理工酷

在智能汽车领域所包含的技术方向中，自动驾驶技术较为前沿。本回答将着重总结自动驾驶方面的学习资料。

教学视频

1、综合

百度和优达学城合作课程 多伦多大学自动驾驶Coursera公开课

2、定位

iMorpheusAI的自频道-优酷视频

3、SLAM

【高翔】视觉SLAM十四讲 视觉导航：从状态估计到运动规划 （公开课，需要注册账号）

书籍

1、综合

《无人驾驶原理与实践》 兰州大学的自动驾驶团队，作为我开始入门无人驾驶的书籍，值得推荐 《无人驾驶：人工智能如何颠覆汽车》 书比较薄，和上本类似，入门推荐 《第一本无人驾驶技术书》入门推荐 《自动驾驶技术概论》 北京航空航天大学和百度自动驾驶事业群组联合编写

2、 Planning

《PLANNING ALGORITHMS》 规划算法介绍，英文版

3、高精度地图和定位

《视觉SLAM十四讲》高精度地图和定位需要的基础知识

4、车联网

• 车联网白皮书（C-V2X白皮书）
• 车联网白皮书（2018年）
• 车联网网络安全白皮书（2017年）
• 车联网白皮书（2017年）
• C-V2X业务需求演进
• 车辆高精度定位白皮书
• C-V2X产业化路径和时间表研究白皮书
• LTE-V2X安全技术白皮书
• MEC与C-V2X融合 应用场景
• C-V2X白皮书

主要介绍了V2X的架构演进和一些产业研究，对CV2X的技术方案了解非常有帮助。

自动驾驶技术栈

这里主要对自动驾驶技术做了硬件和软件2个大类的划分，图片如果不清晰可以查看思维导图原图链接

开源项目

开源项目也是学习的重要方面

1、全栈

Apollo - 百度的自动驾驶项目，集成了无人驾驶的各个模块，很值得推荐 autoware - 名古屋大学的自动驾驶项目，最早的自动驾驶开源项目之一

2、仿真

Udacity- 优达学城的自动驾驶仿真平台 Carla- Intel和丰田合作的自动驾驶项目 AirSim- 微软的仿真平台，还可以用于无人机 lgsvl- LG的自动驾驶仿真平台

数据集

1、驾驶数据集

• KITTI 目前最知名的自动驾驶数据集之一，一些创业公司都会拿里面的数据进行排名比赛。
• Cityscapes 目标是理解街景的语义，主要是针对城市街景做语义解析。
• Mapillary 是一个由位于瑞典马尔默的Mapillary AB开发，用来分享含有地理标记照片的服务。其创建者想要利用众包的方式来把整个世界（不仅是街道）以照片的形式存储。
• comma.ai's Driving Dataset 目的是低成本的自动驾驶方案，目前是通过手机改装来做自动驾驶，开源的数据主要是行车记录仪的数据。
• Udacity's Driving Dataset 优达学城的自动驾驶数据集，优达学城真的是业界良心，希望国内也多点靠谱的网课。
• Washington DC's Lidar Data 看起来像是亚马逊的数据？
• Apolloscape 百度的自动驾驶数据集，有很多复杂场景的道路，同意用数据要同意很长一段声明。
• BDDV Berkeley的大规模自动驾驶视频数据集。
• Oxford RobotCar 对牛津的一部分连续的道路进行了上百次数据采集，收集到了多种天气、行人和交通情况下的数据，也有建筑和道路施工时的数据。1000小时以上。
• nuscenes aptiv提供的数据集，带标注，宣称是目前最大的数据集之一，资源在Amazon S3，目前被墙，后面看是否做个镜像。
• Waymo open dataset waymo在CVPR2020上提供的自动驾驶数据集，数据量和场景都非常完整。

2、交通标志数据集

• KUL Belgium Traffic Sign Dataset 比利时的一个交通标志数据集。
• German Traffic Sign 德国交通标注数据集 。
• STSD 超过20 000张带有20％标签的图像，包含3488个交通标志。
• LISA 超过6610帧上的7855条标注。
• Tsinghua-Tencent 100K 腾讯和清华合作的数据集，100000张图片，包含30000个交通标志实例。

论文

1、论文下载 论文下载地址：无人驾驶论文合集。同时论文下载强烈推荐，感谢这个网站的作者。

removing barriers in the way of science

2、自动驾驶综述

Self-Driving Cars: A Survey Towards Fully Autonomous Driving: Systems and Algorithms A Survey of Autonomous Driving: Common Practices and Emerging Technologies A Survey of Deep Learning Techniques for Autonomous Driving

