Intelligent Connected Vehicle Labs

项目背景

智能网联汽车技术课程要求通过实验了解自动驾驶的核心技术模块。本项目包含 6 个实验，覆盖了从底层传感器到高层决策的完整技术栈。

核心功能

• 实验 1：CAN 总线通信 — 车辆总线协议解析、毫米波雷达数据读取
• 实验 2：视觉传感器标定 — OpenCV 相机标定、畸变矫正
• 实验 3：目标识别 — 传感器目标检测与分类
• 实验 4：GPS 定位导航 — NMEA 协议解析、地图可视化
• 实验 5：通信建模 — Simulink 虚拟串口通信仿真
• 实验 6：ADAS 仿真 — 高级驾驶辅助系统建模

技术架构

graph TD
  A[Sensor Layer] --> B[Perception Layer]
  B --> C[Localization Layer]
  C --> D[Communication Layer]
  D --> E[Decision Layer]

  A --> A1[Camera]
  A --> A2[LiDAR]
  A --> A3[Radar]
  A --> A4[GPS]
  B --> B1[Calibration]
  B --> B2[Object Detection]
  C --> C1[NMEA Parsing]
  C --> C2[Map Matching]
  D --> D1[CAN Bus]
  D --> D2[V2X]
  E --> E1[ADAS Simulation]

项目结构

intelligent-connected-vehicle/
├── experiment1/           # CAN 总线通信
├── experiment2/           # 视觉传感器标定
│   └── calibration main.zip
├── experiment3/           # 目标识别
├── experiment4/           # GPS 定位导航
│   ├── GPS-NMEA/
│   └── map.html
├── experiment5/           # 通信建模（Simulink）
├── experiment6/           # ADAS 仿真
├── 资料/                  # 参考资料
└── README.md

实验内容

| 实验 | 主题 | 工具 | 核心技术 | | ------ | ------------ | ------------------- | ---------------------- | | 实验 1 | CAN 总线 | CANoe / Python | 协议解析、数据帧 | | 实验 2 | 相机标定 | OpenCV | 棋盘格检测、内参计算 | | 实验 3 | 目标识别 | OpenCV / ML | 特征提取、分类器 | | 实验 4 | GPS 导航 | Python / HTML | NMEA 解析、地图可视化 | | 实验 5 | 通信仿真 | MATLAB Simulink | 虚拟串口、信号处理 | | 实验 6 | ADAS 仿真 | MATLAB Simulink | 场景建模、控制算法 |

效果展示

No screenshots yet. Add images to public/screenshots/intelligent-connected-vehicle/.

技术要点

相机标定

import cv2
# 棋盘格角点检测
ret, corners = cv2.findChessboardCorners(gray, (9, 6), None)
# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    obj_points, img_points, gray.shape[::-1], None, None
)

NMEA 协议解析

• $GPGGA：定位信息（经纬度、海拔、卫星数）
• $GPRMC：推荐最小定位信息（速度、方向）
• 校验和验证：异或校验

CAN 总线数据帧

| SOF | ID (11bit) | RTR | DLC (4bit) | Data (0-8 bytes) | CRC | ACK | EOF |