#autonomous-vehicles Repositories
Entdecke 51 aktive Open-Source-GitHub-Repositories, die mit #autonomous-vehicles getaggt sind und insgesamt 164,248 Sterne gesammelt haben (durchschnittlich 3,220 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist AtsushiSakai/PythonRobotics mit 30,953 Sternen.
Insgesamt 51 Repositories
Open-Source-Simulator für autonome Fahrzeuge, der auf Unreal Engine / Unity aufbaut, von Microsoft AI & Research
Autoware - das weltweit führende Open-Source-Softwareprojekt für autonomes Fahren
Bewegungsplanung und Navigation von AGV/AMR: Implementierung von ROS-Planer-Plugins für A*, JPS, D*, LPA*, D* Lite, Theta*, RRT, RRT*, RRT-Connect, Informed RRT*, ACO, PSO, Voronoi, PID, LQR, MPC, DWA, APF, Pure Pursuit usw.
Gängige Algorithmen für die Bewegungsplanung in autonomen Fahrzeugen. (Pfadplanung + Pfadverfolgung)
Kuratiertes Verzeichnis von Ressourcen zu selbstfahrenden Autos und autonomen Fahrzeugen
Sammeln Sie einige Forschungsarbeiten zu Weltmodellen (World Models) für das autonome Fahren (und Robotik usw.).
NVIDIA Alpamayo 1 Nano ist ein offenes 10B Reasoning-VLA-Modell für autonome Fahrzeuge, das Fahrbahnen mit Kausalitätsketten-Reasoning kombiniert.
Lerne autonomes Fahren, indem du es selbst entwickelst: mit Python-Simulationen und einem frei zugänglichen Lehrbuch, in dem das System Schritt für Schritt wächst. Tausche Lokalisierungs-, Planungs- und Steuerungsalgorithmen im selben System aus und vergleiche sie.
Ein Projekt, das Lidar-bezogene KI-Lösungen demonstriert, einschließlich dreier GPU-beschleunigter Lidar/Kamera-DL-Netzwerke (PointPillars, CenterPoint, BEVFusion) und der zugehörigen Bibliotheken (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
Eine kuratierte Liste von Radardatensätzen, Detektion, Verfolgung und Fusion
Eine Auswahl an hochmodernen Forschungsunterlagen zur Trajektorievorhersage
Schnelle symbolische Berechnungen, Codegenerierung und nichtlineare Optimierung für Robotik
AlpaSim ist eine Open-Source-Simulationsplattform für autonome Fahrzeuge, die für die Entwicklung und das Testen von End-to-End-AV-Richtlinien entwickelt wurde
Eine TensorFlow-Implementierung dieses Nvidia-Papers: https://arxiv.org/pdf/1604.07316.pdf mit einigen Änderungen
[ICLR24] Offizielle Implementierung des Papers „MagicDrive: Erzeugung von Straßenszenen mit vielfältiger Steuerung der 3D-Geometrie“
Bewegungsplanung (Pfadplanung und Trajektorienplanung/-verfolgung) von AGV/AMR: Python-Implementierung von Dijkstra, A*, JPS, D*, LPA*, D* Lite, (Lazy)Theta*, RRT, RRT*, RRT-Connect, Informed RRT*, Voronoi, PID, DWA, APF, LQR, MPC, RPP, Bezier, Dubins etc.
Project AirSim ist die Weiterentwicklung von AirSim von Microsoft, eine fortschrittliche Simulationsplattform zur Erstellung, zum Training und zur Testung autonomer Systeme in hochpräzisen virtuellen Umgebungen。
OpenEMMA, eine permissiv lizenzierte Open-Source-"Reproduktion" von Waymos EMMA-Modell.
Robuste und effiziente Abdeckungswege für autonome Landwirtschaftsfahrzeuge. Eine modulare und erweiterbare Bibliothek für die Abdeckungswegplanung
👉 CARLA-Ressourcen wie Tutorial, Blog, Code usw. https://github.com/carla-simulator/carla
Cosmos-Transfer1 ist ein Welt-zu-Welt-Transfermodell, das entwickelt wurde, um die Wahrnehmungslücke zwischen simulierten und realen Umgebungen zu schließen.
Ein effizientes und robustes multisensorunterstütztes Inertialnavigationssystem mit Online-Kalibrierung, das IMU-, Kamera-, LiDAR-, GPS/GNSS- und Raddaten fusionieren kann. Anwendungsfälle: VINS/VIO, GPS-INS, LINS/LIO, Multisensorfusion für Lokalisierung und Kartierung (SLAM). Dieses Repository bietet auch Multisensor-Simulation und Daten.
Python-Implementierung des MPPI (Model Predictive Path-Integral) Controllers zum Verständnis der Grundidee. Obligatorische Abhängigkeiten sind nur numpy und matplotlib.
Der erste umfassende Kurs des Landes zu Occupancy-Grid-Netzwerken: „Von BEV zu Occupancy Network: Algorithmusprinzipien und technische Praxis“. Er umfasst die Aufbereitung von Trainingsdaten, das Modelltraining und die Bereitstellung auf Edge-Geräten. Kurs zur umgebenden semantischen Occupancy-Wahrnehmung für autonomes Fahren (Dokumentation, Präsentationen und Quellcode). Online-Kursseite: http://111.229.117.200:8100/ (eigenständig vom Autor erstellt)
TensorFlow-Implementierung zur Berechnung eines semantisch segmentierten Vogelperspektivenbildes (BEV) aus Bildern mehrerer fahrzeugmontierter Kameras.
Eine Datenspezifikation zur Ermöglichung von Vorfahrtsregelung, digitaler Politik, Geofencing und bidirektionaler Kommunikation zwischen Mobilitätsunternehmen und öffentlichen Behörden weltweit für jedes regulierte, gemeinsame oder behördliche Fahrzeug.
Code für IDS-ML: Entwicklung von Einbruchserkennungssystemen mithilfe von Algorithmen des maschinellen Lernens (Entscheidungsbaum, Random Forest, Extra Trees, XGBoost, Stacking, k-Means, Bayesian Optimization..)
SOTA schnelle und robuste Bodensegmentierung unter Verwendung von 3D-Punktwolken (akzeptiert in RA-L'21 mit IROS'21)
Ein Autodidakt im autonomen Fahren -> Aufzeichnung meines Lernprozesses und relevanter Lernlinks für autonomes Fahren
(ITSC 2021) Optimierung der Auswahl von Stichproben für die robuste Kalibrierung von Lidar-Kameras. Dieses Paket schätzt die Kalibrierungsparameter vom Kamera zum Lidar-Rahmen.
[ICCV2023] NeRF-LOAM: Neuronale implizite Darstellung für Big-Scale inkrementelle LiDAR-Odometrie und Kartierung
Häufig gestellte Fragen
Welches ist das beliebteste #autonomous-vehicles-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#autonomous-vehicles-Projekt auf GitHub ist AtsushiSakai/PythonRobotics mit 30,953 Sternen. Python-Beispielcodes und Lehrbuch für Robotik-Algorithmen.
Welche Programmiersprachen werden in #autonomous-vehicles-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #autonomous-vehicles-Projekten auf GitHub sind C++, Python, Jupyter Notebook, C die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #autonomous-vehicles-Repositories berechnet?
Wir verfolgen 51 aktive Open-Source-Repositories, die mit #autonomous-vehicles getaggt sind (500+ Sterne), mit insgesamt 164,248 Sternen und durchschnittlich 3,220 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.