自动驾驶运动规划(Motion Planning)是无人驾驶汽车的核心模块之一，它的主要任务之一就是如何生成舒适的、碰撞避免的行驶路径和舒适的运动速度。生成行驶路径最经典方法之一就是是Sampling-Based Planner算法；基于采样的规划器可以规划出可行的轨迹，但这种轨迹往往是折线，为了保证车辆行驶过程中给乘客良好舒适的体验，需要对规划的轨迹进行平滑。Cubic Spline就是一种常用的插值平滑算法，通过一系列的控制点得到一条连续平滑的轨迹。
1、Cubic Spline曲线定义
假定有以下n+1个节点：
把n+1个节点划分成n个区间：$[(x_0, x_1)[……]
Read MoreMIT 2017年开设的关于自动驾驶和深度学习的课程，课程包含5个部分，这是第四部分: Deep Learning For Human-Centered Semi-Autonomous Vehicles。
本文来源于MIT深度学习与自动驾驶公开课-MIT 6.S094: Deep Learning For Human-Centered Semi-Autonomous Vehicles的PPT材料，版权归作者所有！有兴趣[……]
Read MoreMIT 2017年开设的关于自动驾驶和深度学习的课程，课程包含5个部分，这是第四部分: Recurrent Neural Networks for Steering Through Time。
本文来源于MIT深度学习与自动驾驶公开课-MIT 6.S094: Recurrent Neural Networks for Steering Through Time[……]
Read More1.什么是Motion Planning
Motion Planning是在遵循道路交通规则的前提下，将自动驾驶车辆从当前位置导航到目的地的一种方法。
在实际开放道理场景下，自动驾驶要处理的场景非常繁杂：空旷的道路场景、与行人、障碍物共用道理的场景、空旷的十字路口、繁忙的十字路口、违反交通规则的行人/车辆、正常行驶的车辆/行人等等。场景虽然复杂，但都可以拆解为一系列简单行为(behavior)的组合:
将这些简单的行为(behavior)组合起来，就可以完成复杂的驾驶行为。
2、Motion Planning的约束条件(constraints)
Motion[……]
Read More1、使用collections.Counter()统计字符串中每个字符出现的频率
collections.Counter()接收一个可迭代的实体(Iterable Entity)，输出以Entity中的元素为Key，出现频率(Frequency)为Value的统计结果。
如果collections.Counter()的参数为string，该函数的返回结果就是以string中字符为Key，出现频率(Frequency)为Value的字符频率统计结果。
输出结果如下：
利用这种方式我们可以字符串中所有字符(包含空格和”.”)的出现次数。如果我们只想统计字符和数字[……]
Read More1、检查文件中是否包含目标字符串
为了检测文件中是否包含目标字符串，我们定义了check_if_string_in_file()函数，该函数的参数为：目标文件名和目标字符串。在函数中迭代获取文件的每一行，然后检测该行是否包含目标字符串，如果包含目标字符串，函数返回True；如果文件中所有行都不包含目标字符串，则返回False。
假设存在文本文件”sample.txt”，文件内容为：
在文件中检测是否存在”is”字符串。
上述代码的执行结果：
由于文件包含字符串”is”，所以函数check_if_string_in_file()返回True。
[……]
Read More1、为什么要在with语句中执行文件操作
常见的python文件读写流程如下：首先使用open()函数打开文件，open()函数返回文件对象(file object)，然后使用该文件对象(file object)进行文件读写，最后在程序结束前执行文件关闭(close()函数)文件。
示例程序如下:
当python程序的同级目录存在sample.txt文件时，程序正常执行，打开文件成功，并打印sample.txt文件中的内容：
当文件打开失败(如文件不存在时等)，程序可能会输出以下错误信息:
上面的代码在大部分场景下可以正常工作，但是在一些场景下会有问题[……]
Read MoreMIT 2017年开设的关于深度学习和自动驾驶的课程，课程共分为5个部分，这是第三部分的内容-Convolutional Neural Networks And End-To-End Learning Of The Full Driving Task。
本文来源于MIT深度学习与自动驾驶公开课-MIT 6.S094: Convolutional Neural Networ[……]
Read MoreMIT 2017年开设的关于深度学习和自动驾驶的课程，课程共分为5个部分，这是第三部分的内容-Convolutional Neural Networks And End-To-End Learning Of The Full Driving Task。
本文来源于MIT深度学习与自动驾驶公开课-MIT 6.S094: End To End Learni[……]
Read More要控制车辆的运动，首先要对车辆的运动建立数字化模型，模型建立的越准确，对车辆运动的描述越准确，对车辆的跟踪控制的效果就越好。除了真实反映车辆特性外，建立的模型也应该尽可能的简单易用。自行车模型(Bicycle Model)是一种常见的车辆运动学模型。
自行车模型(Bicycle Model)的建立基于如下假设:
1）不考虑车辆在垂直方向(Z轴方向)的运动，即假设车辆的运动是一个二维平面上的运动。
2) 假设车辆左右侧轮胎在任意时刻都拥有相同的转向角度和转速；这样车辆的左右两个轮胎的运动可以合并为一个轮胎来描述。
3）假设车辆行驶速度变化缓慢，忽略前后轴载荷的转移。
[……]
Read More