Obstacle Detection for Self-Driving Cars Using Only Monocular Cameras and Wheel Odometry

无人驾驶汽车的动手视觉和行为 这是Packt发布的《无人驾驶的代码库。 使用Python 3和OpenCV 4探索视觉感知，车道检测和对象分类 这本书是关于什么的？ 这本书将使您对推动自动驾驶汽车革命的技术有深刻的了解。 首先，您所需要的只是计算机视觉和Python的基础知识。 本书涵盖以下激动人心的功能： 了解如何执行相机校准 熟悉使用OpenCV在自动驾驶汽车中进行车道检测的工作原理 通过在视频游戏模拟器中自动驾驶来探索行为克隆 掌握使用激光雷达的技巧 探索如何配置自动驾驶仪的控件 使用对象检测和语义分割来定位车道，汽车和行人 编写PID控制器以控制在模拟器中运行的自动驾驶汽车 如果您觉得这本书适合您，请立即获取！ 说明和导航 所有代码都组织在文件夹中。 例如，Chapter02。 该代码将如下所示： img_threshold = np.zeros_like(chan

基于Carsim-simulink的轮毂电机电动车汽车建模与仿真.caj

利用carsim和Simulink仿真ADAS功能，实现其中简单的AEB功能

(完整版)CarSim软件设置输入变量.doc

为实现玉米种子含水率(MC)的精确、快速、无损检测, 消除种子放置方式(胚部朝上/下)的影响, 基于高光谱成像和图像处理技术, 结合变量筛选法, 针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像, 提取质心区域光谱数据, 采用竞争性自适应重加权变量选择算法筛选特征波段, 建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势, 挑选4个特征波段(1104, 1304, 1454, 1751 nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果, 自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明, 使用波段运算正、反面识别率分别为97.8%、100%; 正、反两面验证集相关系数分别为0.969, 0.946, 均方根误差分别为0.464%, 0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。

史上最眩酷的unity3d特效插件，亲测2017.3.1没有问题，别的版本不知道

基于carsim和simulink建立AEB联调仿真

汽车模拟器固件 CarSimulatorFirmware 是 VNM Simulation 的开放固件。 它包括汽车模拟器外围设备所需的固件，例如轴距、踏板、换档器等。 讨论请访问： : 或 轴距特点： 12 种效果和可配置的单独效果增益。 内置 DAC (PA4,PA5) ~ PE9,PE11 PWM FFB 频率高达 4k（可以增加到更高，但需要高分辨率编码器） 可配置的过滤器，用户效果。 VNM 轴距固件的功能路线图： 具有高分辨率和频率的称重传感器 24位多通道ADC 角度传感器 绝对式编码器 从 GUI 配置伺服驱动器 显示配置设备的 LCD 方向盘按钮、按钮盒、拨片。 变速杆 支持 H 模式和顺序模式 2 个模拟输入 可配置的 LED 2 个用于卡车旋钮的按钮 错误报告 对于错误报告，请尽可能详细地填写以下表格，以便我们追踪问题 1. Brief de

javaCard2.2规范，中文。只是一部份。