【视频演示】B站视频演示

置顶 已于 2023-06-23 01:02:50 修改
阅读量2.4k 收藏 46
点赞数 8
文章标签： 自动驾驶
于 2021-12-31 15:10:59 首次发布
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/Travis_X/article/details/119257207
版权

文章目录

前言

对自己B站上的视频进行分类整理。持续更新ing…

一、Autoware入门教程系列

【Autoware入门教程】如何使用NDT构建点云图
【Autoware入门教程】如何使用聚类算法作物体检测
【Autoware入门教程】如何使用Hybrid a*进行路径规划
【Autoware入门教程】如何使用Pure Pursuit追踪路径
【Autoware入门教程】如何使用MPC进行路径跟踪
【Autoware入门教程】lattice_planner局部路径规划
【Autoware入门教程】车道变更

二、Apollo 6.0 与 LGSVL 联合仿真

【自动驾驶】Apollo数据回放
【自动驾驶】Apollo相机数据回放
【自动驾驶】Apollo 6.0 与 LGSVL 联合仿真（1）
【自动驾驶】Apollo 6.0 与 LGSVL 联合仿真（2）
【自动驾驶】Apollo 6.0 与 LGSVL 联合仿真（3）
【自动驾驶】Apollo 6.0 与 LGSVL 联合仿真（4）

三、运动规划算法

【运动规划算法】类汽车型机器人的转向功能
【运动规划算法】轨迹优化
【运动规划算法】二维飞行走廊生成
【运动规划算法】基于Minumum Snap的轨迹优化
【运动规划算法】跟踪绘制的路径
【运动规划算法】Dubbins曲线跟踪
【运动规划算法】OpenPlanner
【运动规划算法】Fast Planner
【运动规划算法】Ego Planner
【运动规划算法】eva_planner
【运动规划算法】FAR Planner
【运动规划算法】三次样条曲线跟踪
【运动规划算法】Hybrid Astar算法
【运动规划算法】基于似然场的快速避障算法（1）
【运动规划算法】基于似然场的快速避障算法（2）
【运动规划算法】基于飞行走廊的轨迹优化
【运动规划算法】基于滚动优化的路径规划器
【运动规划算法】后退跟踪
【运动规划算法】路径平滑处理
【运动规划算法】Kinodynamic RRT
【运动规划算法】Astar算法
【运动规划算法】Dijkstra算法
【运动规划算法】基于梯度的安全轨迹生成
【运动规划算法】KRRT* with fast RO
【运动规划算法】DWA算法
【运动规划算法】人工势场算法
【运动规划算法】OpenPlanner
【运动规划算法】Time Elastic Band
【运动规划算法】Fast Tracker
【运动规划算法】三次样条曲线
【运动规划算法】Hybrid A*
【运动规划算法】基于单线激光雷达的滚动优化规划器
【运动规划算法】FAR Planner
【运动规划算法】全局航线跟踪（1）
【运动规划算法】全局航线跟踪（2）
【运动规划算法】全局航线跟踪（3）
【运动规划算法】RRT算法
【运动规划算法】PRM算法
【运动规划算法】维诺图导航
【运动规划算法】OpenPlanner仿真
【运动规划算法】自动泊车（1）
【运动规划算法】自动泊车（2）

四、建图算法

【建图】Elevation Mapping
【建图】RTAB SLAM
【建图】八叉树建图
【建图】基于贝叶斯广义核推理的可通行区域建图（1）
【建图】基于贝叶斯广义核推理的可通行区域（2）

五、定位算法

【定位算法】Pure Localization

六、 控制算法

【运动控制算法】模型预测控制（1）
【运动控制算法】模型预测控制（2）
【运动控制算法】纯路径跟踪算法

七、 仿真

【gazebo仿真】行人跟踪+避障
【gazebo仿真】行人跟踪（1）
【gazebo仿真】行人跟踪（2）
【gazebo仿真】自动泊车
【gazebo仿真】状态机
【gazebo仿真】高达仿真（1）
【gazebo仿真】高达仿真（2）
【gazebo仿真】差速小车避障仿真演示
【gazebo仿真】四轮四转向小车避障演示（1）
【gazebo仿真】四轮四转向小车避障演示（2）
【gazebo仿真】创建actor动画
【gazebo仿真】四足机械狗仿真
【gazebo仿真】麦轮车仿真
【gazebo仿真】四轮四转向机器人仿真
【gazebo仿真】苗圃视觉导航

