自动驾驶汽车

在这个仓库中，我将分享 Udacity 自动驾驶汽车工程师纳米学位 所有项目的 源代码。

希望对大家有所帮助！:-)

概述

项目

P1：基础车道线检测 (代码)	P2：交通标志识别 (代码)	P3：行为克隆 (代码)	P4：高级车道线检测 (代码)
P5：车辆检测 (代码)	P6：扩展卡尔曼滤波器 (代码)	P7：无迹卡尔曼滤波器 (代码)	P8：被劫持的车辆定位 (代码)
P9：PID 控制器 (代码)	P10：模型预测控制器 (代码)	P11：路径规划 (代码)	P12：道路分割 (代码)

综合项目

• 交通信号灯分类器： 一个简单的交通信号灯分类器，用于集成到综合项目中。

---

目录

P1 - 检测车道线（基础）

• 摘要: 在视频流中检测高速公路的车道线。使用 OpenCV 图像分析技术识别线条，包括霍夫变换和 Canny 边缘检测。
• 关键词: 计算机视觉

P2 - 交通标志分类

• 摘要: 使用 TensorFlow 构建并训练了一个深度神经网络来分类交通标志。尝试了不同的网络架构，并进行了图像预处理和验证，以防止过拟合。
• 关键词: 深度学习、TensorFlow、计算机视觉

P3 - 行为克隆

• 摘要: 使用 TensorFlow 和 Keras，在模拟器中构建并训练了一个端到端驾驶的卷积神经网络。采用正则化和 Dropout 等优化技术，使网络能够泛化到多条赛道上的驾驶任务。
• 关键词: 深度学习、Keras、卷积神经网络

P4 - 高级车道线检测

• 摘要: 利用畸变校正、图像矫正、颜色变换和梯度阈值等技术，构建了一套先进的车道线检测算法。识别了车道曲率和车辆位移，并克服了阴影和路面变化等环境挑战。
• 关键词: 计算机视觉、OpenCV

P5 - 车辆检测与跟踪

• 摘要: 使用 OpenCV、方向梯度直方图（HOG）和支持向量机（SVM）创建了一个车辆检测与跟踪流程。同时，还实现了基于深度网络的检测流程。针对高速公路上汽车摄像头拍摄的视频数据，对模型进行了优化和评估。
• 关键词: 计算机视觉、深度学习、OpenCV

P6 - 扩展卡尔曼滤波

• 摘要: 用 C++ 实现扩展卡尔曼滤波。通过模拟激光雷达和雷达测量数据，检测围绕车辆行驶的自行车，并利用卡尔曼滤波、激光雷达和雷达测量数据来跟踪自行车的位置和速度。
• 关键词: C++、卡尔曼滤波

P7 - 无迹卡尔曼滤波

• 摘要: 使用无迹卡尔曼滤波，结合带有噪声的激光雷达和雷达测量数据，估计目标移动物体的状态。通过卡尔曼滤波、激光雷达和雷达测量数据，跟踪自行车的位置和速度。
• 关键词: C++、卡尔曼滤波

P8 - 被劫持的车辆

• 摘要: 你的机器人被劫持并转移到了一个新地点！幸运的是，它拥有一张该地点的地图、一个初始位置的（带噪声的）GPS 估计，以及大量的（带噪声的）传感器和控制数据。在这个项目中，你将用 C++ 实现一个二维粒子滤波器。粒子滤波器会接收到地图和一些初始定位信息（类似于 GPS 提供的信息）。在每个时间步，滤波器还会接收观测和控制数据。
• 关键词: C++、粒子滤波器

P9 - PID 控制

• 摘要: 实现一个 PID 控制器，通过适当调整转向角度来使车辆保持在车道内。
• 关键词: C++、PID 控制器

P10 - MPC 控制

• 摘要: 实现一个 MPC 控制器，通过适当调整转向角度来使车辆保持在车道内。与之前实现的 PID 控制器不同，MPC 控制器能够预测未来事件并据此采取控制措施。实际上，在优化当前时间步时，会考虑未来的时间步。
• 关键词: C++、MPC 控制器

