【自动驾驶】数据集合集！

news2025/10/31 13:27:33

本文将为您介绍经典、热门的数据集，希望对您在选择适合的数据集时有所帮助。

Automatic-driving-Test

IoT-Based-Automatic-Accident-Detection-And-Rescue-system

更新时间：2024-8-16
访问地址: GitHub
描述：

该项目的重点是开发一个基于物联网的系统，通过向有关当局发出事故位置和详细信息警报，自动检测车辆事故并触发救援响应。
用途：

使用陀螺仪传感器和超声波传感器的自动驾驶汽车还可以检测事故并通过 Google Maps Location 向用户发送实时警报。
数据集网址：

https://github.com/syedissambukhari/IoT-Based-Automatic-Accident-Detection-And-Rescue-system

Animal-Recognition-App-for-Self-Driving-Cars （动物识别自动驾驶汽车应用程序）

更新时间：2024-9-29
访问地址: GitHub
描述：

VisionTech Solutions 旨在开发一种自动图像识别系统来区分车辆和动物，以优化城市地区的野生动物监测操作，避免道路事故并保护动物和车辆。VisionTech Solutions 与市政当局合作，在城市中实施实时监控系统，使用安装在道路沿线的摄像头来识别和分类车辆和动物。
用途：

该系统将有助于防止因动物突然穿越而引起的交通事故，通过电子路标警告驾驶员。

数据集网址：

https://github.com/Silvano315/Animal-Recognition-App-for-Self-Driving-Cars

Traffic_Sign_Classification

Traffic-sign-classification

Autonomous-car-navigation-system

更新时间：2024-6-22
访问地址: GitHub
描述：

在团队环境中开发了自动驾驶汽车导航系统，展示了机器学习算法和 JavaScript 的熟练程度。模拟真实驾驶场景，理解自动车辆操作、路径选择、障碍物识别以及基于交通和距离的路线优化。使用地图和神经网络进行演示。
数据集网址：

https://github.com/FajanSunusara/Autonomous-car-navigation-system

Autonomous-Navigation-System-for-car

更新时间：2024-11-18
访问地址: GitHub
描述：

“Autonomous-Navigation-System-for-Car”项目专注于开发一种自动驾驶系统，该系统集成了两个关键功能：自动车道保持和障碍物检测。该系统使车辆能够在车道边界内自动导航并避免与障碍物发生碰撞。
用途：1.实施自动导航系统，确保车辆保持在指定车道内，而不会造成车道侵入。

2.开发障碍物检测系统，能够在检测到车辆路径内的物体时识别并停止车辆。
数据集网址：

https://github.com/Toldblog/Autonomous-Navigation-System-for-car

Adaptive-cruise-control-system-using-PID-controller

更新时间：2024-07-15
访问地址: GitHub
描述：

自适应巡航控制（ACC）系统是一种先进的驾驶员辅助系统，旨在通过自动调整车辆的速度来保持与前车的安全跟车距离，从而提高车辆的安全性和舒适性。该项目涉及配备 PID 控制器的 ACC 系统的设计、实施和测试，用于动态速度调节。

用途：

ACC 系统根据交通状况自动调整车速，帮助避免碰撞，从而提高安全性并减轻驾驶员疲劳。它标志着向自动驾驶迈出了重要一步。
数据集网址：

https://github.com/khadibd/Adaptive-cruise-control-system-using-PID-controller

Traffic-sign-recognition-and-detection-using-CNN

更新时间：2024-10-24
访问地址: GitHub
描述：

名为“使用卷积神经网络进行交通标志检测和识别”的项目侧重于通过开发可以自动检测和识别交通标志的系统来提高道路安全。该系统对于无人驾驶汽车和自动驾驶系统至关重要，旨在防止因错过交通标志而造成事故。它采用卷积神经网络（CNN），处理摄像头捕获的交通标志图像，提取特征并将其分类为预定义的类别。该项目利用由 72 种交通标志组成的德国交通标志数据集，并在 CNN 架构中集成残块，以提高特征提取和准确性。拟议的系统在低功耗设备上运行以进行实时使用，并且可以根据特定区域要求进行微调，从而确保灵活和自适应的驾驶员辅助解决方案。

该系统还具有用户友好的图形界面，该界面使用 Python 的 Tkinter 创建，允许用户上传交通标志图像并接收即时分类结果。与以前的模型相比，该项目在准确性和速度方面有了显著提高，使其适用于自动驾驶和交通管理的实际应用。
用途：使用 CNN 进行交通标志检测和识别项目通过使用卷积神经网络自动检测和分类交通标志来增强道路安全。它提高了准确性和速度，使其成为自动驾驶和实时交通管理系统的理想选择。
数据集网址：

https://github.com/Vishnupriya-SS/Traffic-sign-recognition-and-detection-using-CNN