racer中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

racer中文進入發燒排行的影片

基於模型預測控制之自駕車車道維持系統之研究

為了解決racer中文的問題，作者江建霖 這樣論述：

近幾年由於人工智慧技術快速發展，引發了一股科技浪潮。自駕車的實現在這股科技浪潮中扮演重要的角色，各大車廠無不投注大量成本研發自動駕駛技術，希望有朝一日能讓全自動駕駛汽車普及。在自動駕駛技術中，讓汽車辨識車道並置中行駛，是諸多核心技術中最重要的一環。方法上，有基於深度卷積神經網路的行為複製法、有基於強化學習的自我學習法、也有基於影像處理技術直接辨識出車道位置的方法。其中，基於影像處理的方法，具有強健性及處理速度快等優點，但是需要搭配一套好的控制器。傳統上，利用Proportion Integration Differentiation控制，對於單目標的控制系統是快速有效的；但是像自駕車這種同時

考慮縱向控制(車速保持)及橫向控制(車道維持)的系統，就不容易用Proportion Integration Differentiation控制器實現。本論文研究了基於模型預測控制之自駕車置中行駛方法。先利用影像處理技術偵測出車道線之後，就可得出車輛與目標位置與目標方向的偏移量，進一步可用模型預測控制方式達成控制目標。由於模型預測控制的機制實際上是考慮了所有限制條件之後所求出的最佳解，因此可以同時考慮橫向目標、縱向目標、以及控制變數的要求(如方向盤及油門操控之平順度)。為了實現本論文提出之方法的有效性，我們用機器人作業系統(Robot Operating System)進行實作。在Robot

Operating System的模擬器(Gazebo)中，我們製作了一輛與實車相仿、具有同樣運動特性的模型。車道是採用AWS Deep Racer的標準賽道。車子使用的唯一感測器，是置於車頭的RGB攝影機。實驗結果顯示，運用Model predictive control方式控制的車輛行駛行為，展現出類似駕駛高手才會呈現出的現象：不但方向盤抖動情況減少、車輛入彎道時會自動減速、出彎道時又再度加速以維持設定的巡航速度。雖然Model predictive control計算量較高，但是現在的電腦速度已經足以負荷這種計算量。從本研究結果，顯示Model predictive control是值得

自駕車研發人員關注的方法。