3、定位

下面总结了目前主流的定位方法，以及其优缺点，参考"A Survey of Autonomous Driving: Common Practices and Emerging Technologies"需要的自取

1.state-of-art定位综述

A survey of the state-of-the-art localization techniques and their potentials for autonomous vehicle applications

2.SLAM方法在自动驾驶领域应用综述

Simultaneous localization and mapping: A survey of current trends in autonomous driving

3.斯坦福DARPA比赛开山之作，主要是关于SLAM方法

Map-Based Precision Vehicle Localization in Urban Environments Robust Vehicle Localization in Urban Environments Using Probabilistic Maps

4.百度GNSS和点云定位融合方案

Robust and Precise Vehicle Localization based on Multi-sensor Fusion in Diverse City Scenes

4、感知

1）计算机视觉在自动驾驶应用综述 Computer Vision for Autonomous Vehicles:Problems, Datasets and State-of-the-Art

2）物体识别综述

• Object Detection With Deep Learning: A Review
• 50 Years of object recognition: Directions forward
• Deep Learning for Generic Object Detection: A Survey
• Object Detection in 20 Years: A Survey - 2019

3）道路和车道识别

Recent progress in road and lane detection: a survey

4）传感器融合

• Multisensor data fusion: A review of the state-of-the-art

• A Review of Data Fusion Techniques

• A COMPREHENSIVE REVIEW OF THE MULTI-SENSOR DATA FUSION ARCHITECTURES

• A Survey of Multisensor Fusion Techniques, Architectures and Methodologies 5）多目标跟踪

• SIMPLE ONLINE AND REALTIME TRACKING

• SIMPLE ONLINE AND REALTIME TRACKING WITH A DEEP ASSOCIATION METRIC

• Deep Learning-based Vehicle Behaviour Prediction For Autonomous Driving Applications: A Review

• Multiple Object Tracking: A Literature Review

• DEEP LEARNING IN VIDEO MULTI-OBJECT TRACKING: A SURVEY

• Deep Learning for Visual Tracking: A Comprehensive Survey

• Learning to Divide and Conquer for Online Multi-Target Tracking

• An Experimental Survey on Correlation Filter-based Tracking

5、预测

• A Review of Tracking, Prediction and Decision Making Methods for Autonomous Driving
• Human Motion Trajectory Prediction: A Survey
• Deep Learning-based Vehicle Behaviour Prediction For Autonomous Driving Applications: A Review
• A survey on motion prediction and risk assessment for intelligent vehicles

6、规划控制

综述论文

• A Survey of Motion Planning and ControlTechniques for Self-driving Urban Vehicles
• A Review of Motion Planning Techniques for Automated Vehicles

2. 百度EMplanner论文

Baidu Apollo EM Motion Planner

7、End-to-End

端到端自动驾驶

End to End Learning for Self-Driving Cars - 2016 NVIDIA

8、V2X

v2x测试综述 A Survey of Vehicle to Everything (V2X) Testing

9、DARPA

DARPA城市挑战赛是无人驾驶技术的鼻祖，下面是参赛的队伍发表的论文集

• Autonomous Driving in Urban Environments:Boss and the Urban Challenge
• Motion Planning in Urban Environments
• Junior: Stanford in The Urban Challenge
• Odin: Team VictorTango’s entry in the DUC
• A Perception-Driven Autonomous Urban Vehicle
• Little Ben: The Ben Franklin Racing Team’s Entry in the 2007 DARPA Urban Challenge
• Team Cornell’s Skynet: Robust Perception and Planning in anUrban Environment
• A Practical Approach to Robotic Design for the DARPA Urban Challenge
• Team AnnieWAY’s Autonomous System for the DARPA Urban Challenge 2007
• Driving with Tentacles: Integral Structures for Sensingand Motion
• Caroline: An Autonomously Driving Vehicle for Urban Environments
• The MIT–Cornell Collision and Why It Happened
• A Perspective on Emerging Automotive Safety Applications,Derived from Lessons Learned through Participation in the DARPA Grand Challenges
• TerraMax: Team Oshkosh Urban Robot

来源：本回答来自知乎-王方浩，已获作者授权。原链接：https://zhuanlan.zhihu.com/p/58422485