令人惊叹的自动驾驶车辆：

一份精心整理的优秀自动驾驶车辆资源列表，灵感源自 awesome-php。

贡献

欢迎随时向我提交拉取请求以添加链接。

目录

• 基础
• 课程
• 论文
• 研究实验室
• 数据集
• 开源软件
• 硬件
• 玩具
• 公司
• 媒体
• 法律

基础

人工智能

1. Awesome Machine Learning - 一份精心整理的优秀机器学习框架、库和软件列表。由 Joseph Misiti 维护。Joseph Misiti

• 深度学习论文阅读路线图 - 从概览到细节、从经典到最前沿、从通用到特定领域的深度学习论文阅读路线图，专为初学者设计，旨在帮助任何人快速入门深度学习。由 Flood Sung 维护。
• 开源深度学习课程 - 一套旨在为所有认真研究该领域的人提供起点的深度学习课程。

机器人学

1. Awesome Robotics - 由 kiloreux 维护的一份包含各类机器人学书籍、课程及其他资源的列表。

计算机视觉

1. Awesome Computer Vision - 由 Jia-Bin Huang 维护的一份精心整理的优秀计算机视觉资源列表。

• Awesome Deep Vision - 由 Jiwon Kim、Heesoo Myeong、Myungsub Choi、Jung Kwon Lee 和 Taeksoo Kim 维护的一份精心整理的计算机视觉深度学习资源列表。

课程

• [Coursera] 机器学习 - 由 Andrew Ng 主讲，截至2020年1月28日，已获得125,344个评分和30,705条评论。
• [Coursera+DeepLearning.ai] 深度学习专项课程 - 由 Andrew Ng 主讲，共5门课程，教授深度学习的基础知识，编程语言为Python。
• [Udacity] 自动驾驶汽车纳米学位项目 - 教授自动驾驶汽车团队所使用的技能与技术。该项目的教学大纲可在此查看 这里。
• [多伦多大学] CSC2541 自动驾驶的视觉感知 - 一门关于自动驾驶视觉感知的研究生课程。课程简要涵盖定位、自运动估计、自由空间估计以及视觉识别（分类、检测、分割）等主题。
• [INRIA] 移动机器人与自动驾驶车辆 - 介绍编程移动机器人和自动驾驶车辆所需的关键概念。课程同时提供形式化工具和算法工具，并在最后一周的主题（行为建模与学习）中，还将提供真实的案例及Python编程练习。
• [格拉斯哥大学] ENG5017 自动驾驶车辆引导系统 - 介绍自动驾驶车辆引导与协调背后的概念，并使学生能够设计和实现融合规划、优化与反应元素的车辆引导策略。
• [David Silver - Udacity] 如何获得自动驾驶汽车相关工作：课程作业 David Silver 来自 Udacity，回顾了他作为软件工程背景人士如何通过课程作业成功获得自动驾驶汽车相关工作的经验。
• [斯坦福] - CS221 人工智能：原理与技术 - 包含一个简单的自动驾驶项目和模拟器。
• [MIT] 6.S094：用于自动驾驶汽车的深度学习 - "本课程通过构建自动驾驶汽车这一应用主题，介绍深度学习的实践。课程面向初学者，专为机器学习新手设计，但同时也适合该领域的高级研究人员，他们希望获得深度学习方法及其应用的实用概述。（……）"
• [MIT] 深度学习 - "本页面是麻省理工学院关于深度学习、深度强化学习、自动驾驶车辆和人工智能的课程与讲座合集，由 Lex Fridman 整理。"
• [MIT] 以人为本的人工智能 - "麻省理工学院的人本AI是一系列研究与课程的集合，专注于设计、开发和部署能够与人类进行深入、有意义的合作并从中学习的人工智能系统。"
• [UCSD] - MAE/ECE148 自动驾驶车辆导论 - 一门基于项目的动手课程，使用具有车道追踪功能的 DonkeyCar，并涵盖目标检测、导航等多种高级主题。
• [MIT] 2.166 鸭子镇 - 一门针对研究生级别的自主性科学课程。这是一门注重实践、以项目为导向的课程，聚焦于自动驾驶车辆与高级别自主性。问题：为鸭子镇设计自动驾驶机器人出租车系统。
• [Coursera] 自动驾驶汽车 - 多伦多大学推出的关于自动驾驶汽车的4门专项课程。内容涵盖从入门、状态估计与定位、视觉感知到运动规划的全过程。

论文

按主题领域及发表/提交年份

一般

1. [2016] 结合深度强化学习与基于安全的控制实现自动驾驶。[参考文献]

