前言Udacity的自动驾驶工程师纳米学位项目（Self-DrivingCarEngineerNanodegreeProgram）是一项面向学习者的前沿技术项目，旨在提供全面的自动驾驶工程师培训。该项目由Udacity与自动驾驶领域的领先公司和专业人士合作开发，涵盖了从传感器融合到深度学习等多个方面的内容。本篇内容将介绍此项目如何在自己的环境中进行配置。希望大家通过这个项目，能够在自动驾驶领域取得

因为要实现数据库self-driving（如选择合适的时机在合适的列上自动创建索引），应该根据将要到来的查询对数据库进行优化，

WhatisaSelf-DrivingDatabaseManagementSystem?cs.cmu.edu/~pavlo/blog/2018/04/what-is-a-self-driving-database-management-system.html#footnote-cidr概述一些组织和个人错误地将他们的系统标记为“自动驾驶”。真正的自动驾驶数据库管理系统（DBMS）会自动（1）决定使

Query-basedWorkloadForecastingforSelf-DrivingDatabaseManagementSystemsMySummaryABSTRACTAutonomousDBMS的第一步就是能够建模并预测工作负载，以前的预测技术对查询的资源利用率进行建模。然而，当数据库的物理设计和硬件资源发生变化时，这些指标会发生变化，从而使以前的预测模型无用。提出了QueryBot500

Antruly“self-driving”databasemanagementsystem(

Lesson1:SafetyAssuranceforSelf-DrivingVehicles欢迎来到本课程的第三周。本周,我们将深入探讨基础知识关于将安全性融入自动驾驶汽车设计的。本单元中，我们将讨论最近的一些自动驾驶车的碰撞报告，然后我们会正式定义自动驾驶车的安全概念,并讨论最常见的危险源。我们将讨论一些行业对安全性的看法，最后，我们将通过讨论安全系统设计中使用的一些常见框架来总结。在本课中,我

参考Coursera自动驾驶课程-DWA算法北京理工大学无人车课程Mooc本文为该课程的学习笔记1.学习目标了解如何在自行车模型上增加线性/角加速度约束了解这些约束如何影响我们的规划器在规划过程中用动态窗口法处理这些约束2.运动学自行车模型输入是纵向速度和转向角运动学方程没有考虑更高阶的加速度，这是导致车内乘客舒适性的主要原因。3.自行车模型+加速度约束我们可以通过为自行车模型允许的线性和角加速度

2StateEstimationandLocalizationforSelf-DrivingCarsWEEK1Lesson1:PracticeQuizLesson2:PracticeQuizModule1:GradedQuizWEEK2Module3:GradedQuizModule4:GradedQuizWEEK5FinalProject:VehicleStateEstimationonaRoa

自动驾驶课程-The4th运动规划-课后答案及部分解释Module1GradedQuizModule3GradedQuizModule4GradedQuizModule5GradedQuizModule6GradedQuizCourse4FinalProject前言：这真的是很难得全方位介绍自动驾驶的组成到实现（理论上），专注于无人驾驶方向的课程算是头一个了（其他课程好像花钱的挺贵，Courser

imageimageSelf-drivingcars,haverapidlybecomeoneofthemosttransformativetechnologiestoemerge.FuelledbyDeepLearningalgorithms,theyarecontinuouslydrivingoursocietyforward,andcreatingnewopportunitiesinthem

自动驾驶课程-The3rd视觉-课后答案及部分解释WEEK1Module1GradedQuizWEEK2VisualOdometryforLocalizationinAutonomousDrivingWEEK3Feed-ForwardNeuralNetworksWEEK4ObjectDetectionForSelf-DrivingCarsWEEK5SemanticSegmentationForSe

IntroductiontoSelf-DrivingCarsFinalProject-W7_PID+纯跟踪实现车辆横向和纵向控制PurePursuit简介Final项目中纯跟踪横向控制器contorller2d.py本文是《IntroductiontoSelf-DrivingCarsFinalProject-W7_PID实现车辆横向和纵向控制》的延续，旨在将车辆横向控制器改为纯跟踪（Purepur

IntroductiontoSelf-DrivingCarsModule1:TheRequirementsforAutonomyLesson1:TaxonomyofDriving（驾驶分类）Lesson1:PracticeLesson2:RequirementsforPerceptionLesson2:PracticeLesson3:DrivingDecisionsandActions测验1Mod

