AutonomousVehicleControlBeginnersGuide
AutonomousVehicleControlBeginnersGuide 是一套专为自动驾驶初学者打造的开源学习资源，包含用 Python 编写的控制算法示例代码及配套技术文档。它旨在解决新手在入门自动驾驶领域时，面对复杂理论难以上手、缺乏可运行代码参考的痛点。通过将抽象的算法转化为直观、可执行的仿真程序，帮助用户快速理解从感知、定位到路径规划与控制的全流程技术架构。
该项目非常适合高校学生、刚入行的工程师以及对自动驾驶技术感兴趣的研究人员使用。无论是用于课程学习、自我提升还是作为教学辅助材料，都能提供极大的便利。其核心亮点在于覆盖了自动驾驶栈中的关键模块：包括扩展卡尔曼滤波等定位算法，A*、RRT* 等多种路径规划方法，以及纯追踪、LQR、Stanley 等经典路径跟踪控制器。所有代码均基于 Python 生态（如 NumPy、Matplotlib）实现，无需昂贵的硬件即可在本地运行可视化仿真，让学习者能清晰地观察算法效果与内部逻辑，是通往自动驾驶技术殿堂的优质“敲门砖”。
使用场景
某高校自动驾驶实验室的研究生团队正在从零构建一辆无人小车的控制原型，急需验证定位与路径规划算法的可行性。
没有 AutonomousVehicleControlBeginnersGuide 时
- 团队成员需分散查阅大量晦涩的学术论文和碎片化博客，难以将扩展卡尔曼滤波（EKF）或混合 A*等理论公式转化为可运行的代码。
- 缺乏统一的仿真环境，每个人编写的测试脚本接口不一，导致定位模块与路径跟踪模块无法联调，集成耗时极长。
- 遇到算法发散或车辆失控时，因没有标准的基准代码（Baseline）作为对照，排查是数学推导错误还是代码实现 bug 如同大海捞针。
- 新人入门门槛极高，往往需要数月时间才能复现基础功能，严重拖慢了整个项目的研发进度。
使用 AutonomousVehicleControlBeginnersGuide 后
- 直接调用项目中成熟的 Python 示例代码，快速理解并复现了从粒子滤波定位到 LQR 路径跟踪的全套核心算法，将理论学习周期从数月缩短至数周。
- 利用内置的可视化仿真演示（如 NDT 建图、RRT*规划），团队在统一框架下迅速完成了各模块的对接与联合调试，直观验证了系统逻辑。
- 以项目提供的高质量代码为基准进行对比测试，迅速锁定了自定义算法中的参数整定问题，大幅降低了调试难度。
- 新生通过阅读其清晰的文档和架构设计，一周内即可上手参与核心开发，显著提升了团队的整体产出效率。
AutonomousVehicleControlBeginnersGuide 将抽象的自动驾驶算法理论转化为可视化的工程实践，成为初学者跨越“从公式到代码”鸿沟的高效加速器。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
自动驾驶车辆控制入门指南
关于自动驾驶车辆控制算法的 Python 示例代码和文档。该项目可作为初学者学习相关算法及软件架构的技术指南。
目录
这是什么？
这是一个关于自动驾驶车辆控制算法的示例代码集合。每个源代码都用 Python 实现，以帮助您更好地理解。您可以自由地 fork 该仓库，并将其用于学习、教育或工作。
本项目的目标
我希望在未来出版一本关于自动驾驶车辆算法的个人技术书籍。这本书将包含本仓库中的所有代码和文档作为内容。
要求
请提前在原生或虚拟机 Linux 系统上满足以下要求。
运行各示例代码所需：
开发所需：
- pytest（用于单元测试）
- pytest-cov（用于覆盖率测量）
使用 Docker 搭建环境所需：
使用方法
克隆此仓库
$ git clone https://github.com/ShisatoYano/AutonomousVehicleControlBeginnersGuide搭建运行各代码的环境
执行单元测试以确认环境已成功搭建
$ . run_test_suites.sh在 src/simulations 目录下执行 Python 脚本
- 例如，若要运行扩展卡尔曼滤波的定位仿真：
$ python src/simulations/localization/extended_kalman_filter_localization/extended_kalman_filter_localization.py
- 例如，若要运行扩展卡尔曼滤波的定位仿真：
如果喜欢这个项目，请给它加星！！
仿真示例
定位
扩展卡尔曼滤波定位
无迹卡尔曼滤波定位
粒子滤波定位
建图
二值占用栅格地图
代价地图
势场地图
NDT 地图
路径规划
A* 规划
双向 A* 规划
混合 A* 规划
D* 规划（含动态障碍物重规划）
迪杰斯特拉规划（通过每隔第 n 个节点采样来减少帧数，防止内存耗尽）
弹性带优化
基于 A* 生成的初始路径，使用弹性带优化进行平滑处理
RRT 规划
双向 RRT* 规划
RRT* 规划
有向 RRT* 规划
路径跟踪
纯追踪路径跟踪
自适应纯追踪路径跟踪
后轮反馈路径跟踪
LQR（线性二次型调节器）路径跟踪
斯坦利转向控制路径跟踪
MPPI 路径跟踪
感知
矩形拟合检测
传感器外参估计
采用无迹卡尔曼滤波进行估计
文档
此处准备了各 Python 程序的设计文档。目前文档尚未完成，仍在持续更新中。若您发现任何问题，请通过创建 issue 告知我。
文档链接
许可证
MIT
使用场景
我启动此项目是为了自学自动驾驶系统中的算法及软件开发。您也可以将此仓库用于个人学习、教学、研究和开发。
若本项目对您的工作有所帮助，请通过创建 issue 告知我。无论您产出论文、动画还是视频，都十分欢迎！这将激励我继续推进该项目。
您的评论及成果将被添加到 用户评论列表 中。
贡献
欢迎通过创建 issue 或发送 pull request 提出任何贡献！！请查阅 关于如何贡献的文档。
作者
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。