• [2015] 深度学习在高速公路驾驶中的实证评估。[参考文献]
• [2015] 自动驾驶车辆：面临的挑战与机遇。[参考文献]
• [2014] 让伯莎开车——一次沿历史路线的自动驾驶之旅。[参考文献]
• [2014] 迈向自动驾驶车辆。[参考文献]
• [2013] 构建可行的自动驾驶研究平台。[参考文献]
• [2013] 基于本体论的模型用于确定自动驾驶车辆的自动化等级，以支持协同驾驶。[参考文献]
• [2013] 利用激光雷达构建三维地图并检测人类轨迹实现自动驾驶车辆导航。[参考文献]
• [2012] 自主地面车辆——概念与通往未来的路径。[参考文献]
• [2011] 基于视觉记忆与基于图像的视觉伺服的自动驾驶实验评估。[参考文献]
• [2011] 学习驾驶：自动驾驶汽车的感知。[参考文献]
• [2010] 迈向机器人汽车。[参考文献]
• [2009] 交通中的自动驾驶：Boss与城市挑战。[参考文献]
• [2009] 越野行驶的地图构建、导航与学习。[参考文献]
• [2008] 城市环境中的自动驾驶：Boss与城市挑战。[参考文献]
• [2008] Caroline：一款适用于城市环境的自动驾驶车辆。[参考文献]
• [2008] 城市无人驾驶地面车辆的设计。[参考文献]
• [2008] Little Ben：本杰明·富兰克林赛车队在2007年DARPA城市挑战赛中的参赛作品。[参考文献]
• [2008] Odin：VictorTango团队在DARPA城市挑战赛中的参赛作品。[参考文献]
• [2008] Robosemantics：大众汽车Stanley如何表征世界。[参考文献]
• [2008] AnnieWAY团队在2007年DARPA城市挑战赛中的自主系统。[参考文献]
• [2008] MIT-Cornell碰撞事件及其发生原因。[参考文献]
• [2007] 自动驾驶汽车——一项人工智能与机器人技术的挑战。[参考文献]
• [2007] 2007年DARPA城市挑战赛：本杰明·富兰克林赛车队B156技术报告。[参考文献]
• [2007] MIT团队在城市挑战赛中的技术报告。[参考文献]
• [2007] DARPA城市挑战赛技术报告：奥斯汀机器人技术。[参考文献]
• [2007] 柏林之魂：一款用于DARPA城市挑战赛的自动驾驶汽车——硬件与软件架构。[参考文献]
• [2007] Case团队与2007年DARPA城市挑战赛。[参考文献]
• [2006] 关于赢得DARPA大挑战赛的机器人Stanley研发的个人记述。[参考文献]
• [2006] Stanley：赢得DARPA大挑战赛的机器人。[参考文献]

本地化与建图

1. [2016] MultiCol-SLAM——一种模块化的实时多相机SLAM系统。[参考文献]

• [2016] 基于图像的相机定位：概述。[参考文献]
• [2016] 无处不在的实时地理空间定位 [参考文献]
• [2016] 基于结构化稀疏性的鲁棒多模态序列式回环检测。[参考文献]
• [2016] SRAL：用于长期视觉场景识别的共享表征外观学习。[参考文献], [代码]
• [2015] 基于多相机的路面标记特征概率噪声模型的自动驾驶汽车精确定位。[参考文献]
• [2013] 基于平面分割的室外环境三维机器人建图。[参考文献]
• [2013] 利用图像数据库实现沿已行驶路线的车辆定位。[参考文献]
• [2012] 先验知识可信吗？学习预测道路施工。[参考文献]
• [2009] 真实道路与交通环境下的激光扫描仪SLAM。[参考文献]
• [2007] 基于地图的城区高精度车辆定位。[参考文献]

感知

1. [2019] Argoverse：基于丰富地图的三维跟踪与预测。[参考文献]
2. [2016] VisualBackProp：面向自动驾驶的卷积神经网络可视化。[参考文献]