背景KITTI数据集建立前，前人的实验在米德尔伯里等既定基准上排名靠前的方法在从实验室转移到现实世界时表现低于平均水平。除了向社区提供具现实世界数据以减少实验偏差，KITTI在补充现有基准的情况下，形成了一个新颖且具有挑战性的计算机视觉基准。KITTI数据集涵盖的任务包括：立体视觉、光流、视觉里程计量、3D目标检测和3D跟踪。使用的传感器包括：两个高分辨率彩色相机和灰度视频相机、激光雷达、GPS系

说明仅个人总结原文下载链接一、摘要由深度学习技术提供的自动驾驶系统正成为未来移动出行的中心。自动驾驶的性能高度依赖于预测任务的质量。传感技术的发展引领了3D扫描仪可用性的增长。例如LiDAR，从而可以更精确地表示车辆周围环境实现更安全的系统。自从2010年初以来，围绕自动驾驶系统的研究迅速发展和随之而来的兴起，导致目标检测方法的数量和创新上一个急剧的增长。在第一波基础上试图从图像中的物体检测扩展已

关于汽车智能化的分级，业界有两套标准。第一是由美国交通部下属的NHSTA（国家高速路安全管理局）制定的；第二是由SAEInternational，即国际汽车工程师协会制定的。两个机构的标准都把自动驾驶分为了L0~L5，其中L0指的是人工驾驶。要注意的是，其实NHTSA早在2016年9月份，就统一采用了SAEInternational的分类标准。以下是SAEInternational的分类标准：从车

课程学习中心|其他名校AI课程合辑|课程主页|中英字幕视频|项目代码解析课程介绍MIT6.S094是麻省理工学院深度学习和自动驾驶课程，介绍了深度学习的相关知识，以及深度学习在自动驾驶领域的实践和应用。领衔授课人是LexFridman，麻省理工学院研究员，致力于研究以人为中心的人工智能，主要研究深度学习在半自动驾驶环境下的应用，比如感知驾驶员状态、感知场景、运动控制和规划等等。MIT6.S094是

参考Coursera自动驾驶课程collisionchecking本文为该课程的学习笔记1.学习目标理解碰撞检查里的难点；知道什么时候用怎么用基于长条或基于圆的碰撞检查；了解不完全信息和离散化误差造成的一些危害，并了解我们如何使用保守近似来缓解这些问题。2.碰撞检查的挑战一个具有挑战性的计算密集型问题（实时性）；需要关于环境的完美信息；需要保守的近似，必须对噪声具有鲁棒性。3.条带计算车身用矩形近

Courseraself-drivingcar编程作业:Course4FinalProject介绍将Coursera官网的selfdrivingcar课程的part4的最终编程大作业题目翻译过来，仅供学习参考。官网作业链接：https://www.coursera.org/learn/motion-planning-self-driving-cars/programming/wiGwg/cours

本专栏为Coursera自动驾驶课程笔记，B站上也有配套课程视频，对自动驾驶技术感兴趣的朋友可以看看。本讲对应视频：https://www.bilibili.com/video/BV1WE411D74g?p=1https://www.bilibili.com/video/BV1WE411D74g?p=2https://www.bilibili.com/video/BV1WE411D74g?p=3h

Courseraself-drivingcarPart1FinalProject——自动驾驶轨迹跟踪之Stanley算法推导及Python实现同样，该Stanley算法也是用于CourseraselfdrivingcarPart1FinalProject里得横向控制，纵向采用PID控制不赘述。1.Stanley算法原理Stanley算法原理相对比较简单，可以处理初始横向误差，航向误差较大得情况。S

Courseraself-drivingcarPart1FinalProject——自动驾驶轨迹跟踪之MPC模型预测控制原理推导及Python实现参考1:车辆模型推导以及MPC控制实现参考2：CourseraselfdrivingcarPart1FinalProject这是一个Coursera上Self-driving-car的Part1的FinalProject,编写横向控制算法，这里采用MPC

传感器Camera:2d图像感知Lidar:3d点云感知Radar:方向、速度、形状感知框架ApolloAutoware相机标定2d图像感知(Camera)3d点云感知(Lidar)多传感器融合之Camera、Lidar雷达融合Article1:多传感器融合之Camera、Lidar雷达融合多传感器融合之Camera、Lidar、Radar融合

在英文中我们它会叫做AutonomousDriving，强调了车具有了自主意识，有自我决策能力甚至可以完全的无人驾驶，也称为Self-Driving，Driverless或FullyAutomatedDriving

OnDecember1,2016,Googleannouncedthatitwouldbespinningoffitssix-year-oldself-drivingprojectintoastandalonebusinesscalledWaymo,whichstandsfor“anewwayforwardinmobility,”accordingtoJohnKrafcik,theCEOofthe

