Table of Contents
- 前沿进展
- 自动驾驶实践
- 综述文章
- 1. Basics
- 2. Overview
- 3. Prediction
- 4. Planning and Control (PNC)
- 5. 运行时的计算框架
- 6. 端到端方法(从感知到控制)
- 7. 基于强化学习的方法(在PNC方面)
- 8. Apollo项目
- 9. 相关课程
- 10. 个人成长经验分享
- 11. 硬件
- 12. 仿真
- 13. 商业落地
- 14. 观点
- 15. 相关实验室
- 16. 期刊/会议(智能车领域)
- 17. 数据集
- 18. Pony.ai技术分享
- 19. 文远知行分享
- 20. 安全报告
- 21. People
- 22. 其它
前沿进展
- Waymo
- CVPR2019发布大型自动驾驶数据库 [机器之心报道]
自动驾驶实践
- CARLA Autonomous Driving Challenge
- Udacity: Self-Driving Car Engineer Nanodegree Program
- Coursera: 多伦多大学自动驾驶专题
- [Github Project - enginBozkurt/SelfDrivingCarsControlDesign]
- Self Driving Cars Longitudinal and Lateral Control Design
- [Github Project - enginBozkurt/SelfDrivingCarsControlDesign]
综述文章
- 国内
- 国外
1. Basics
2. Overview
- Creating Autonomous Vechicle Systems (刘少山) [Slide] [雷锋网报道]
- DiDi: AI in Transportation (KDD2018 Tutorial) [Slide]
- JD X-Lab: Artificial Intelligence in Autonomous Vehicle Systems [Slide]
相关博文
- 自动驾驶之路已走了多远?一文读懂研究现状
- 编译自2019年论文 Self-Driving Cars: A Survey [Paper]
- 一个自动驾驶工程师眼中的自动驾驶
- 自动驾驶传感器,感知,地图定位和规划控制发展现状及热点研究
- 史上最全的自动驾驶研究报告(上)
- 史上最全的自动驾驶研究报告(下)
- 一文读懂无人驾驶汽车系统基本框架
3. Prediction
- 自动驾驶公开课 - Apollo 2.5预测系统介绍
- Apollo3.5预测模块官方介绍[中文][英文]
- 【美团技术解析】自动驾驶中的障碍物行为预测
- 自动驾驶中行为预测的一些根本问题和最新方法
- 作者简介:战威,UC Berkeley博士在读,主要研究方向为自动驾驶中的预测、决策与规划
- 自动驾驶中的驾驶行为建模和预测方法
- 自动驾驶中的驾驶行为建模和预测方法(奇点汽车首席科学家,黄浴)
- 自动驾驶中路上行人的行为和意图理解及预测(奇点汽车首席科学家,黄浴)
- 关于Apollo 5.0 障碍物行为预测技术分享 (许珂诚)
- Apollo公开课 - Apollo行为轨迹预测技术 (潘嘉诚)
Paper
- AAAI’19 - Baidu - TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents
4. Planning and Control (PNC)
- 技术文档 - Apollo规划模块技术指导
- Apollo公开课 - Apollo运动轨迹规划技术 (潘嘉诚)
- Apollo 轨迹规划技术分享 (Zhang Yajia)
- Apollo决策技术分享 (Yifei Jiang)
- 解析百度Apollo之决策规划模块
- 自动驾驶公开课 - Apollo 2.5自动驾驶规划控制 [Slide]
- 社群分享内容 - Lattice Planner规划算法
- Apollo3.5规划模块官方介绍[中文][英文]
- 自动驾驶中有哪些路径规划框架?
- Antonin RAFFIN: Learning to Drive Smoothly in Minutes (June 27, 2019)
相关分享
- 自动驾驶大脑设计思路探析(智行者)[Slide]
- 智能车控制决策系统开发(智行者)[Slide] [雷锋网报道]
- 同济大学:无人驾驶车辆行为决策系统研究(2018)[Website] [Paper]
- 自动驾驶的“大脑”——决策规划篇 [Website]
- 选自《中国人工智能系列白皮书-智能驾驶2017》[PDF]
- 自动驾驶汽车的运动规划技术综述 [Website]
- 2016 - A Review of Motion Planning Techniques for Automated Vehicles
- 算法 - 一篇读懂自动驾驶汽车决策层算法的新思路 [Website]
- 自动驾驶中轨迹规划的探索和挑战 [Website]
- 作者:Pony.ai Tech lead 梁亚雄
- 应对复杂路况,自动驾驶如何规划它的下一步? “老司机”炼成记!
- 【美团无人配送】自动驾驶中的决策规划算法概述 [Website]
- 【美团技术解析】无人车横向控制解读 [Website]
- 『无人驾驶』运动规划与运动控制(知乎专栏)[Website]
- 自动驾驶中的规划控制概述 [Website]
- 作者:奇点汽车首席科学家,黄浴
路径规划
- 路径搜索可视化
- 路径规划之 A* 算法
- Introduction to the A* Algorithm
- Baidu Apollo EM Motion Planner[Paper-18年发表]
企业招聘要求
- Waymo: Software / Research Engineer, Planning and Motion Control
- Waymo: Software Engineer, Planner & Controls
- 文远知行:决策规划工程师 - ML/DL方向
5. 运行时的计算框架
要解决的问题:不同模块之间如何进行通信?