• [2016] 在矩阵中驾驶：虚拟世界能否取代人工生成的标注以完成现实任务？。[参考文献]
• [2016] 迷失与发现：面向自动驾驶车辆的小型道路隐患检测。[参考文献]
• [2016] 基于红外光谱采集的越野场景图像分割。[参考文献]
• [2016] 野外交通标志检测与分类。[参考文献]
• [2016] 持久性自监督学习原理：从立体视觉到单目视觉的避障应用。[参考文献]
• [2016] 利用多模态融合实现林地环境的深度多光谱语义场景理解。[参考文献]
• [2016] 自动驾驶中的联合注意力（JAAD）。[参考文献, 数据]
• [2016] 无人驾驶车辆的感知：设计与实现。[参考文献]
• [2016] 基于结构化稀疏性的鲁棒多模态序列式回环闭合检测。[参考文献]
• [2016] SRAL：用于长期视觉场所识别的共享表征外观学习。[参考文献], [代码]
• [2015] 利用神经网络进行街道的逐像素分割。[参考文献]
• [2015] 用于行人检测的深度卷积神经网络。[参考文献]
• [2015] 卷积神经网络的快速算法。[参考文献]
• [2015] 彩色图像与激光雷达数据的融合用于车道分类。[参考文献]
• [2015] 利用立体视觉在复杂条件下进行自动驾驶车辆的环境感知。[参考文献]
• [2015] 面向人群的自动驾驶中基于意图的在线POMDP规划。[参考文献]
• [2015] 关于通用道路区域识别的消失点检测方法综述。[参考文献]
• [2015] 利用内在图像进行视觉道路跟随。[参考文献]
• [2014] Rover——一款乐高*自动驾驶汽车。[参考文献]
• [2014] 面向城市环境的自动驾驶中多传感器动态目标分类与跟踪。[参考文献]
• [2014] 为确保安全的城市驾驶而生成邻近物体的全向视图。[参考文献]
• [2014] 自主视觉导航与基于激光的移动障碍物规避。[参考文献]
• [2014] 通过在线自监督色彩建模扩展Stixel世界，以实现道路与障碍物的分割。[参考文献]
• [2014] 利用贝叶斯心智理论建模人类计划识别。[参考文献]
• [2013] 面向自动驾驶公路行驶的聚焦轨迹规划。[参考文献]
• [2013] 视觉导航过程中避免移动障碍物。[参考文献]
• [2013] 基于视觉的道路识别，在户外行人环境中使用的移动机器人导航系统。[参考文献]
• [2013] 利用倒置粒子滤波器在低成本、低功耗的多机器人系统中进行障碍物检测与建模。[参考文献]
• [2013] 基于单目视觉的可行驶图像区域实时估计。[参考文献]
• [2013] 基于道路模型预测的非结构化道路检测。[参考文献]
• [2013] 在恶劣条件下实现稳健定位的视觉与热成像选择性组合：昼夜、烟雾与火焰。[参考文献]
• [2012] 适用于非结构化与结构化道路的路面跟踪方法。[参考文献]
• [2012] 自主导航与标志检测器学习。[参考文献]
• [2012] 面向自动驾驶车辆的多传感器协作式出行环境感知系统设计。[参考文献]
• [2012] 现实中的学习：达帕挑战赛冠军机器人Stanley的案例研究。[参考文献]
• [2012] 便携且可扩展的基于视觉的车载仪器，用于分析驾驶员意图。[参考文献]
• [2012] 什么可能移动？在3D激光数据中寻找汽车、行人和自行车。[参考文献]
• [2012] Stixel世界。[参考文献]
• [2011] 基于立体视觉的移动机器人导航用道路边界跟踪。[参考文献]
• [2009] 用于类人机器人上稳健障碍物定位的自主信息融合。[参考文献]
• [2009] 面向自动驾驶越野行驶的长距离视觉学习。[参考文献]
• [2009] 利用多种感官特征、灵活的道路模型和粒子滤波器进行在线道路边界建模。[参考文献]
• [2008] 卡罗琳的区域处理单元——在达帕城市挑战赛中找到出路。[参考文献]
• [2008] 城市挑战赛中的车辆检测与跟踪。[参考文献]
• [2007] 用于高速公路自动驾驶的低成本传感。[参考文献]
• [2007] 用于自动驾驶车辆引导的立体视觉与彩色视觉技术。[参考文献]
• [2000] 从移动车辆中实时进行多车检测与跟踪。[参考文献]

导航与规划

1. [2016] 基于神经形态硬件的深度卷积神经网络自动驾驶机器人。[参考文献]