课程资源链接:https://pan.baidu.com/s/1jIKRmHC密码:d7vfMIT今年的深度学习与自动驾驶课，课程比较短，只有五节课，是比较基础的概述。提纲整理如下：IntroductiontoDeepLearningandSelf-DrivingCarsDeepReinforcementLearningforMotionPlanningLearningtoDrive:Convol

本周内容主要为：1.介绍自动驾驶硬件架构与传感器分析2.介绍自动驾驶软件架构1.自动驾驶硬件架构2.自动驾驶软件架构

本周包括三个内容：1.自动驾驶的等级分类（TaxonomyofDriving）2.感知模块的介绍（RequirementsforPerception）3.决策模块的介绍（DrivingDecisionsandActions）下面就各部分详细说明：1、驾驶等级说明Level1的汽车有横向控制或纵向控制（二选一即可）Level2的汽车同时有横向控制和纵向控制Level3的汽车存在横向纵向控制的基础上，

经典MIT的DeepLearningforSelf-drivingCar课程上，邀请到了Waymo首席科学家DragoAnguelov，分享题为“TamingTheLongTailofAutonomousDrivingChallenges（驯服自动驾驶的长尾挑战）”，主要是讲在现实世界中的LongTail现象，各种异常情况该如何收集、融合、发布和测试。知乎@黄浴总结了此课程的一些新看点：1.题目是

NvidiaGTC上Nvidia老大黄仁勋介绍了他们自家的无人驾驶汽车，这个汽车的无人驾驶技术和以往的方法不一样，完全采用神经网络。次周，Nvidia发表了他们的文章来介绍这个工作。和以往需要分感知、检测、决策控制等分开的无人驾驶不同，Nvidia试图仅通过摄像头看到的图像来完成这件事情（当然看完论文其实Nvidia这次只学习控制方向盘，而不考虑速度和路径等等因此简单不少）。在GPU撑起深度学习之

摘要：我们训练了一个卷积神经网络(CNN)来将原始像素从一个向前倾斜的摄像头直接映射到转向指令。事实证明，这种端到端的方法非常强大。通过最少的人类训练数据，该系统学会了在有或没有车道标记的地方道路和高速公路上驾驶。它还在一些视觉引导不清晰的区域开展业务，比如停车场和未铺设的道路上。该系统只以人的转向角作为训练信号，自动学习必要的过程步骤的内部表示，如检测有用的道路特征。我们从未明确地训练它去探测，

1IntroductiontoSelf-DrivingCarsWEEK1Lesson1:PracticeQuizLesson2:PracticeQuizModule1:GradedQuizModule2:GradedQuizModule3:GradedQuizWEEK4KinematicBicycleModelLongitudinalVehicleModelWEEK5Module5GradedQu

注意！本人原创文章，转载请注明出处！一、准备环境1.windows1064bit2.Unity3d3.GitLFS4.UdacitySelf-DrivingCarSimulatorGithub5.CarBehavioralCloningGithub（gitglfsclone）6.UdacitySelf-DrivingCarSimulator(thegeneratedexecutablefile)7

Oracle今年发布的19c云上自治数据库，号称可以self-driving,self-securing,andself-repairing，通过机器学习、AI等技术让数据库能够完成自我管理、自我保护以及自我修复

1.运动和测量模型1.1汽车运动模型xk=xk−1+T[cos⁡θk−10sin⁡θk−1001]([vkωk]+wk),wk=N(0,Q)\mathbf{x}_{k}=\mathbf{x}_{k-1}+T\left[\begin{array}{cc}\cos\theta_{k-1}&0\\\sin\theta_{k-1}&0\\0&1\end{array}\right]\left(\left[\

前言如果大家关注上个月NvidiaGTC，那么大家应该会注意到Nvidia老大黄仁勋介绍了他们自家的无人驾驶汽车，这个汽车的无人驾驶技术和以往的方法不一样，完全采用神经网络。这个系统取名为DAVE。NVIDIAGTCSelf-DrivingCar上面的视频需观看。很庆幸的是，就在上周，Nvidia发表了他们的文章来介绍这个工作：http://arxiv.org/abs/1604.07316虽然这个

IntroductiontoUdacitySelf-DrivingCarSimulatorUdacityrecentlymadeitsself-drivingcarsimulatorsourcecodeavailableontheirGitHubwhichwasoriginallybuilttoteachtheirSelf-DrivingCarEngineerNanodegreestudents.