八、 其他

【开源项目分享】Outdoor Terrain Mapping with ANYmal
【开源项目分享】用于机器人崎岖地形导航的高程图创建演示

Travis.X
关注
  • 8
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
gazebo安装_基于gazebo平台的麦克纳姆轮小车的仿真控制
weixin_42134769的博客
12-27 1820
1. 运行环境的安装教程：Jose Cruise：gazebo tutorials 之环境准备​zhuanlan.zhihu.com2. 代码链接：smart-swarm/gazebo_drone_tutorials​github.com3. 视频教程：https://www.bilibili.com/video/BV17T4y1G7T1/​www.bilibili.com4. 文字教程： 1. ...
VincentTV-Code:B站视频演示源码，@ VincentTV
03-22
B站视频演示源码 各文件夹对应各个视频源码 作者 B站 的GitHub 效果预览 点击文字导航 ＃ 视频 原始码 预览 10 9 8 7 6 5 4 3 2个 1个
MODBUS总线桥配置演示视频
01-06
PB-B-MODBUS总线桥配置演示视频 PROFIBUS转MODBUS 485总线桥 PB-B-MODBUS485
ego-planner-swarm 注释版
06-04
对于想了解egoplanner源码的朋友，可以下载，并研究
省花博会，或将成为跳马百亿产业的跳板
小谦的博客
10-18 242
在很多人看来，地处长株潭交界之处，雨花区最南边的跳马镇，已经沉寂很长一段时间了。 这是一个没有地铁、没有城市商业综合体、不准再建高楼大厦、工业企业已经全部迁出、缺少本地稳定就业机会的地方。虽然归属于长沙市，但跳马却似乎难以摆脱长沙农村的命运，只能眼见着其他村镇一步步城市化，眼巴巴地看着隔壁的暮云镇快速发展起来。 如果没有日渐火热的石燕湖旅游景区，也许，跳马镇会是全长沙最默默无闻的一个镇。跳马这地方，除了那堆卖出去是钱，卖不出去就是柴火的花花树树，还有什么能拿的出手的呢？ 作为一名土生土长的跳马人，
路径规划算法介绍
qq_41545537的博客
10-20 2056
路径规划算法介绍1 DWA算法 1 DWA算法 链接参考其包含matlab相关程序 经过详细阅读该程序，发现该算法运行模式为： 首先基于运动学模型模拟车辆下一时刻的位置与航向角，而下一时刻的位置估算取决点在于（v,w）即（速度，角速度）的确定，接下来的重点就在于如何选取最优的（v,w），从而选取最优轨迹。 1）速度采样，基于机器人自身速度限制与电机力矩、环境的影响来确定速度与角速度的范围 2）基于该不同的速度与角速度模拟产生一系列轨迹，此为一系列的模拟轨迹 3）对该模拟的轨迹基于评价函数进行评价 评价参数有
autoware实车实战之一：如何快速适配环境、让自己的小车跑起来
qq_38861347的博客
09-08 4543
本人小白一枚，在这里先简单的讲一下我适配小车环境的过程吧，主要是讲从编译autoware完成——到根据自己小车修改相关源码——然后修改相关话题关系——环境适配完成的过程。为各位适配autoware提供一些思路#各位有什么建议或者是不对的地方也欢迎提出来沟通沟通。
autoware中的astar_avoid总结
qq_44850383的博客
04-17 721
循环有几种状态，包括“中继”（当汽车仅跟随基础路径点时），“停止”（当检测到障碍物并且汽车需要减速时），“规划”（当使用A*算法寻找绕过障碍物的路径时），以及“避障”（当汽车跟随新路径时）。如果处于避障模式，则检查是否检测到障碍物以及汽车速度是否低于某个阈值。如果不是，则检查是否该重新规划路径（基于设置的时间间隔），以及汽车速度是否再次低于阈值。如果找到路径，则切换到避障状态并开始跟随新路径。如果没有找到路径，则切换回停止状态。找到AstarAvoid节点的主循环run函数，用于使用A*路径规划进行避障。
[运动规划算法]基于似然场的快速避障算法
xiewf的博客
05-06 1524
文章目录一、简介二、原理三、项目演示参考 一、简介 出自 本文提出了一种在复杂环境中实现快速自主飞行的计划方法。 对环境进行建模，使其在传感器探测范围内确定性已知，范围外概率已知， 该方法并非寻找代价最低的路径，而是最大化确定能成功导航到下一个目标的可能性。 如果先前的地图可用，则概率通过环境离线传播。 如果没有先验地图，则该方法将来自目标点或人工引导的定向输入作为导航的指引。轨迹库实现的在线方法使用调制解调器嵌入式计算机上的单个CPU线程确定0.2-0.3毫秒内的路径。在实验中，它使轻型无人机能够在复杂
运动规划学习小记录01——Linear MPC
puffdoudou的博客
10-27 1202
linear mpc
