#autonomous-vehicles Repositorios
Descubre 51 repositorios activos de código abierto de GitHub etiquetados con #autonomous-vehicles, que acumulan 164,248 estrellas en total (una media de 3,220 estrellas por proyecto). El líder de este tema es AtsushiSakai/PythonRobotics, con 30,953 estrellas.
51 repositorios en total
Códigos de muestra en Python y libro de texto para algoritmos de robótica.
Simulador de código abierto para vehículos autónomos construido sobre Unreal Engine / Unity, de Microsoft AI & Research
Autoware - el proyecto de software de código abierto líder mundial para la conducción autónoma
Planificación de movimiento y Navegación de AGV/AMR: implementación del plugin planificador de ROS de A*, JPS, D*, LPA*, D* Lite, Theta*, RRT, RRT*, RRT-Connect, Informed RRT*, ACO, PSO, Voronoi, PID, LQR, MPC, DWA, APF, Pure Pursuit, etc.
Algoritmos de planificación de movimiento comúnmente utilizados en vehículos autónomos. (planificación de ruta + seguimiento de ruta)
Notas de Apollo (Notas de aprendizaje de Apollo) - Notas de aprendizaje de Apollo para principiantes.
Escenarios, tutoriales y demostraciones para Conducción Autónoma
Lista Curada de Recursos sobre Coches de Conducción Autónoma y Vehículos Autónomos
Recopilar algunos artículos sobre Modelos Mundiales (World Models) para la conducción autónoma (y robótica, etc.).
NVIDIA Alpamayo 1 Nano es un modelo VLA de razonamiento abierto de 10B para vehículos autónomos que combina trayectorias de conducción con razonamiento de Cadena de Causalidad.
Aprende conducción autónoma construyéndola: simulaciones en Python y un libro de texto abierto en el que el sistema evoluciona etapa a etapa. Sustituye y compara algoritmos de localización, planificación y control dentro del mismo sistema.
Un proyecto que demuestra soluciones de IA relacionadas con Lidar, incluidas tres redes neuronales profundas (DL) de Lidar/cámara aceleradas por GPU (PointPillars, CenterPoint, BEVFusion) y las bibliotecas relacionadas (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
Una lista curada de conjuntos de datos de radar, detección, seguimiento y fusión
Una selección de materiales de investigación de vanguardia sobre predicción de trayectorias
Cálculo simbólico rápido, generación de código y optimización no lineal para robótica
AlpaSim es una plataforma de simulación de vehículos autónomos de código abierto diseñada para el desarrollo y prueba de políticas AV de extremo a extremo
Una implementación de TensorFlow de este paper de Nvidia: https://arxiv.org/pdf/1604.07316.pdf con algunos cambios
[ICLR24] Implementación oficial del artículo “MagicDrive: Generación de vistas de calles con control diverso de la geometría 3D”
Planificación de movimiento (Planificación de ruta y Planificación/Seguimiento de trayectoria) de AGV/AMR: implementación en Python de 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 es la evolución de AirSim de Microsoft, una plataforma de simulación avanzada para construir, entrenar y probar sistemas autónomos en entornos virtuales de alta fidelidad。
OpenEMMA, una "reproducción" de código abierto con licencia permisiva del modelo EMMA de Waymo.
Rutas de cobertura robustas y eficientes para vehículos agrícolas autónomos. Una biblioteca modular y extensible de planificación de rutas de cobertura
👉 Recursos de CARLA como tutoriales, blog, código, etc. https://github.com/carla-simulator/carla
Cosmos-Transfer1 es un modelo de transferencia de mundo a mundo diseñado para cerrar la brecha perceptiva entre entornos simulados y del mundo real.
Un sistema de navegación inercial asistido por múltiples sensores eficiente y robusto con calibración en línea, capaz de fusionar sensores IMU, cámara, LiDAR, GPS/GNSS y de rueda. Casos de uso: VINS/VIO, GPS-INS, LINS/LIO, fusión de múltiples sensores para localización y mapeo (SLAM). Este repositorio también proporciona simulación y datos de múltiples sensores.
Implementación en Python del controlador MPPI (Model Predictive Path-Integral) para comprender la idea básica. Las dependencias obligatorias son únicamente numpy y matplotlib.
El primer curso integral del país sobre redes de ocupación en rejilla, «De BEV a Occupancy Network: principios algorítmicos y práctica de ingeniería», que abarca la preparación de datos de entrenamiento, el entrenamiento y el despliegue en dispositivos periféricos. Curso de percepción de ocupación semántica envolvente para la conducción autónoma (documentación, presentaciones y código fuente). Página principal del curso en línea: http://111.229.117.200:8100/ (creada de forma independiente por el autor)
Implementación de TensorFlow para calcular una imagen de vista de pájaro (BEV) semánticamente segmentada dadas las imágenes de múltiples cámaras montadas en vehículos.
Una especificación de datos para habilitar la regulación del derecho de paso, políticas digitales, geocercas y comunicación bidireccional entre empresas de movilidad y agencias públicas en todo el mundo para cualquier vehículo regulado, compartido o de agencia.
Código para IDS-ML: desarrollo de sistemas de detección de intrusiones utilizando algoritmos de aprendizaje automático (árbol de decisión, random forest, extra trees, XGBoost, stacking, k-means, optimización bayesiana..)
Segmentación de suelo rápida y robusta SOTA utilizando nubes de puntos 3D (aceptado en RA-L'21 con IROS'21)
Un entusiasta autodidacta de la conducción autónoma -> Registrando mi proceso de aprendizaje y enlaces de aprendizaje relacionados para la conducción autónoma
(ITSC 2021) Optimización de la selección de muestras para una calibración robusta de cámaras lidar. Este paquete estima los parámetros de calibración del marco de la cámara al marco lidar.
[ICCV2023] NeRF-LOAM: Representación implícita neuronal para odometría y mapeo LiDAR incrementales a gran escala
Preguntas frecuentes
¿Cuál es el repositorio de #autonomous-vehicles más popular en GitHub?
El proyecto de código abierto de #autonomous-vehicles mejor posicionado en GitHub es AtsushiSakai/PythonRobotics, con 30,953 estrellas. Códigos de muestra en Python y libro de texto para algoritmos de robótica.
¿Qué lenguajes de programación se utilizan más en los repositorios de #autonomous-vehicles?
Entre los proyectos de #autonomous-vehicles mejor posicionados en GitHub, los lenguajes de programación más comunes son C++, Python, Jupyter Notebook, C.
¿Cómo se calcula la clasificación de los repositorios de #autonomous-vehicles?
Seguimos 51 repositorios activos de código abierto etiquetados con #autonomous-vehicles (500+ estrellas), que suman un total de 164,248 estrellas, con una media de 3,220 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.