• [2016] 端到端的自动驾驶学习。[参考文献]
• [2016] 自动驾驶城市车辆运动规划与控制技术综述。[参考文献]
• [2016] 面向类车机器人运动规划的平滑轨迹凸优化方法。[参考文献]
• [2016] 拥堵交通网络中的自动驾驶车辆路径规划：结构特性与协调算法。[参考文献]
• [2016] 无人地面车辆视觉导航中的机器学习。[参考文献]
• [2016] 利用移动式三维激光扫描仪和GNSS实现实时自动驾驶车辆导航与避障。[参考文献]
• [2016] 请看：用于城市环境路径规划的可扩展代价函数学习。[参考文献]
• [2015] DeepDriving：用于自动驾驶直接感知的 affordance 学习。[参考文献, 数据, 代码]
• [2015] 在定义不清的道路上的自动驾驶：一种自适应、形状约束、基于颜色的方法。[参考文献, 数据]
• [2015] 用于感知驾驶环境的多波束激光雷达获取点云的应用框架。[参考文献]
• [2015] 驾驶中有多少是前注意的？。[参考文献]
• [2015] 移动机器人自主导航的地图构建与规划。[参考文献]
• [2014] 用于城市环境中自动驾驶车辆的多属性决策模型。[参考文献]
• [2014] 基于预测的高速公路高度自动化驾驶功能的反应式驾驶策略。[参考文献]
• [2014] 基于RRT的移动机器人与自动驾驶车辆导航方法。[参考文献]
• [2014] 基于图像特征的户外环境下移动机器人导航通行性分析。[参考文献]
• [2014] 速度守护者：基于经验的移动机器人速度调度。[参考文献]
• [2014] 迈向城市环境中的类人运动规划。[参考文献]
• [2013] 通用相机下的自动驾驶汽车运动估计。[参考文献]
• [2013] 自动驾驶Formula SAE电动赛车导航控制系统开发。[参考文献]
• [2013] 低速自动化：城市地区共享驾驶的技术可行性。[参考文献]
• [2013] 未知崎岖地形环境下无人地面车辆的基于局部地形特征的路径选择。[参考文献]
• [2013] 基于立体视觉的自动驾驶导航与避障。[参考文献]
• [2012] 用于高速导航与避障的自动驾驶车辆开发。[参考文献]
• [2012] 非结构化环境中的快速消失点检测。[参考文献]
• [2012] 使用向量场与动态窗口法的自动驾驶汽车导航。[参考文献]
• [2012] 基于消失点跟踪的道路方向检测。[参考文献]
• [2012] 自我监督学习以视觉检测森林地形中自动驾驶机器人的地形表面。[参考文献]
• [2012] 移动机器人的视觉导航。[参考文献]
• [2011] 基于快速探索随机树的机器人运动规划新方法。[参考文献]
• [2011] 把我绕弯：从视觉概貌中学习驾驶。[参考文献]
• [2011] 优化后的路线网络图作为德国高速公路上运行的自动驾驶汽车的地图参考。[参考文献]
• [2011] 基于模板的城市环境自动驾驶导航与避障。[参考文献]
• [2010] 基于ANN和FSM控制的视觉自动驾驶导航系统 [参考文献]
• [2010] 基于最优控制的轨迹规划、威胁评估及危险规避场景下乘用车半自主控制框架。[参考文献]
• [2010] 城市无人驾驶车辆的感知：设计与实现。[参考文献]
• [2009] GPS条件不佳下的自动驾驶越野导航。[参考文献]
• [2009] 户外杂乱行人步道中的自动驾驶机器人导航。[参考文献]
• [2009] 不确定环境中的快速路径规划：理论与实验。[参考文献]
• [2009] 基于轨迹的自动驾驶车辆跟随，使用机器人驾驶员。[参考文献]
• [2008] 城市区域自动驾驶的鲁棒运动规划方法。[参考文献]
• [2008] 城市环境中的运动规划。[参考文献]
• [2008] 城市环境中的运动规划：第二部分。[参考文献]
• [2008] 为自动驾驶车辆规划长期动态可行的机动动作。[参考文献]
• [2009] 基于监督学习的机器人汽车前瞻性驾驶。[参考文献]
• [2007] 基于监督学习的在线速度自适应，用于高速、越野自动驾驶。[参考文献]
• [2007] 自动驾驶车辆系统的预测性主动转向控制。[参考文献]
• [2006] 高速沙漠驾驶的概率地形分析。[参考文献]

控制

1. [2016] 用于自动驾驶的预测控制及其在重型工程卡车上的实验评估。[参考文献]

• [2015] 按需自动驾驶系统的模型预测控制。[参考文献]
• [2015] 基于势场与基于扭矩的转向执行机构，实现自动驾驶中运动规划与控制的集成。[参考文献]
• [2013] 利用模型预测控制进行双车道单向道路自动驾驶中的战略决策制定。[参考文献]
• [2012] VisLab跨洲自动驾驶挑战赛中的自动驾驶车辆控制。[参考文献]
• [2012] 前轮转向地面车辆危险规避的最优规划与控制。[参考文献]
• [2009] 用于自动驾驶汽车路径跟踪的自动转向方法。[参考文献]
• [2009] 自动驾驶车辆三种控制方法的比较。[参考文献]

仿真

1. [2016] 学习驾驶模拟器。[参考文献]

• [2014] 从自动驾驶微型车竞赛到标准化实验平台：概念、模型、架构与评估。[参考文献]
• [2014] 2014年Carolo杯技术评估——一项自动驾驶微型车竞赛。[参考文献]
• [2014] 众包作为获取大规模且多样化机器人数据集的方法。[参考文献]
• [2014] 在驾校框架下高效学习前注意性转向。[参考文献]
• [2007] 用于自动驾驶车辆的仿真与回归测试框架。[参考文献]
• [2006] 机器人竞赛是机器人研究的理想基准。[参考文献]

