar传感器及

瑞芯微px30 linux ubuntu ROS开发从零基础到精通.pdf

单目纯视觉分析车辆行为 这个项目演示通过用一部手机，拍摄道路上的一段交通视频，可以提取一些有用的信息。 运行方法： 首先将YOLOv3的权重文件下载并放在yolov3_coco目录下。 wget https://pjreddie.com/media/files/yolov3.weights 如果您的python main.py有cuda加速支持的话可以在main.py中将use_gpu设置为True 。 详细文档见。