hybrid a* 和dwa 结合(自动泊车，倒车入库)
qq_31815513的博客
05-23 9430
最近要实现汽车实现简单的倒车入库，所以通过修改move base的调度机制，实现此功能。 第一步 第二步 第三步 流程图：规划调度机制 修改的源码的流程图 相关视频 https://www.bilibili.com/video/av53164012/?p=1 ...
萝卜视频源码前后端带视频演示更换播放内核到3.2.6 .rar
09-01
2、支持B站。 只要解析能解就能播放 3、修复点播 4、修复全屏/锁屏系统返回键 5、恢复游客试看功能 6、支持电视直播 三、修复前端不能删除播放记录 历史修复记录： 芒果，只要解析能解就能播放 修复前端不能...
(基于python的毕业设计)基于B站用户行为分析系统(源码+说明+演示视频).zip
06-17
(基于python的毕业设计)基于B站用户行为分析系统(源码+说明+演示视频)，本科毕业设计高分项目。 【项目技术】 python+Django+mysql 【实现功能】 次所设计的系统中的每一项功能的具体内容如下。 （1）账号信息，用户...
红黑树和B树的演示视频.rar
09-11
红黑树和B树的演示视频.rar 很有动感，还有音乐，看完后你就了解这两种树的工作原理了！ 我还有另一个演示“排序算法演示大全.rar”，免费，大家也可以去下载！
2024年智能车辆与自动驾驶国际会议(ICIVAD2024)
anana_xu的博客
04-29 403
2024年国际智能汽车与自动驾驶大会（ICIVAD2024）在南京隆重举行，聚焦智能汽车和自动驾驶领域的最新技术和发展趋势。会议汇集了国内外知名专家、学者和企业代表，共同探讨自动驾驶技术的创新应用和未来发展。会议期间，与会者将分享研究成果，交流技术经验，并举办一系列主题论坛和展览活动，展示智能汽车和自动驾驶技术的最新成果和前沿应用。评审录用后，文章将以会议论文集的形式出版，最终提交EI Compendex、Scopus和Inspec等数据库检索。
【百度Apollo】探索自动驾驶：Apollo 平台发布新版本 Beta 更灵活的包管理 2.0
最新发布
鸽芷咕的博客
04-29 561
在现代软件工程中，软件包管理是至关重要的环节之一。合理的包管理系统可以极大地提高开发效率、降低开发成本，针对这一问题，我们团队对 Apollo 平台的包管理系统进行了全面升级，推出了全新的包管理 2.0 系统
经典文献阅读之--SurroundOcc(自动驾驶的环视三维占据栅格预测)
weixin_68094467的博客
04-26 454
环视BEV已经是很多场景中需要的功能，也是视觉代替激光雷达的有效解决方案，而《SurroundOcc: Multi-camera 3D Occupancy Prediction for Autonomous Driving》一吻则代表了这个领域的SOTA算法，文中通过多帧点云构建了稠密占据栅格数据集，并设计了基于transformer的2D-3D Unet结构的三维占据栅格网络。许多3D场景重建方法[8, 37]通过将多视角2D特征重新投影到已知姿态的3D体积中，将2D特征整合到3D空间中。
自动驾驶光学校准反射板
JYGD686868的博客
04-22 554
景颐光电采用自主研发的技术工艺，反射率可从1-99%可选，可定制0.05m-3m或以上的漫反射板尺寸，均具有近完美的朗伯特性和稳定性，让激光雷达标定得到最优的测试效果。它的高反射率和精确的几何特性为光学系统的校准和光学元件的测试提供了可靠的依据。在未来，随着光学技术的不断进步，光学校准反射板的应用将会更加广泛和深入，为光学领域的发展注入新的活力。这使得光学校准反射板在光学领域的应用更加广泛和深入。是一种特殊的交通设施，它的主要作用是提高自动驾驶车辆在道路上的感知能力，增强自动驾驶系统的安全性和可靠性。
自动驾驶系统中的端到端学习
一点人工一点智能的博客
04-29 159
本文还研究了如何处理场景条件下的驾驶行为，这超出了反应控制的能力。除了端到端结构外，学习方法也发挥着关键作用。端到端学习可以产生合理的驾驶行为，即使在复杂的城市驾驶场景中也是如此。端到端驾驶模型中的表示学习至关重要，语义分割等辅助视觉任务可以帮助形成更具信息性的驾驶表示，尤其是在训练数据有限的情况下。简单的卷积神经网络通常只能进行反应控制，不能在特定场景中进行复杂的推理。然而，即使机器人面临着与传统计算机视觉类似的问题，但这样的成功也还没有像视觉那样彻底改变机器人，即系统的手动Pipeline设计不完善。
python 实现人工势场法3d演示视频
05-18