软件工程

1. [2016] 以自动驾驶重型车辆为例，评估实时软件的沙箱化部署。[参考文献]

• [2014] 面向机器人平台的硬件/软件接口工程——应用模型检测与Prolog和Alloy的比较。[参考文献]
• [2014] 资源受限自动驾驶汽车的架构设计决策比较——多案例研究。[参考文献]
• [2014] （再）可靠性：自动驾驶汽车——一项有趣的挑战！。[参考文献]
• [2014] 剖析、理解并管理来自自动驾驶微型车项目的技术债务。[参考文献]
• [2014] 以自动驾驶微型车为例，迈向网络物理系统的持续集成。[参考文献]
• [2014] 通过分析车道跟随算法的代码覆盖率，节省CPS的虚拟测试时间。[参考文献]
• [2013] 网络物理系统的并行调度：分析与自动驾驶汽车案例研究[参考文献]
• [2012] SAFER：实时应用中故障规避的系统级架构。[参考文献]
• [2011] 用于自动驾驶车辆的灵活实时控制系统。[参考文献]
• [2010] 以自动驾驶车辆为例，自动化基于传感器与执行器的系统验收测试。[参考文献]
• [2007] 用于开发自动驾驶智能的软件与系统工程流程及工具 [参考文献]

人机交互

1. [2015] 防止自动驾驶汽车晕车的用户界面考量。[参考文献]

• [2014] 公众对自动驾驶车辆的看法。[参考文献]
• [2014] 为自动驾驶汽车奠定基础：未来自动驾驶体验的探索。[参考文献]
• [2014] 三十年来驾驶辅助系统：回顾与未来展望。[参考文献]
• [2013] 汽车技术与人为因素研究综述：过去、现在与未来。[参考文献]
• [2012] 基于增强型驾驶员建模的安全半自主控制。[参考文献]
• [2012] 利用脑机接口实现半自主汽车控制。[参考文献]
• [2011] iDriver——面向自动驾驶汽车的人机界面。[参考文献]
• [2010] 用眼动追踪驾驶自动驾驶汽车——用眼动追踪驾驶自动驾驶汽车。[参考文献]
• [2010] 用iPhone远程控制自动驾驶汽车。[参考文献]
• [2009] 未来车辆中的车—驾协同I：ADAS与自动驾驶车辆。[参考文献]
• [2009] 基于眼动的驾驶员注意力检测——道路事件相关性。[参考文献]

基础设施

1. [2014] 按需机器人移动性控制——排队论视角。[参考文献]

• [2014] 面向自动驾驶车辆的基于优先级的交叉路口控制框架：基于智能体的模型开发与评估。[参考文献]
• [2014] 一种用于非完整约束车辆的多机器人运动规划的格点方法。[参考文献]
• [2005] 协同式自动驾驶：智能车辆共享城市道路。[参考文献]
• [2014] 实现一体化车队：货运无人地面车辆的开发与试验。[参考文献]
• [2014] 基于优先级的移动机器人协调。[参考文献]
• [2012] 利用自动驾驶机器人团队进行探索与测绘——来自Magic 2010竞赛的结果。[参考文献]
• [2012] 迈向多机器人侦察的进展以及MAGIC 2010竞赛。[参考文献]

法律与社会

1. [2016] 自动驾驶汽车技术：政策制定者指南。[参考文献]

• [2014] 白皮书 自动驾驶车辆：自动驾驶汽车发展现状及明尼苏达州政策影响——初步白皮书。[参考文献]
• [2014] 我们准备好迎接无人驾驶车辆了吗？安全与隐私——社会视角。[参考文献]
• [2014] 关于自动驾驶与无人驾驶的公众意见调查。[参考文献]
• [2013] 用于高速公路入口匝道管理的自动驾驶车辆社会行为。[参考文献]