前言之前，博主为了得到更好的车载视频目标检测效果（偏工程实际，非刷榜），使用SSD框架训练过KITTI数据集，几次训练下来，结果不太理想。自己分析，原因较多，其中很重要的一条就是KITTI数据集不够大（标注图片仅7000多张），而且还是fine-tunefromreducedVGGmodel，精度自然不会太高。解决方法大约有两种：一是扩充数据集；二是fine-tune已经训练好的SSDmodel，

一、dataset1下载dataset1，该数据集大小为1.5G，共有9420张图像。label格式如下图所示，共有Car、Truck、Pedestrian三类。（使用数据格式转化工具可直接实现voc格式的转化，参考博客LITTI、VOC、Udacity等自动驾驶数据集下载及格式转化）实现：pythonmain.py--fromudacity-crowdai--from-path-crowdai-

（还存在图片上传失败的问题，暂时先懒得管了emmm）最近在实验室在做基于深度学习的无人机的自主飞行控制，建立的神经网络模型需要一些数据集训练，所以就找到了Udacity开源的无人驾驶数据集（既然都是自动运行的系统，所以可以有通用性）环境：ubuntu16.04数据集地址：https://github.com/udacity/self-driving-car这个数据集是rosbag的格式，解析ros

PeopleEmilioFrazzoliBasicConceptonITSandSelf-DrivingCarsVehiclemobilitymodelTypicalconstraintsStructureoftheenvironmentComputationalrequirementsOn-boardcomputationandwirelesscommunicationtechnologyCol

UON:DetectingUnexpectedObstaclesforSelf-DrivingCars:FusingDeepLearningandGeometricModeling1.总览这篇文章是发表在IntelligentVehiclesSymposium(IV),2017IEEE上的一篇文章，也是我看的上一篇文章《LostAndFound》相同的研究人员的一篇学术文章，在障碍物检测上得到了很

全文欢迎评论点赞目录1.摘要2.引言3.自动驾驶汽车系统结构概述4.感知5.决策6.UFESIARA汽车架构7.在工业中不断发展的自动驾驶汽车摘要我们调查了自DARPA挑战后开发的关于自动驾驶汽车的研究，这类汽车配备了可归类为SAE3级的或更高级别的自动驾驶汽车的自主系统。自动驾驶汽车自主系统的体系结构一般分为感知系统和决策系统。感知系统一般分为多个子系统，负责自驾汽车定位、静态障碍物绘制、移动障

不仅是因为Oracle董事会主席兼首席技术官拉里·埃里森称“self-driving”技术是他们做过最重要的事情之一，更是因为自动计算的飞速发展让DBA们人人自

Applehasbeengrantedapermittotestself-drivingcarsbytheCaliforniaDepartmentofMotorVehiclesbutthecompanyhasneversaidanythingaboutitsplan.苹果已经从California机动车管理部门取得车辆自动架势的测试许可，但却从未提起这项计划。Theapplicationdocum

2018-03-16(五)【筆記】1.承襲[007]的筆記，這次研讀的部分是groundtruth的測量，他的數據取得，根據paper的實驗setup，發覺適用theOBDinterfaceat100Hz//看到100Hz起初有點矇，但要記得轉成自己能理解的方式2.講述groundtruth/IMU/phone時，結果顯示前兩種的實驗結果較接近//老師提到IMU就是直接方在方向盤後，準度也會比較高

最近一直在做MLinDatabase相关的工作。偶然发现CMU19spring的15-721课程竟然专门安排了这个专题，不禁欣喜若狂，赶紧去学习了一下。Andy提出了self-drivingdatabase的概念，意思是DB应该像现在研究正火的无人驾驶汽车一样，能自己调节自己的方向盘（knob），查看前方的路况（适应未来的workload），最终能保证乘客安全下车（自主完成workload，并保证

1.1自动驾驶的概念自动驾驶，也常被人称作无人驾驶、无人车等，但这几个词的表述其实是有所区别的，英文里常见的表述有autopilot，automaticdriving，self-driving，driveless

发表时间：2018-8来源：SIGCOMM摘要  最近AI的发展提供了采用自驱动网络的机会。但是网络操作者/运营商和家庭网络使用者条件受限无法利用这些新技术因为他们必须依赖低级语言来详细描述网络策略。IBN允许使用者不需要考虑如何转化位配置命令，就可以指定高级策略告诉网络如何运转。  但现有的IBN的翻译没能利用网络操作者/运营商的知识和反馈来验证或提高意图的翻译。  这篇文章提出了一种新的意图修

本文是《Self-DrivingDatabaseManagementSystems》论文的笔记。笔者注：本篇论文是学术界对Self-DrivingDBMS概念进行详尽定义的一篇论文，对Self-DrivingDBMS概念边界进行了限定，并用Peloton框架的功能实现进行了试验验证。背景在过去几十年，DBA人员和数据库研究人员都为更好的调优数据性能和物理设计开发了各式各样的工具，但仍不能脱离人工的