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。

使用 R 查看生产数据，收集见解以帮助 AutoRU 制造团队解决阻碍最新原型 MechaCar 生产的问题。线性回归分析、统计摘要和 t 检验有助于评估制造团队的情况，并提供有关生产开发的反馈，以实现更高质量的结果。 预测 MPG 的线性回归 通过使用线性回归模型，上表突出显示了哪些变量对数据集中的 mpg 值具有统计显着影响。因此，p 值小于 0.05（因此具有非随机方差）的类别是车辆长度（p = 2.60x10 -12）和车辆离地间隙（p =5.21x10 -08）。截距显示了 5.08x10 -08的 p 值，该值也特别低，表明在确定数据集中的 mpg 值时可能存在其他未考虑的因素。 线性模型的斜率不被认为是零。检查表底部的 p 值表明 p = 5.35x10 -11并且该值具有静态显着性，即有理由拒绝原假设并相信数据集中的变量之间存在相关性。 这个线性模型相当好地预测了 MechaCar 原型的 mpg，但并不完美。对于 0.7149 的倍数 R 平方值，模型有大约 71% 的机会准确预测变量将如何落在模型上。但是，同样，只有 71%，这个模型还有改进的空间。

cars_train_set.zip

实现一个简单的租车系统，拥有详细的注释，浅显易懂

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

Carsim，Prescan联合simulink仿真设置

阿卡斯DECC Acarsdec是具有内置rtl_sdr，airspy前端或sdrplay设备的多通道acars解码器。 从3.0开始，它附带一个数据库后端：acarsserv用于存储收到的acars消息。 （请参阅下面的acarsserv章节）。 特征 ： 最多同时解码8个通道 错误检测与纠正 通过或或软件定义的无线电（SDR）输入 通过UDP以平面绘图仪或acarsserv格式记录数据，以存储在sqlite数据库或JSON中以进行自定义处理。 通过库对ARINC-622 ATS应用程序（ADS-C，CPDLC）进行 多通道解码对于RTLSDR加密狗，AIRspy和SDRplay设备等宽带设备特别有用。 它允许用户使用成本非常低的硬件直接直接监视多达8个不同的频率。 用法 acarsdec [-v] [-o lv] [-t时间] [-A] [-n | N | j ipaddr：po

acarsdec-解析器 简单 bash 解析器。 它是如何工作的 这实际上是一个非常简单的用于 BASH 的 shell 脚本，当从 acarsdec 输入输出时，它会将每条消息解析为单独的变量（使用 acarsdec -o2的默认完整输出格式）。 它只依赖于 grep（最终是一个数据库客户端）。 它会将消息数据回显到标准输出，但也允许您对消息数据执行任何您想要的操作。 您可以找到脚本的注释部分，该部分将消息数据插入到远程 MySQL 数据库上的普通表中。 只需修改这部分并注释掉 echo 语句即可满足您的需要。 示例用法： ./acarsdec -p 20 -r 0 131.725 | ./acars-parser.sh ./acarsdec -p 20 -r 0 131.725 | ./acars-parser.sh 提供示例文件： cat sample.txt | ./acar

民航使用的acars系统采用非加密数据格式，可以利用短波和超短波接受解调acars报文，实时反馈航班信息