在自动驾驶领域,ROS存在的挑战:
- 第一,在ROS中,计算任务都会执行在一个一个线程中,当系统中存在大量计算任务的时候,会衍生出大量的线程,对调度系统而言是一个非常大的负担,会引入很多的线程切换,导致系统的实时性难以保障。
- 第二,分布式系统的通信性能瓶颈很大。分布式架构通信性能、中心化的Master、消息格式不够灵活等问题导致调度难以满足实际需求。
Apollo3.5之前的版本(1.0-3.0)采用ROS系统,并针对无人车的要求对ROS系统进行了改进,主要包括下面三个方面:
- 通信性能优化
- 通过共享内存来减少数据拷贝,以提升通信性能
- 去中心化网络拓扑
- 主要解决ROS中只包含单主节点的问题(单主节点发生故障后容易导致系统崩溃)
- 使用RTPS(Real-Time Publish-Subscribe)服务发现协议实现完全的P2P网络拓扑
- 数据兼容性扩展
- 不使用ROS用来描述文件定义模块间的消息接口msg
- 改用Google的Protocol Buffers格式数据
Cruise Automation:基于ROS构建无人驾驶汽车的经验总结 (ROSCon2018 Talk) [Blog] [Slide] [Video]
Apollo3.5之后采用百度自家设计的Apollo Cyber RT系统
- 百度Apollo 3.5是如何设计Cyber RT计算框架的?(2019.02.02)
- 让Cyber RT触手可及 专场问答第二弹!(2019.03.08)
- 技术文档 - Cyber RT 协程技术解读 (2019.04.08)
- 技术文档 - Apollo Cyber调度器 (2019.04.16)
- 技术文档 - Cyber RT 进程间通信 (2019.04.22)
- 沙龙回顾 - Apollo Cyber RT计算框架详解 (2019.05.16)
6. 端到端方法(从感知到控制)
相关博文
相关论文
- 2015 - Princeton - ICCV - DeepDriving:Learning Affordance for Direct Perception in Autonomous Driving
- 2017 - Berkeley - CVPR - End-to-end Learning of Driving Models from Large-scale Video Datasets
- 2018 - Intel - ICRA - End-to-end Driving via Conditional Imitation Learning
- 2015 - NYU - DAVE_Off-Road Obstacle Avoidance through End-to-End Learning
- 2016 - Comma.ai - Learning a Driving Simulator
- 2016 - Nvidia - End to End Learning for Self-Driving Cars
- 2018 - Intel - Learning End-to-end Autonomous Driving using Guided Auxiliary Supervision
2018 - Waymo - ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst
7. 基于强化学习的方法(在PNC方面)
- 对抗强化学习最新研究:可用于自动驾驶汽车「碰撞避免机制」检测
- IEEE IV 2018:基于深度增强学习的高层驾驶决策研究
- Wayve:强化学习教汽车学会自动驾驶
- 知乎:强化学习在自动驾驶上有哪些应用?
- 深度强化学习在自动驾驶技术中的应用
- 伯克利新研究:在人类司机中引入10%自动驾驶车,车流量提升超3成
- Flow HomePage
- Flow is a deep reinforcement learning framework for mixed autonomy traffic. Flow is a traffic control benchmarking framework and it provides a suite of traffic control scenarios (benchmarks), tools for designing custom traffic scenarios, and integration with deep reinforcement learning and traffic microsimulation libraries.
- 面试题:如何设计一个端到端的自动驾驶模型? & 如何设计一个基于增强学习的自动驾驶决策系统?
8. Apollo项目
Apollo3.5整体架构:
硬件架构:
硬件之间的数据流:
软件架构(导航模式):
模块的官方说明:
相关博文:
- 解析百度Apollo自动驾驶平台
- 技术文档 - Apollo 3.5学习指南高能上线,先睹为快!
- 技术文档 - Apollo3.5 软件架构
- 沙龙回顾 - Apollo 3.5 技术架构详解
- 沙龙回顾 - Apollo障碍物感知5大板块,一文揭秘
- 开发者说 - Apollo代码学习—模型预测控制(MPC)
- 开发者说 - Apollo代码学习—MPC与LQR比较
- 开发者说 - Apollo控制算法之LQR
- 终极解析:“唤醒万物”的Apollo5.0来了!
9. 相关课程
MIT 6.S094: Deep Learning for Self-Driving Car
DALI 2018 Workshop on Autonomous Driving
Apollo自动驾驶入门课程
- 重磅 - Udacity X Apollo自动驾驶免费入门课程正式上线!
