前言：cpu i5 9400f（工作主頻3.8g） + gpu gtx 1660ti 6g + 16g（2667m） + 500g nvme
除了整個物理外形17.3顯得很大以外，基本上算是比較合適的乙個工作本了。
dota2 特效全開fps200+， pubg 遊戲內fps150+，且散熱良好，如果有需求的同學，對價效比要求高的，一定不要錯過這一款。
作為乙個剛開始摸索adas工作的人，首先要做的應該是收集資訊，做adas的哪一部分工作，這個部分需要準備什麼知識，我覺得這應該是乙個行業或者技術的開始。
汽車的adas相關工作，大體是三個部分（我個人目前的認知，不一定對）：mil，sil，hil。
mil：model in loop，大多數的工作集中在演算法功能實現上，要求演算法核心邏輯的正確。
sil：software in loop，多數工作為調整**，適配**環境，近乎真實的通過**環境模擬出真實場景，實現演算法+模型的閉環，完全在電腦層面完成實際的功能。
hil：hardwaere in loop，硬體參與進來，從一部分**放在硬體上執行，到全部**放入硬體或者真實測試車上執行，我個人認為都算hil內容，完成adas從軟體到硬體的轉換。
prescan傳言是感測器效果逼真，而且種類繁多，使用下來看，確實如此。優點還有乙個，就是容易操作，介面理解起來簡單，環境搭建輕鬆，而且自帶demo包含主流功能**（acc,parking,aeb等），連帶simulink都有，不要太爽。需要與matlab的simulink結合操作，simulink實現控制邏輯，prescan提供**環境。整個搭配比較吃記憶體和顯示卡，顯示卡差的，prescan跑起來會很慢，親測，而且整個汽車跑起來不是很真實，動力學以及車輛自身不夠逼真。
carsim個人使用下來，覺得對車的設定很多很細，而且每個引數都可以調整，車子跑起來也很真實，那種慣性的感覺，比prescan好很多。感測器使用不多，不多評價。與matlab的simulink聯合**，用起來沒有prescan方便。
整體使用下來，window環境，肯定需要matlab，prescan和carsim選乙個。如果是遠端操作，那麼你還需要一台linux電腦，搭載ros環境。環境是這樣：遠端linux ros編譯好控制程式的收發，與simulink的ros模組對接，將控制資料傳給prescan或者carsim模型，這些模型再將感測器資料以及車身姿態資料回傳ros，實現window跑**和matlab，linux跑演算法控制，親測可行，參考的是
使用了一段時間，發覺prescan對使用者比較友好，模組拖拽安裝比較方便，且引數修改方便，對於邏輯開發比較友好。而且匯入simulink中，介面清晰，感測器輸出的資訊也足夠，方便simulink中的控制開發。
軟體**：
prescan：
matlab：
vs2013：
carsim：
cuda 版本和cudnn版本的版本號很重要！！！
cuda 版本和cudnn版本的版本號很重要！！！
cuda 版本和cudnn版本的版本號很重要！！！
還是那句老話：工欲善其事必先利其器。
開始幹活之前，先把必要的軟體環境搞起來，每個軟體弄完都跑幾個demo，確認是否把環境搭建好，編譯環境，標頭檔案路徑，依賴庫路徑等等設定。
這些工作做完，那麼開始下一步學習。
環境搭建 win10搭建vulkan
1，準備 glfw，vulkan，執行vulkan，安裝sdk glm和glfw解壓 vulkan目錄的third party。2，vs2015建立專案 檔案 新建 控制台應用程式。選擇，release x64 2.1 vc 目錄 包含目錄 c vulkansdk 1.1.106.0 include...
Vue 環境搭建（win10）
node官網安裝位址 推薦安裝穩定版本 lts 以及安裝路徑為系統盤 c 注釋 以下命令使用 命令提示符 管理員 許可權,win10 對user許可權的限制了訪問許可權。node v檢視node版本 npm v檢視npm版本 where node檢視node安裝位置 注意 node 版本號大於npm...
win10系統下caffe環境的搭建
caffe是深度學習的框架之一，深度學習的框架有很多比較流行的有tensorflow keras和本文將要提到的caffe等等。caffe可能不是最好的深度學習架構，但是在某些領域它卻表現的很好。下面是幾篇關於深度學習架構比較的部落格 caffe在win下環境的搭建是比較棘手的乙個問題，下面介紹下如...