自动驾驶

地平线开发者

征程6｜YOLOv5x 在 Horizon 征程6 上的端到端部署实践（下）上篇完成了模型从 PyTorch 到 HBM 的转换。本篇继续介绍板端 C++ 推理部署，包括 NV12 输入构造、UCP/DNN API 调用、YOLOv5 输出解析、交叉编译、板端运行以及 mAP 精度评估。

亚远景aspice

亚远景-GB44721‑2026 自动驾驶安全文档体系：依托ASPICE构建合规交付包随着 GB 44721‑2026 智能网联汽车自动驾驶系统安全要求将于 2027‑07‑01 正式实施，安全文档交付包成为车企与零部件供应商准入的必备材料。不少企业面临双重文档负担：既要满足 ASPICE 过程评估产出，又要补齐国标规定的安全文档，两套体系独立编写极易出现信息不一致、工作量倍增的问题。

爱分享的康康

解锁路测数据价值｜康谋自动驾驶采集‑分析全链路方案解读高阶 ADAS 与自动驾驶研发中，大量实车路测产生多传感器原始数据，如何完成高效采集、可靠存储、时序校准、离线复盘，再把真实路测数据用于 HiL 仿真回放与感知算法验证，是行业落地的关键闭环。康谋自动驾驶采集‑分析全链路方案，以 BRICK2、BRICK2 X11、DATALynx ATX4 为主机硬件，搭配 MDILink、NETLion 信号转换单元、BRICK 系列热插拔存储、XTSS 全域时间同步服务、ADTF 数据分析软件，覆盖采集‑存储‑时序校准‑离线分析‑仿真回放完整工作流，适配初创车企、

案例分享｜ Latitude AI × Parasoft：搭建 L2-L3 自动驾驶量产验证与功能安全完整链路伴随 L2 至 L3 级 ADAS 大规模量产落地，自动驾驶软件多层架构协同迭代、多车型跨平台复用、ISO 26262 功能安全审计等多重压力叠加，大量车企面临测试资产迁移成本高、覆盖率口径不统一、合规证据事后整理难度大等行业共性痛点。

地平线开发者

BEVdet模型解析Image-view Encoder：对环视相机图像进行特征提取 View Transformer：将图像视角特征转换为鸟瞰图(BEV)特征 BEV Encoder：对BEV特征进行编码增强 Head：完成最终的目标检测

中间件—zenoh零基础入门zenoh是一个开放的协议，与传统协议仅能覆盖单一协议栈层级不同，Zenoh 的设计从微控制器端无缝跨越至多数据中心云部署——全程仅需一套统一的 API，且线路开销仅为 5 字节，其具有以下特点：

康谋自动驾驶

高保真+强可控：自动驾驶仿真的混合渲染方案自动驾驶的研发高度依赖数据，但行业仿真测试主流路线各有短板：传统仿真器（如CARLA）基于游戏引擎思路，场景可控、物体可任意摆放，但画质不够真实，仿真数据与真实世界之间存在明显的“域偏移”——仿真环境里训练良好的算法，部署到实车上表现常打折扣。同时，构建高精度三维环境也需要大量人工。

康谋自动驾驶

GMSL2相机ROS2采集链路：多相机时序偏差降低方案在自动驾驶感知算法的实车路测与闭环验证中，GMSL2车载相机已是前装主流视觉传感器。然而，GMSL2采集过程中工程师也常面临一些棘手问题：

基于Diffusion的轨迹优化：扩散模型在自动驾驶中的原理、架构与落地挑战自动驾驶的核心难点从来不是"感知精度"，而是多模态未来、不确定性、长尾场景。用一句话概括：未来不是一个点，而是一个分布。

AI数据标注猿

自动驾驶数据标注：从劳动力套利到系统能力竞争自动驾驶标注公司请注意：靠堆人赚钱的时代结束了。自动驾驶行业，正在发生一个明显变化。过去，数据标注公司拼的是，谁能招到更多人、组建更大团队、在更短时间内完成更多数据。

计算机魔术师

工信部发布首部L3/L4自动驾驶系统安全要求强制性国标，2027年7月实施从推荐到强制，一字之差，是自动驾驶从「可以试试」到「必须达标」的质变。安全不是自动驾驶的附加题，而是入场券。

小玮看世界

[Python]自动驾驶感知与决策练习题 (1-10)本系列包含 10 道 Python 编程练习题，围绕自动驾驶系统的感知与决策这一真实工程场景展开。题目由浅入深，涵盖基础仿真、数据校验、多传感器融合、多帧跟踪、车道级统计等核心模块。旨在帮助学习者：

上交严骏驰团队开源生成式仿真Point as Skeleton：闭环自动驾驶全新渲染方案「点云做“骨架”，扩散做“血肉”」目录01 三大核心配套模块1.1 Reset-and-Roll：适配仿真交互的改良滚动扩散

Mobileye 3.0：自动驾驶科技问题基本解决，Shashua押注物理AI作者 |德新编辑 |王博创业27年后，Mobileye的创始人Amnon Shashua教授决定卸任CEO。这不是一次普通的管理层更替，而是这位自动驾驶领域最重要的科学家之一，认为我们正在步入自动驾驶后一个全新的时代。

总线通信小百科

汽车零部件LIN总线测试三大痛点LIN总线广泛用于车窗、雨刮、天窗、座椅、方向盘开关、格栅、电机和氛围灯等汽车零部件。此类部件的测试往往不止验证一次通信是否成功，还要覆盖主从节点仿真、功能测试、诊断、耐久测试、故障判断和EOL下线测试。随着车型与部件版本增加，传统的分散式工具链很容易在效率、兼容性和数据管理三个方面形成瓶颈。

具身智能：AI 长出“手脚”，进入物理世界——大模型驱动机器人、自动驾驶与产业落地调研目录一、从“会说话的 AI”到“会行动的 AI”二、技术底座：具身智能为什么在此刻爆发（一）多模态大模型：从语言理解到任务理解

才鲸嵌入式

JEPA具身智能或自动驾驶路线的公司2026年7月ICML大会上，冯雁作为首个特邀演讲者，系统阐述了"JEPA路线相较生成式路线的结构性优势"。

爱分享的康康

aiSim6自动驾驶仿真平台：功能、技术与工程落地完整解析aiSim6 是面向 ADAS 与高阶自动驾驶系统验证的高保真虚拟测试平台，核心定位为兼顾确定性仿真、物理级传感器模拟、SiL/HiL 全链路闭环的一体化仿真工具，主要服务车企、Tier1、高校科研机构完成感知算法验证、域控测试、法规合规验证等工作，可降低实车测试依赖，提升场景覆盖完整度。本文围绕行业高频咨询问题，基于平台原生功能做客观拆解，方便选型、技术调研类用户快速获取对应信息。

世界模型与闭环仿真_介绍与相关关系这两个概念在自动驾驶、机器人等领域经常一起出现，但含义不同且有紧密关联。世界模型是指智能体内部构建的一个对真实世界的模拟器，它能够根据当前状态和智能体的动作，预测未来世界会变成什么样。

从数字智能到物理智能体：深度解构具身智能时代的边缘计算、嵌入式实时系统与多形态智能体2026年的AI产业正在经历一场静默的范式转移。当大语言模型已经"吃饱"了互联网上的文本、图像与代码，当软件智能体在云端能够自主调用API、编写程序、生成报告，数字世界的智能边际收益正在递减。物理世界——那个充满摩擦、噪声、延迟与不可逆后果的真实世界——成为唯一尚未被大规模开垦的数据边疆。