研究实验室

1. 斯坦福大学汽车研究中心——当前的研究重点聚焦于以人为本的出行主题，包括：

• 理解人们将如何与日益自动化的车辆互动；
• 从政策、伦理到法律等各个层面探讨车辆自动化对社会的影响；
• 在感知、决策与控制等技术领域的前沿进展。

• 斯坦福大学SAIL-丰田人工智能研究中心——该中心的主题是“面向未来智能车辆及更广领域的以人为本的人工智能”。
• 伯克利深度驾驶——研究用于汽车应用的计算机视觉与机器学习领域最前沿的技术。
• 普林斯顿自主车辆工程实验室——普林斯顿大学由本科生主导的研究团队，致力于通过竞赛挑战、自主研究及社区 outreach 推动和促进机器人技术的发展。
• 马里兰大学自主车辆实验室——在受生物启发的设计与机器人技术领域开展研究与开发。
• 滑铁卢大学WAVE实验室——研究方向包括多旋翼无人机、自动驾驶以及多摄像头并行跟踪与建图。
• 牛津机器人研究所——自主系统——研究陆基移动自主性的各个方面。
• 柏林自由大学自主实验室——计算机视觉、认知导航、空间车辆环境感知。
• 本田美国研究院——从事多种传感模块的开发与集成，并协调这些组件以实现稳定运动规划、决策、避障及控制等功能（测试）。
• 麻省理工学院丰田-CSAIL研究中心——旨在进一步推动自动驾驶技术的发展，目标是减少交通事故伤亡，甚至最终研发出一种完全不会发生事故的车辆。
• 普林斯顿视觉与机器人实验室——自动驾驶与街景。
• 卡内基梅隆大学机器人研究所视觉与自主系统中心（VASC）——在计算机视觉、自主导航、虚拟现实、智能操作、空间机器人及相关领域开展研究。
• Five AI——一家英国的自动驾驶公司，专注于计算机视觉、硬件及其他相关出版物。
• 塞切尼大学车辆产业研究中心——最受关注的研究课题之一是无人驾驶（即自主驾驶）车辆。该研究中心正通过研究其基础理论并探索其潜在应用，为这一新兴技术的到来做好准备。
• 卡尔斯鲁厄理工学院（KIT）——在KIT，近40个研究所的约800名科学家致力于研究面向未来的安全、可持续且舒适的出行解决方案。资源稀缺、空间不足以及基础设施超负荷运行等问题，都要求对交通方式与交通流进行综合评估。

