The DARPA Urban Challenge Autonomous Vehicles in City Traffic

深眼 该研究项目介绍了一种称为DeepEye的高级驾驶员辅助系统（ADAS）的新框架。 DeepEye是一种基于计算机视觉的副驾驶员系统，由深层卷积神经网络提供支持，以执行实时场景识别。 系统使用Tensorflow对驱动程序周围的相关对象进行分类。 它还使用Open Computer Vision库中的一组图像处理功能来估计汽车是否在车道上。 然后，它会通过自定义设计的仪表板（警告界面）向驾驶员警告是否有物体或情况对潜在威胁。 根据我们的测试结果，我们相信我们的系统对于配备ADAS传感系统的汽车将是一个有用的备用解决方案，尤其是在没有传感器馈源的情况下。 我们通过在Titan XP GPU上运行一小时的驱动视频来评估系统性能。 我们得出的结论是，该系统在各种天气条件，一天中的时间和地理空间位置上的准确度高达92％ 。 这包括雷暴雨，拥挤的地区，隧道和高速公路，这些都是基于从行车记录仪提要

We choose to go to the moon in this decade and do the other things, not because they are easy, but because they are hard. -- John F. Kennedy, 1962 欢迎来到Apollo的GitHub页面！ 是一种高性能，灵活的体系结构，可加速自动驾驶汽车的开发，测试和部署。 对于业务和合作伙伴关系，请访问。 目录 介绍 Apollo加载了新的模块和功能，但在进行旋转之前需要进行完美的校准和配置。 请详细检查先决条件和安装步骤，以确保您具备构建和启动Apollo的能力。 您也可以查看Apollo的体系结构概述，以更好地了解Apollo的核心技术和平台。 先决条件 [新2021-01] Apollo平台（稳定版）现在已升级，其中包含软件包和新版本的库相关性，包

时间窗（CVRPTW）求解器的车辆行进路线问题 用Python编写的带有时间窗（CVRPTW）求解器的车辆行进路线问题。 实现是基于。 概述 该程序解决了带时间窗（CVRPTW）的车辆通行路线问题。 例如，假设以下网络和仓库（节点0）处的三辆车能够在尽可能短的时间内满足所有节点上的所有需求， 该程序提供以下解决方案： 先决条件 需要Python 3.8或更高版本。 用法 首先，安装依赖项： # Install Graphviz on macOS (On other platforms, use their own package managers) $ brew install graphviz # Create a Python virtual environment $ python -m venv .venv # Activate the virtualenv $ sourc

Falcone的2007年博士论文，主要讲的是无人驾驶MPC控制原理和应用，是无人驾驶MPC控制理论的学习参考。 之前在网上找了挺久的，现在终于找到了，分享给大家学习

本SAE信息报告的目的是提供关于燃料电池汽车热管理的特殊要求和实践的概述。本文件主要针对机动车中的燃料电池应用。

介绍纯电动车在不同的电池容量，放电效率，车重下，对续航里程的影响

层次分析matlab代码基于离散约束的车辆模型 这是《基于离散约束的车辆建模和动力分析》文章的模型MATLAB代码，2017年1月国际车辆设计杂志。涉及离散约束模型和经典模型。 运行文件mymode2.m可以得到结果。 文件mymode1.m是描述参数系统的函数。 本文基于Udwadia-Kalaba理论，提出了一种新型的整车动力学建模与分析方法。 由于使用此方法对车辆进行了分层建模，因此在处理多自由度车辆的建模时可以轻松处理此方法。 同样，基于此方法的解析动态模型无需计算拉格朗日方程中使用的拉格朗日乘数。 为了验证这种方法，本文使用Udwadia-Kalaba理论对15 DOF车辆进行了建模。 施加四个轮胎的位移，并在MATLAB中模拟和分析每个子系统的垂直动态行为。 通过求解Udwadia-Kalaba方程，可以获得每个子系统的响应。 仿真结果与拉格朗日模型的仿真结果非常吻合，从而验证了所提出的方法。

The purpose of this document is to give minimum safety, ergonomic, and performance requirements and test methods for Camera Monitor Systems (CMS) to replace mandatory inside and outside rearview mirrors for road vehicles (e.g. classes I to IV as defined in UN Regulation No. 46). This document can follow updates of referred national regulations that influence the included contents.

带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载