第一本无人驾驶技术书.刘少山(详细书签) 第一本无人驾驶技术书.刘少山(详细书签) 第一本无人驾驶技术书.刘少山(详细书签)

采用深度学习的方法预测车辆长期运行轨迹，通过prescan采集原始数据，建立车辆轨迹的模型。 Long-Term Prediction of Vehicle Trajectory Based on a Deep Neural Network

本代码主要适用于无人驾驶下的路径最终。模型及求解过程可参考龚建伟版《无人驾驶车辆模型预测控制》第4章。

告知：需要学习YOLOv4进行TT100K数据集上中国交通标志识别的学员请前往(1) Ubuntu系统《YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29362(2)《Windows版YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29363 在无人驾驶中，交通标志识别是一项重要的任务。本课程中的项目以美国交通标志数据集LISA为训练对象，采用YOLOv3目标检测方法实现实时交通标志识别。具体项目过程包括包括：安装Darknet、下载LISA交通标志数据集、数据集格式转换、修改配置文件、训练LISA数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。YOLOv3基于深度学习，可以实时地进行端到端的目标检测，以速度快见长。本课程将手把手地教大家使用YOLOv3实现交通标志的多目标检测。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。 Darknet是使用C语言实现的轻型开源深度学习框架

Tello_ROS_ORBSLAM 在本项目中，我们提供了一个完整的，完整的框架，可用于一般情况下使用Drones以及DJI Tello规范。 在此项目中，您将找到一个GUI，该GUI将允许您控制Tello并命令它在x，y，z，俯仰，滚动，偏航平面中移动。 使用此GUI将允许快速开发SLAM算法并将其与真实的Tello硬件集成。 坐标是从在两种slam算法（当前为orbslam和ccm slam）中发布的姿势得出的，但您可以轻松添加自己的姿势 在文件内部，您会找到一个操纵杆/键盘，可以从ROS内部控制电视，而不是使用Android手机。 奥尔布兰姆 在此视频中，我们可以简要了解一下使用ORBSLAM时框架的外观。 Tello将视频流发送到ORBSLAM，ORBSLAM向控件提供位置和方向，然后控件控制Tello将其导航到所需位置。 Tello UI（用户界面）： Tello U

PhotoRC 图像增强软件主要包含图像去雾、色彩增强、滤波增强、亮度对比度调整、提高清晰度、去除模糊等处理。当前版本为1.0.0。

完整代码，可直接运行

笔记：使用WDS批量安装win10，附有Enterprise无人值守应答文件-附件资源

WDS实现无人值守安装操作系统-附件资源

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