#autonomous-vehicles Dépôts
Découvrez 51 dépôts GitHub open source actifs associés à #autonomous-vehicles, cumulant 164,248 étoiles au total (soit une moyenne de 3,220 étoiles par projet). Le projet en tête de ce thème est AtsushiSakai/PythonRobotics, avec 30,953 étoiles.
51 dépôts au total
Simulateur open source pour véhicules autonomes construit sur Unreal Engine / Unity, par Microsoft AI & Research
Autoware - le projet logiciel open-source leader mondial pour la conduite autonome
Planification de mouvement et Navigation de AGV/AMR : implémentation du plugin de planification 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.
Algorithmes de planification de mouvement couramment utilisés dans les véhicules autonomes. (planification de trajectoire + suivi de trajectoire)
Notes Apollo (Notes d'apprentissage Apollo) - Notes d'apprentissage Apollo pour débutants.
Liste Curatée de Ressources sur les Voitures Autonomes et les Véhicules Autonomes
Collecter quelques articles sur les modèles mondiaux (World Models) pour la conduite autonome (et la robotique, etc.).
NVIDIA Alpamayo 1 Nano est un modèle VLA de raisonnement ouvert de 10B pour les véhicules autonomes qui associe les trajectoires de conduite au raisonnement par Chaîne de Causalité.
Apprenez la conduite autonome en la construisant : des simulations Python et un manuel libre dans lequel le système évolue étape par étape. Remplacez et comparez les algorithmes de localisation, de planification et de contrôle au sein d’un même système.
Un projet démontrant les solutions d'IA liées au Lidar, y compris trois réseaux DL Lidar/caméra accélérés par GPU (PointPillars, CenterPoint, BEVFusion) et les bibliothèques associées (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
Une liste organisée de jeux de données radar, de détection, de suivi et de fusion
Une sélection de matériaux de recherche de pointe sur la prédiction de trajectoire
Calcul symbolique rapide, génération de code et optimisation non linéaire pour la robotique
AlpaSim est une plateforme de simulation de véhicules autonomes open-source conçue pour le développement et les tests de politiques AV de bout en bout
Une implémentation TensorFlow de cet article Nvidia : https://arxiv.org/pdf/1604.07316.pdf avec quelques modifications
[ICLR24] Implémentation officielle de l'article « MagicDrive : génération de vues de rue avec contrôle diversifié de la géométrie 3D »
Planification de mouvement (Planification de chemin et Planification/Suivi de trajectoire) d'AGV/AMR : implémentation 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 est l'évolution de AirSim de Microsoft, une plateforme de simulation avancée pour construire, entraîner et tester des systèmes autonomes dans des environnements virtuels à haute fidélité。
OpenEMMA, une « reproduction » open source sous licence permissive du modèle EMMA de Waymo.
Chemins de couverture robustes et efficaces pour les véhicules agricoles autonomes. Une bibliothèque modulaire et extensible de planification de chemins de couverture
👉 Ressources CARLA telles que tutoriels, blog, code, etc. https://github.com/carla-simulator/carla
Cosmos-Transfer1 est un modèle de transfert monde à monde conçu pour combler le fossé perceptuel entre les environnements simulés et du monde réel.
Un système de navigation inertielle multisenseurs efficace et robuste avec calibration en ligne, capable de fusionner des capteurs IMU, caméra, LiDAR, GPS/GNSS et de roue. Cas d'utilisation : VINS/VIO, GPS-INS, LINS/LIO, fusion multisenseurs pour la localisation et la cartographie (SLAM). Ce dépôt fournit également une simulation et des données multisenseurs.
Implémentation Python du contrôleur MPPI (Model Predictive Path-Integral) pour comprendre l'idée de base. Les dépendances obligatoires sont uniquement numpy et matplotlib.
Le premier cours complet du pays sur les réseaux d’occupation en grille, « Du BEV à Occupancy Network : principes algorithmiques et pratique de l’ingénierie », couvrant la préparation des données d’entraînement, l’entraînement et le déploiement sur les appareils en périphérie. Cours de perception de l’occupation sémantique panoramique pour la conduite autonome (documentation, présentations et code source). Page d’accueil du cours en ligne : http://111.229.117.200:8100/ (créée indépendamment par l’auteur)
Implémentation TensorFlow pour le calcul d'une image de vue plongeante (BEV) sémantiquement segmentée à partir des images de plusieurs caméras montées sur véhicule.
Une spécification de données permettant la régulation du droit de passage, la politique numérique, le géorepérage et la communication bidirectionnelle entre les entreprises de mobilité et les agences publiques dans le monde entier pour tout véhicule réglementé, partagé ou d'agence.
Code pour IDS-ML : développement de systèmes de détection d'intrusion utilisant des algorithmes d'apprentissage automatique (Arbre de décision, forêt aléatoire, arbres supplémentaires, XGBoost, empilement, k-means, optimisation bayésienne..)
Segmentation au sol SOTA rapide et robuste à l'aide d'un nuage de points 3D (accepté dans RA-L'21 avec IROS'21)
Un passionné d'auto-apprentissage pour la conduite autonome -> Enregistrement de mon processus d'apprentissage et des liens d'apprentissage associés à la conduite autonome
(ITSC 2021) Optimisation de la sélection des échantillons pour un étalonnage robuste de la caméra lidar. Ce package estime les paramètres d'étalonnage du cadre de la caméra au cadre lidar.
[ICCV2023] NeRF-LOAM : Représentation implicite neuronale pour l'odométrie et la cartographie LiDAR incrémentielles à grande échelle
Foire aux questions
Quel est le dépôt #autonomous-vehicles le plus populaire sur GitHub ?
Le projet #autonomous-vehicles open source le mieux classé sur GitHub est AtsushiSakai/PythonRobotics, avec 30,953 étoiles. Exemples de codes Python et manuel pour les algorithmes de robotique.
Quels langages de programmation sont les plus utilisés dans les dépôts #autonomous-vehicles ?
Parmi les projets #autonomous-vehicles les mieux classés sur GitHub, les langages de programmation les plus courants sont C++, Python, Jupyter Notebook, C.
Comment le classement des dépôts #autonomous-vehicles est-il calculé ?
Nous suivons 51 dépôts open source actifs associés à #autonomous-vehicles (500+ étoiles), totalisant 164,248 étoiles, avec une moyenne de 3,220 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.