- Apollo自动驾驶入门课程第①讲 — 无人驾驶概览
- Apollo自动驾驶入门课程第②讲 — 高精地图
- Apollo自动驾驶入门课程第③讲 — 定位
- Apollo自动驾驶入门课程第④讲 — 感知(上)
- Apollo自动驾驶入门课程第⑤讲 — 感知(下)
- Apollo自动驾驶入门课程第⑥讲 — 预测
- Apollo自动驾驶入门课程第⑦讲 — 规划(上)
- Apollo自动驾驶入门课程第⑧讲 — 规划(下)
- Apollo自动驾驶入门课程第⑨讲 — 控制(上)
- Apollo自动驾驶入门课程第⑩讲 — 控制(下)
Apollo自动驾驶进阶课程
知乎专栏:无人驾驶干货铺
- 主页
- 无人驾驶技术入门(一)- 百度无人驾驶的引路人
- 自动驾驶行业观察 - 站在Level 2之巅,沃尔沃XC60主动安全系统剖析
- 无人驾驶技术入门(二)- 不会写代码也能做无人驾驶工程师
- 无人驾驶技术入门(三)- 百度无人车传感器 GPS 深入剖析
- 无人驾驶技术入门(四)- 百度无人车传感器 IMU 深入剖析
- 无人驾驶技术入门(五)- 没有视觉传感器,还谈什么无人驾驶?
- 自动驾驶行业观察 - 进军Level 3,奥迪A8自动驾驶功能剖析
- 无人驾驶技术入门(六)- 工程师又爱又恨的激光雷达
- 无人驾驶技术入门(七)- 量产必备的毫米波雷达
- 无人驾驶技术入门(八)- 被严重低估的传感器超声波雷达
- 自动驾驶行业观察 - 移动的安全感,奥迪A8L主动安全技术剖析
- 无人驾驶技术入门(九)- 与生俱来的VCU信号
- 自动驾驶行业观察 - More Than Level 2,捷豹I-PACE主动安全技术剖析
- 无人驾驶技术入门(十)- 看不见的“传感器”高精度地图
- 自动驾驶行业观察 - Baidu Apollo 五大安全魔鬼挑战
- 无人驾驶技术入门(十一)- 无人驾驶中的CAN消息解析
- 无人驾驶技术入门(十二)- 无人驾驶中的坐标转换
- 无人驾驶技术快问快答 - 第一期
- 无人驾驶技术快问快答 - 第二期
- 无人驾驶技术入门(十三)- 手把手教你写卡尔曼滤波器
- 自动驾驶行业观察 - 汽车高级驾驶辅助系统ADAS盘点
- 无人驾驶技术入门(十四)- 初识图像之初级车道线检测
- 无人驾驶技术入门(十五)- 再识图像之高级车道线检测
- 无人驾驶实训营100小时回忆录
- 无人驾驶技术入门(十六)- 初识深度学习之交通标志分类
- 无人驾驶技术入门(十七)- 深度学习进阶之无人车行为克隆
- 无人驾驶技术入门(十八)- 手把手教你写扩展卡尔曼滤波器
- 无人驾驶技术入门(十九)- 手把手教你实现多传感器融合技术
10. 个人成长经验分享
11. 硬件
12. 仿真
-
2019中国自动驾驶仿真技术蓝皮书 [PDF]
- 自动驾驶车辆仿真模拟软件盘点
- 回顾:Drive.ai 、文远知行WeRide、51VR,三大视角解读自动驾驶仿真
- Live回顾:文远知行WeRide自动驾驶仿真论——真实、闭环、规模、整合
- 社群分享 - Apollo仿真平台如何Hold住99.9999%的复杂场景?
- Apollo高精地图服务介绍及云端仿真平台应用[Slide]
- 关于Apollo 5.0 控制在环仿真技术分享
- Apollo公开课 - 为纯视觉感知生成合成数据集
51VR
场景构建
13. 商业落地
- 盘点百度、阿里、腾讯、华为自动驾驶战略
- 自动驾驶商业化应用研究
- 福瑞泰克CTO沈骏强谈自动驾驶商业化:怎样解决安全、体验、成本和场景问题?
- 文远知行钟华:L4级别无人驾驶在中国的落地之路 – GTC 中国 2018
14. 观点
15. 相关实验室
-
UC Berkeley: Mechanical Systems Control Lab
16. 期刊/会议(智能车领域)
会议
- IEEE Intelligent Vehicles Symposium (IV)
- IEEE International Conference on Intelligent Transportation Systems (ITSC)
期刊
- IEEE Transactions on Intelligent Transportation Systems
相关博文
17. 数据集
18. Pony.ai技术分享
行业概述:
系统基础架构:
数据:
地图和定位:
感知:
路径规划与控制:
硬件技术与车辆调试:
19. 文远知行分享
20. 安全报告
国内
国外
- Waymo(2017) [PDF]
- GM(2018) [PDF][Appendix]
- Ford(2018) [PDF]
- Nuro(2018) [PDF][解读]
- Nvidia(2018) [PDF]
- Uber(2018) [PDF]
- Apple(2019) [PDF]