数据集

1. Udacity - Udacity为Udacity挑战赛发布的驾驶数据集。包含ROSBAG训练数据。（约80 GB）

• Comma.ai - 7小时15分钟的大部分为高速公路行驶的视频。由10段不同长度的视频片段组成，以20 Hz的频率录制，拍摄设备为安装在2016款讴歌ILX挡风玻璃上的摄像头。同时，还记录了车辆速度、加速度、转向角度、GPS坐标、陀螺仪角度等测量数据，并将这些数据统一转换为100 Hz的时间基准。
• 牛津RobotCar - 在英国牛津市内一条固定路线上的100余次重复行驶数据，采集时间跨度超过一年。该数据集涵盖了多种天气、交通状况和行人活动的组合，同时还记录了施工和道路工程等长期变化。
• 牛津Radar RobotCar - 牛津RobotCar数据集的雷达扩展版本，提供了来自Navtech CTS350-X毫米波FMCW雷达以及双Velodyne HDL-32E激光雷达的数据，并针对280公里的行驶里程优化了地面真值雷达里程计。
• 牛津道路边界数据集 - 包含62,605个标注样本，其中47,639个为精选样本。每个样本均包含左右镜头的原始掩码与分类掩码。数据涵盖多种场景，如直行道路、停车车辆及路口等。
• KITTI视觉基准测试套件 - 6小时的交通场景数据，采样频率为10–100 Hz，使用多种传感器模态，包括高分辨率彩色与灰度立体相机、Velodyne 3D激光扫描仪以及高精度GPS/IMU惯性导航系统。
• 密歇根大学北校区长期视觉与激光雷达数据集 - 包括全向影像、3D激光雷达、平面激光雷达、GPS以及用于里程计的本体感觉传感器，数据由Segway机器人采集。
• 密歇根大学福特校区视觉与激光雷达数据集 - 由一台基于改装福特F-250皮卡的自动驾驶地面车辆测试平台采集。该车辆配备了专业级（Applanix POS LV）与消费级（Xsens MTI-G）惯性测量单元（IMU）、Velodyne 3D激光雷达、两台推扫式前视Riegl激光雷达，以及Point Grey Ladybug3全向相机系统。
• DIPLECS自动驾驶数据集（2015年） - 通过在萨里乡村地区行驶的汽车上安装高清摄像头录制而成。数据集包含约30分钟的行驶视频，分辨率为1920×1080，采用H.264编码。方向盘转角通过追踪方向盘上的标记进行估计。车辆速度则通过OCR识别车速表得出（但该方法的准确性无法保证）。
• 卡尔斯鲁厄理工学院的Velodyne SLAM数据集 - 在德国卡尔斯鲁厄市使用Velodyne HDL64E-S2扫描仪录制的两个具有挑战性的数据集。
• SYNTHetic图像与标注集合（SYNTHIA） - 由虚拟城市渲染生成的一系列照片级真实帧，并附带针对13个类别的精确像素级语义标注：杂项、天空、建筑物、道路、人行道、围栏、植被、电线杆、汽车、标志、行人、骑行者、车道标线。
• Cityscape数据集 - 专注于城市街景的语义理解。这是一个大规模数据集，包含来自50座不同城市的街景中采集的多样化立体视频序列，并配有5,000帧的高质量像素级标注，此外还有20,000帧的弱标注数据。因此，该数据集的规模比以往类似尝试大了一个数量级。有关标注类别及我们标注示例的详细信息可供查阅。
• CSSAD数据集 - 针对自动驾驶车辆感知与导航领域的算法开发与测试，目前已存在多个真实世界的立体数据集。然而，这些数据集均未在发展中国家采集，因而缺乏其街道与道路上特有的特征，例如大量坑洼、减速带以及独特的行人流动模式。本立体数据集由行驶中的车辆采集，包含高分辨率立体图像，并辅以来自IMU的姿态与加速度数据、GPS数据以及车载计算机数据。
• 戴姆勒城市分割数据集 - 包括在城市交通中录制的视频序列。该数据集由5,000对校正后的立体图像组成，分辨率为1024×440。其中500帧（每10帧中取1帧）配有像素级语义分类标注，分为5类：地面、建筑物、车辆、行人、天空。同时提供稠密视差图作为参考，但这些视差图并非人工标注，而是通过半全局匹配（SGM）计算得出。
• Self Racing Cars - XSens/Fairchild数据集 - 文件中包含Fairchild FIS1100六自由度（DoF）IMU、Fairchild FMT-1030 AHRS、Xsens MTi-3 AHRS以及Xsens MTi-G-710 GNSS/INS的测量数据。赛事相关文件均可在MT Manager软件中读取，该软件是MT软件套件的一部分，可在此处获取。
• MIT AGE实验室 - AGE实验室收集的1,000余小时多传感器驾驶数据中的一个小样本。
• 又一个计算机视觉数据集索引（YACVID） - 一份常用计算机视觉数据集列表。
• KUL比利时交通标志数据集 - 一个大型数据集，包含10,000余个交通标志标注，数千种物理上不同的交通标志。由一辆厢式货车搭载8台高分辨率摄像头录制的4段视频，总时长超过3小时，包含交通标志标注、相机标定与姿态信息。另有约16,000张背景图像。该素材由GeoAutomation在比利时弗拉芒地区的城市环境中采集。
• LISA：加州大学圣地亚哥分校智能与安全汽车实验室数据集 - 包括交通标志检测、车辆检测、交通信号灯、轨迹模式等。
• 面向自动驾驶的多感官全向长期场景识别（MOLP）数据集 - 该数据集在美国科罗拉多州利用全向立体摄像头历时一年采集而成。论文
• 城市环境中的车道实例分割 - 半自动化的车道实例标注方法。现有24,000张图像数据集。论文
• 雾天苏黎世数据集 - 基于合成与真实数据的课程模型适应，用于语义密集型雾天场景理解。包含苏黎世及其周边地区的3,800张高质量雾天图像。论文
• SullyChen自动驾驶数据集 - SullyChen在加州及其周边地区采集的数据集。
• Waymo训练与验证数据 - 一太字节的数据，包含3D与2D标签。
• 英特尔印度自动驾驶条件数据集 - 一个用于印度自动驾驶条件（非结构化环境下的道路场景理解）的数据集，包含1万张图像，细分为34个类别，由英特尔与海得拉巴IIIT合作从182条印度道路行驶序列中采集。
• nuScenes数据集 - 一个大型数据集，包含来自波士顿和新加坡的140万张图像与39万次激光雷达扫描。为23个物体类别提供手动生成的3D边界框。
• 德国交通标志数据集 - 一个大型德国交通标志识别数据集（GTSRB），包含5万张图像，涵盖40余种类别；以及交通标志检测数据集（GTSDB），包含900张标注图像。
• 瑞典交通标志数据集 - 一个在瑞典350公里道路上采集的交通标志数据集，包含2万余张图像，其中20%已标注。
• Argoverse 3D跟踪数据集 - 一个大型数据集，包含约100万张图像与约100万个标注的3D长方体，数据来自迈阿密与匹兹堡。提供高清地图与7个环形摄像头、2个立体摄像头以及激光雷达的影像。
• Argoverse运动预测数据集 - 一个大型数据集，包含从1,006小时行驶中挖掘出的324,557个场景中被跟踪对象的轨迹。

开源软件

1. Autoware - 用于城市自动驾驶的集成式开源软件。

• Comma.ai Openpilot - 一款开源驾驶代理。
• 斯坦福大学自动驾驶软件 - 斯坦福大学自动驾驶车辆的软件基础设施。
• GTA Robotics SDC环境 - 专为Udacity自动驾驶汽车（SDC）挑战赛打造的开发环境。
• OSCC项目 - 用于自动驾驶车辆开发的线控控制套件。
• OpenAI Gym - 一个用于开发和比较强化学习算法的工具包。它支持训练智能体完成从行走到玩游戏、山地车、赛车等各种任务，同时为自动驾驶汽车的强化学习算法开发与验证提供了良好契机。
• argoverse-api - 用于处理Argoverse 3D跟踪与预测数据集，并评估3D跟踪、3D检测及运动预测算法的开发工具包。

