10大GitHub热门智能驾驶项目盘点！从新手到OEM应用全覆盖（附详细表格）

于 2025-05-22 17:50:25 发布
阅读量727 收藏 28
点赞数 16
文章标签： 汽车 汽车ECU 智驾 ADAS github
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2201_75514516/article/details/148146327
版权

 

目录

 

往期推荐

10大热门智能驾驶开源项目总览表

每个项目的主要功能模块详解

1. Apollo（百度）

2. OpenPilot（Comma.ai）

3. CARLA

4. Autoware

5. PythonRobotics

6. AirSim

7. OpenPCDet

8. PaddleSeg

9. Udacity SDC

10. RoboCar

OEM真实应用案例一览

如何选对项目，高效入门或转型？

往期推荐

  1. 2025汽车行业新宠：欧企都在用的工具软件
  2. ETAS工具链自动化实战指南＜一＞
  3. ETAS工具链自动化实战指南＜二＞
  4. ETAS工具链自动化实战指南＜三＞
  5. AUTOSAR工程师必读：Artop的核心功能
  6. Vector工具链自动化实战指南＜一＞
  7. isolar高手秘籍| ECU Configuration三分钟速成！
  8. 掌握核心步骤：RTA-BSW以太网配置全解析
  9. 一文详解TC399 CAN MCAL 配置
  10. LSL常见应用场景及示例＜一＞
  11. LSL常见应用场景及示例＜二＞
  12. LSL常见应用场景及示例＜三＞
  13. 为什么Autosar钟情arxml而非json？大揭秘！
  14. 深入浅出：SOME/IP-SD的工作原理与应用
  15. 【技术进阶】|一文掌握Autosar ComStack的精髓！
  16. Autosar培训笔记整理＜一＞
  17. 【AutoSAR进阶】|实战详解ETAS工具链UDS 0x2f服务核心配置！
  18. 实战详解ETAS工具链CanTp模块自动化配置
  19. 一文掌握5种常见的AUTOSAR 错误类型
  20. 【AUTOSAR工程师必备知识】一文搞懂AUTOSAR架构9种通信方式
  21. 实战干货|详解ETAS工具链之 intra-ECU通信的数据转换

未来，能灵活运用开源平台的人，  才是真正懂智能驾驶系统全局的工程师。

在智能驾驶领域，从一线OEM到Tier1供应商，从新兴初创到高校研究团队，开源项目早已成为技术探索、快速原型开发、人才培养的核心工具。特别是GitHub上涌现的一批👉 高热度、全模块、真应用的智能驾驶项目，不仅被广泛引用于感知、定位、规划、控制、仿真等各大模块，甚至直接影响了OEM的研发方向！那么，哪些开源项目最值得关注？它们各自擅长什么？适合什么阶段使用？