P11 - 路径规划

• 摘要: 本项目的目的是构建一个路径规划器，能够为车辆生成平滑且安全的行驶轨迹。高速公路上有其他车辆，它们的速度各不相同，但大致遵守每小时 50 英里的限速规定。车辆会传输其位置信息，以及传感器融合数据，这些数据可以估计同侧道路上所有车辆的位置。
• 关键词: C++、路径规划

P12 - 道路分割

• 摘要: 使用全卷积网络实现道路分割。
• 关键词: Python、TensorFlow、语义分割

self-driving-car 快速上手指南

本仓库汇集了 Udacity 自动驾驶工程师纳米学位（Self-Driving Car Engineer Nanodegree）的 12 个核心项目源码，涵盖计算机视觉、深度学习、卡尔曼滤波、路径规划及控制算法等领域。

环境准备

系统要求

• 操作系统: Linux (推荐 Ubuntu 16.04/18.04), macOS, 或 Windows (需 WSL)
• Python 版本: Python 3.5+ (大部分项目基于 Python，P6-P11 涉及 C++)
• C++ 编译器: g++ (用于 P6-P11 项目)
• 内存: 建议 8GB 以上 (深度学习训练需要)

前置依赖

主要依赖包括 OpenCV, TensorFlow, Keras, NumPy, SciPy 等。建议使用 conda 或 pip 管理环境。

国内加速建议：

• pip 源：https://pypi.tuna.tsinghua.edu.cn/simple
• conda 源：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

安装步骤

1. 克隆仓库

git clone https://github.com/ndrplz/self-driving-car.git
cd self-driving-car

2. 创建 Python 虚拟环境 (推荐)

使用 conda 创建隔离环境并安装基础依赖：

conda create -n sdc python=3.6
conda activate sdc

3. 安装通用依赖

针对大多数 Python 项目 (P1-P5, P12)，安装核心库：

# 使用清华源加速安装
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy scipy opencv-python tensorflow keras matplotlib scikit-learn h5py

4. 特定项目依赖说明

• P1-P5, P12 (Python 项目): 上述通用依赖通常已足够。若遇到缺失模块，请进入对应项目文件夹查看 requirements.txt (如有) 或根据报错补充安装。
• P6-P11 (C++ 项目):
  • 确保安装了 g++ 和 cmake。
  • 部分项目依赖 uWebSockets，需参考各子项目目录下的具体编译说明进行构建。
  • 示例 (Ubuntu 安装构建工具):

    sudo apt-get update
    sudo apt-get install g++ cmake make libuv1-dev libssl-dev zlib1g-dev
    

基本使用

本仓库包含 12 个独立项目，每个项目位于单独的子目录中。以下以 P1: 基础车道线检测 (Basic Lane Finding) 为例演示运行流程。

1. 进入项目目录

cd project_1_lane_finding_basic

2. 运行代码

大多数项目提供 Jupyter Notebook (.ipynb) 或 Python 脚本。

• Jupyter Notebook 方式 (推荐，便于观察中间结果):

  jupyter notebook Lane_Finding.ipynb
  

  注：文件名可能因具体实现略有不同，请在目录下确认 .ipynb 文件名称。

• 直接运行脚本方式 (如果提供了 .py 文件):

  python lane_detection.py
  

3. 其他项目运行指引

• 深度学习类 (P2, P3, P12): 打开对应的 .ipynb 文件，按顺序执行单元格进行数据预处理、模型训练和验证。
• 仿真器交互类 (P3, P9, P10, P11):
  1. 下载并运行 Udacity 官方模拟器。
  2. 运行本地 Python/C++ 脚本连接模拟器端口。
  3. 示例 (P3 行为克隆):

     cd project_3_behavioral_cloning
     python drive.py model.h5
     

• C++ 项目 (P6-P11): 需进入对应目录，按照该目录下的 build.sh 或 README 进行编译生成可执行文件后运行。

  # 示例：进入扩展卡尔曼滤波项目
  cd project_6_extended_kalman_filter
  mkdir build && cd build
  cmake .. && make
  ./ExtendedKalmanFilter
  

提示: 每个项目文件夹内均包含详细的实现逻辑和测试数据，请直接查阅对应子目录下的代码文件获取更深入的实验细节。