硬件

玩具

1. TensorKart - 基于TensorFlow的自动驾驶马里奥卡丁车。
2. NeuroJS - 一个JavaScript深度学习与强化学习库。包含一个自动驾驶汽车的示例实现。
3. DonkeyCar - 一个面向Python的极简且模块化的自动驾驶库。专为爱好者和学生开发，注重快速实验与便捷的社区贡献。

公司

1. （截至2019年8月28日）40多家企业正在研发自动驾驶汽车

媒体

各种媒体渠道，我们可以在其中找到与自动驾驶汽车相关的主题、理念以及更多内容。

播客

• 人工智能：AI播客 - “人工智能播客（AI播客）是由Lex Fridman主持的一系列关于技术、科学与人类状况的对话。” 示例节目：
  • 塞巴斯蒂安·斯伦：飞行汽车、自动驾驶汽车与教育
  • 埃隆·马斯克：Neuralink、AI、Autopilot与淡蓝色小点
  • 乔治·霍茨：Comma.ai、OpenPilot与自动驾驶汽车
  • 杰里米·霍华德：fast.ai深度学习课程与研究
• Autonocast，交通的未来 - “每周一档探讨最新交通科技的节目”

YouTube

1. Lex Fridman（频道） - 超过100个与AI及自动驾驶相关的视频，其中包括MIT深度学习系列（播放列表），其中包含：
   • [2020年1月11日] 深度学习的最新进展（2020年），以及
   • [2019年1月12日] MIT深度学习基础：介绍与概述。
2. 自动驾驶的三大支柱。[观看]
3. 自动驾驶的感知涉及哪些内容？[观看]
4. Amnon Shashua在CVPR 2016上的主旨演讲：自动驾驶、计算机视觉与机器学习。[观看]
5. Chris Urmson：无人驾驶汽车如何“看”路。[观看]
6. 驾驶策略的深度强化学习。[观看]
7. NVIDIA在CES 2016上的展示——自动驾驶汽车与深度学习GPU。[观看]
8. NVIDIA Drive PX2自动驾驶平台可视化。[观看]

博客

1. 深度学习与自动驾驶

• [Medium] 自动驾驶汽车

Twitter

1. comma.ai

• [Udacity] David Silver
• [Udacity] Dhruv Parthasarathy
• [Udacity] Eric Gonzalez
• [Udacity] Oliver Cameron
• [Udacity] MacCallister Higgins
• [Udacity] Sebastian Thrun
• [Google] Chris Urmson

法律

美国

1. 加州监管公告

• 密歇根州通过了全美最宽松的自动驾驶汽车法规
• 加州涉及自动驾驶汽车的交通事故
• Nvidia开始在公共道路上测试其自动驾驶汽车

awesome-autonomous-vehicles 快速上手指南

这是一份面向中国开发者的极简入门文档，帮助你快速浏览并使用 awesome-autonomous-vehicles 资源列表。

---

环境准备

• 系统：任意支持 Git 的操作系统（Windows / macOS / Linux）
• 工具：
  • Git ≥ 2.20
  • 浏览器（Chrome / Edge / Firefox）
• 网络：建议开启代理或使用国内镜像加速访问 GitHub

---

安装步骤

1. 克隆仓库

   git clone https://github.com/awesome-autonomous-vehicles/awesome-autonomous-vehicles.git
   cd awesome-autonomous-vehicles
   

2. （可选）使用国内镜像加速

   # 如果 GitHub 速度慢，可替换为 fastgit 镜像
   git clone https://hub.fastgit.org/awesome-autonomous-vehicles/awesome-autonomous-vehicles.git
   

---

基本使用

1. 打开 README.md

   # Linux / macOS
   open README.md
   # Windows
   start README.md
   

2. 快速定位资源

   • 想入门？直接跳转到 Courses 章节，优先看：
     • Coursera《Self-Driving Cars》中文字幕版
     • Udacity《Self-Driving Car Nanodegree》
   • 想跑代码？进入 Open Source Software 章节，推荐：
     • Autoware（ROS 2 自动驾驶全栈）
     • Apollo（百度开源，含中文文档）

3. 一键直达数据集
   在 Datasets 章节找到：

   • KITTI（国内镜像：http://www.cvlibs.net/download.php）
   • nuScenes（百度网盘社区镜像，关键词“nuScenes 百度网盘”）

4. 本地检索

   # 搜索关键词快速定位
   grep -i "lidar" README.md
   grep -i "deep learning" README.md
   

---

至此，你已拥有完整的自动驾驶学习资源地图。按需阅读、克隆、跑代码即可。