今天，我为大家系统整理了——

   ✅ 10大最热门智能驾驶开源项目

   ✅ 全面对比功能、难度、推荐人群、OEM应用阶段

   ✅ 附上超详细表格 + 行业案例

一篇收藏，走在智能驾驶技术最前沿！

10大热门智能驾驶开源项目总览表

图片​

每个项目的主要功能模块详解

1. Apollo（百度）

  • 全栈自动驾驶平台：感知、定位、预测、规划、控制、HMI系统

  • 支持高精地图、车辆接口

  • 内置仿真平台Dreamview，支持全流程测试

2. OpenPilot（Comma.ai）

  • 前向感知车道、障碍物

  • 轨迹规划跟车、变道

  • 控制车辆转向/加速/制动，兼容多量产车改装

3. CARLA

  • 超真实仿真城市环境、动态交通

  • 多传感器模拟：相机、LiDAR、Radar

  • 批量生成训练数据、测试极限工况

4. Autoware

  • 点云障碍物检测、动态物体跟踪

  • 车道线识别、全局路径规划

  • 低速控制、接驳场景适配

5. PythonRobotics

  • SLAM、A*搜索、粒子滤波、Pure Pursuit路径跟踪

  • 极简、易懂，适合快速掌握自动驾驶算法原理

6. AirSim

  • 仿真地形/天气/光照变化

  • 支持无人车/无人机双模

  • 深度学习、强化学习训练接口齐全

7. OpenPCDet

  • 主流3D检测网络集成（PointPillars、CenterPoint等）

  • 工程化高，便于直接训练/推理

8. PaddleSeg

  • 车道线、障碍物分割

  • 支持UNet、DeepLab系列等视觉分割模型

9. Udacity SDC

  • 课程化小项目，感知/控制模块齐全

  • 适合快速入门，了解完整工作流

10. RoboCar

  • 小车平台感知、规划、控制结合

  • 可用于实验室/教育场景验证

OEM真实应用案例一览

图片​

如何选对项目，高效入门或转型？

  • 如果你是初学者，PythonRobotics、Udacity SDC最适合快速上手。

  • 如果你是感知算法工程师，OpenPCDet、PaddleSeg值得深入。

  • 如果你想走系统开发路线，Apollo、Autoware是必须挑战的高阶项目。

  • 如果你专攻仿真测试，CARLA、AirSim是黄金工具！

C/C++代码静态检测工具PC-Lint常见错误总结
dvlinker的技术专栏
09-25 3993
本文在项目实践的基础上总结出C/C++代码静态检测工具PC-Lint常见错误以及解决办法。
＜Rust＞rust-analyzer报错“Failed to spawn one or more proc-macro servers,....“怎么解决？
用沸腾的热血，支付我们的人生吧！
03-06 1287
但网上的错误不尽相同，有的是“Failed to spawn one or more proc-macro servers”这句相同，但后面跟的内容不同，无法作为参考，有的是通过重装就可以了，反正网上有五花八门的方法，我试了几个都不解决问题。这个问题是新遇到的，以前一直没有这个错误。不过，我因为重装过rust和vscode的这个插件rust-analyzer，不确定是哪里修改过设置，所以一直在网上寻求解决方法。另外，请检查您的日志以获取任何其他信息，看起来您的设置导致 r-a 根本找不到您的。
【人工智能】中文文本纠错-同音字纠错
xingxingzhilong的专栏
07-01 886
这个样本最重要的字段就是original_text、correct_text,其中original_text是错误样本，correct_text是对应的正确样本。基本的，在实践的过程中基本上是可行的，当然，需要全面地实现纠错任务，还需要准备更多的训练样本数据。例如，“他在做一件有意义的事情”中“做”误写为“作”。一整句话确实可以纠正出问题，那么我们看看这个错误的“健康”是否能正确纠正。纠正词语搭配不当，如动词和名词、形容词和名词之间的搭配错误。纠正标点符号的使用错误，如多余的标点、标点位置错误等。
macbert4csc纠错
ox180x的博客
04-01 4775
简介此篇文章是对macbert4csc模型的一次尝试与思考，废话不多说，看内容。 模型结构这个模型分成两部分： 使用BertForMaskedLM对预训练模型做mask训练。 对预测的结果输入linear，判断预测的结果和真实的结果是否相同，即二分类。 举例：比如错句为我和你在一其，正确的句子为我和你在一起，错句输入MLM，得到的结果假设为我和你在一器。然后输入...
中文文本纠错
最新发布
技术引领业务创新
04-09 5万+
当然，针对不同业务场景，这些问题并不一定全部存在，比如拼音输入法、语音识别校对关注音似错误；五笔输入法、OCR校对关注形似错误， 搜索引擎/问答query纠错关注所有错误类型。依据语言模型检测错别字位置，通过拼音音似特征、笔画五笔编辑距离特征及语言模型困惑度特征纠正错别字。3.可以考虑在query改写的时候把纠错给做了。glm4 ds-r1（Q2）只需运行一次，后续会从本地缓存读取，不用重复下载。使用的天津A100环境，GPU显存80G。4.资源（下周）用在线不考虑资源。在加载模型的一瞬间会。
文本分类微调技巧实战2.0
yanqianglifei的专栏
11-18 1016
讯飞比赛答辩结束，笔者和小伙伴们参加了一些讯飞的比赛，今年讯飞文本分类比赛相比去年更加多元化，涉及领域、任务和数据呈现多样性，听完各位大佬的答辩之后，结合之前经验和以下赛题总结下文本分类比赛的实战思路。