很抱歉，作为一名 AI，我无法生成 3D 演示视频。但是，我可以给出一些实现人工势场法的 Python 代码供你参考。 ```python import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D # 定义目标点和障碍物 goal = np.array([50, 50, 50]) obstacle1 = np.array([30, 30, 30]) obstacle2 = np.array([70, 70, 70]) # 定义人工势场参数 alpha = 1 beta = 1 epsilon = 0.1 delta = 1 # 定义势能函数 def attract_potential(pos): return 0.5 * alpha * np.linalg.norm(pos - goal) ** 2 def repel_potential(pos): dist1 = np.linalg.norm(pos - obstacle1) dist2 = np.linalg.norm(pos - obstacle2) if dist1 <= delta: return 0.5 * beta * (1 / dist1 - 1 / delta) ** 2 elif dist2 <= delta: return 0.5 * beta * (1 / dist2 - 1 / delta) ** 2 else: return 0 def total_potential(pos): return attract_potential(pos) + repel_potential(pos) # 定义梯度下降函数 def gradient_descent(pos, eta): grad = np.zeros_like(pos) grad[0] = (total_potential([pos[0] + epsilon, pos[1], pos[2]]) - total_potential([pos[0] - epsilon, pos[1], pos[2]])) / (2 * epsilon) grad[1] = (total_potential([pos[0], pos[1] + epsilon, pos[2]]) - total_potential([pos[0], pos[1] - epsilon, pos[2]])) / (2 * epsilon) grad[2] = (total_potential([pos[0], pos[1], pos[2] + epsilon]) - total_potential([pos[0], pos[1], pos[2] - epsilon])) / (2 * epsilon) return pos - eta * grad # 初始化位置和学习率 pos = np.array([0, 0, 0]) eta = 0.1 # 迭代求解 path = [pos] for i in range(1000): pos = gradient_descent(pos, eta) path.append(pos) # 可视化结果 path = np.array(path) fig = plt.figure() ax = fig.add_subplot(111, projection='3d') ax.scatter(path[:, 0], path[:, 1], path[:, 2], c='b', marker='o') ax.scatter(goal[0], goal[1], goal[2], c='g', marker='o') ax.scatter(obstacle1[0], obstacle1[1], obstacle1[2], c='r', marker='x') ax.scatter(obstacle2[0], obstacle2[1], obstacle2[2], c='r', marker='x') ax.set_xlabel('X') ax.set_ylabel('Y') ax.set_zlabel('Z') plt.show() ``` 这段代码实现了一个在三维空间中寻找目标点的机器人，机器人需要避开两个障碍物。运行结果如下图所示。 ![3d_potential_field](https://img-blog.csdn.net/20180526235403247?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lvdW5nX2Jsb2dfY3NkbjIwMTg=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/q/75)

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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

打赏作者

Travis.X

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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