[自然语言处理] 基于pycorrector实现文本纠错
You and Me
09-24 6687
pycorrector通过加载自定义混淆集，支持用户纠正已知的错误，实际就是字符串替换。
macbert4csc-base-chinese.rar
11-21
macbert4csc-base-chinese.rar model.onnx onnx_config.json onnx_generation_config.json onnx_special_tokens_map.json onnx_tokenizer.json onnx_tokenizer_config.json onnx_vocab.txt
多分类f1分数_多分类的评价指标PRF（Macro-F1/MicroF1/weighted）详解
weixin_29356575的博客
12-28 1798
也许是由于上学的时候一直搞序列标注任务，多分类任务又可以简化为简单的二分类任务，所以一直认为PRF值很简单，没啥好看的。然鹅，细看下来竟有点晦涩难懂，马篇博留个念咯~前言PRF值分别表示准确率(Precision)、召回率(Recall)和F1值(F1-score)，有机器学习基础的小伙伴应该比较熟悉。根据标题，先区别一下“多分类”与“多标签”：多分类：表示分类任务中有多个类别，但是对于每个样本有...
CS-Learnings#Light-City-CPlusPlusThings#C++的Debug工具dbg-macro1
07-25
C++ 的 debug 工具：dbg-macro主要有如下特点：美观的彩色输出（当输出不是交互式终端时，颜色将自动禁用）兼容 C++11，并且是 header-
shibing624-text2vec-base-chinese模型文件
08-28
shibing624_text2vec-base-chinese模型文件
SIGHAN-中文分词
09-22
中文分词
/usr/bin/ld: warning: libopencv_imgcodecs.so.3.2, needed by /usr/lib/x86_64-linux-gnu/libopencv_high
keeplearning365的博客
11-25 7670
出现一个警告信息，暂时不管 /usr/bin/ld: warning: libopencv_imgcodecs.so.3.2, needed by /usr/lib/x86_64-linux-gnu/libopencv_highgui.so.3.2.0, may conflict with libopencv_imgcodecs.so.3.3 /usr/bin/ld: warning: libopencv_imgproc.so.3.2, needed by /usr/lib/x86_64-linux-gn
人工智能实战项目(python)+多领域实战练手项目
微学AI的博客
05-14 1万+
人工智能实战项目目录 一、机器学习实战项目 1.机器学习实战1-四种算法对比对客户信用卡还款情况进行预测 2.机器学习实战2-聚类算法分析亚洲足球梯队 （待更新） ...(待更新) 二、深度学习实战项目 1.深度学习实战1-(keras框架)企业数据分析与预测 2.深度学习实战2-(keras框架)企业信用评级与预测 3.深度学习实战3-文本卷积神经网络（TextCNN）新闻文本分类 4.深度学习实战4-卷积神经网络（DenseNet）数学图形识别+题目模式识别 5.深度学习实战5-卷积神经 ...
《shibing624/text2vec-base-chinese模型的常见错误及解决方法》
gitblog_02529的博客
12-30 1056
《shibing624/text2vec-base-chinese模型的常见错误及解决方法》 text2vec-base-chinese 项目地址: https://gitcode.com/hf_mirrors/ai-gitco...
【GPT】文本生成任务（生成摘要、文本纠错、机器翻译等的模型微调）
发现问题，并解决问题，批判性思维
04-25 6386
note 文章目录note一、NLG任务二、NLG之文本摘要2.1 基于mT5的文本摘要2.2 基于openai接口测试2.3 基于chatGPT接口三、根据自己的数据集进行模型微调四、文本纠错任务五、机器翻译任务Reference 一、NLG任务 NLG：自然语言生成任务，很多NLP任务可以被描述为NLG任务，如经典的T5模型（text to text transfer transformer模型）就是NLG模型，如文本纠错任务，输出正确的文本描述、智能问答根据一定背景进行推理，然后回答。 # 安装一些必
pycorrector一键式文本纠错工具，整合了BERT、MacBERT、ELECTRA、ERNIE等多种模型，让您立即享受纠错的便利和效果
丨汀、的博客
08-13 3052
pycorrector一键式文本纠错工具，整合了BERT、MacBERT、ELECTRA、ERNIE等多种模型，让您立即享受纠错的便利和效果
利用roberta和macbert的onnx格式进行推理
qq_20182781的博客
07-26 530
一.将roberta模型转为onnx，并对[MASK]进行推理预测。二.将macbert模型转为onnx，并对中文进行拼写纠错。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值