自动驾驶

Bevfomer论文笔记https://github.com/zhiqi-li/BEVFormer地图分割是在鸟瞰 BEV 俯视平面上，对车辆周边每一块地面网格做语义分类，每一个 BEV 网格单元会被打上道路、车道线、人行道、绿化带、隔离带、路口、停止线等道路静态元素类别标签。

weixin_40000560

Vision-Language-Action：LMDrive双损失函数训练模块与 LangAuto 基准评测框架核心思想：同时优化轨迹点回归和终点分类两个任务，通过加权联合损失实现多任务学习。损失函数定义（drive.py:166-167, 506-514）：

强化学习的数学原理学习笔记视频资源https://www.bilibili.com/video/BV1sd4y167NS/?spm_id_from=333.337.search-card.all.click&vd_source=ec24b6849ccef697ae8281501f02da61

weixin_40000560

RL-frenet-trajectory-planning-in-CARLA本项目是一个基于 CARLA 自动驾驶模拟器的端到端深度强化学习框架，结合了 Frenet 坐标系轨迹规划和深度强化学习算法，实现了自动驾驶车辆的长期和短期规划。

调查研究-216 Tesla Robotaxi 进了 Miami，但真正的考题才刚开始读 Reuters 2026/7/3 Tesla Robotaxi Miami 上线、Tesla Q1 2026 更新、Reuters 5 月 Texas 三城实测、Cybercab 量产进展，以及 Waymo 同期 fully autonomous 扩张节奏

weixin_40000560

Vision-Language-Action：LMDrive项目架构与核心算法组件LMDrive 是一个基于大型语言模型（LLM）和多模态视觉编码器的端到端自动驾驶系统。它能够理解自然语言指令，并从多视角摄像头和 LiDAR 传感器输入中生成驾驶控制信号。

地平线开发者

征程 6E/M Matrix 开发评板使用系列（一）：开箱与点亮征程 6E/M Matrix 板卡是面向征程 6 系列芯片开发、调试和部署验证的开发平台。对于第一次接触 Matrix 板卡的同学来说，最关键的不是马上跑模型，而是先把板卡的供电、散热、网络、串口调试链路正确连接起来，保证板卡可以稳定上电、正常启动，并能通过网络或串口进入系统。

AI：AI 开车撞了人，谁赔钱？——自动驾驶的法律黑洞你坐在一辆没有方向盘的汽车里，刷着手机，听着音乐。车辆在城市的街道上自主穿行，平稳而流畅。突然，一个行人闯出马路。车子来不及刹车，撞了上去。

每日一个开源项目（第146篇）：openpilot - 开源自动驾驶辅助系统，曾在 Consumer Reports 评测中超过特斯拉 Autopilot"openpilot 是一个机器人操作系统。目前，它为 325+ 款汽车升级了驾驶辅助系统。"这是"每日一个开源项目"系列的第146篇文章。今天的主角是 openpilot——comma.ai 开源的半自动驾驶软件，GitHub 上最受关注的自动驾驶开源项目之一。

地平线开发者

人在途中：从“编译失败”到“模型可落地”——CUDA 自定义算子在项目支持过程中，一个非常典型但高频的问题是：模型在 PC 侧验证一切正常，但在地平线工具链编译阶段直接失败。

端到端自动驾驶 BEV stack本质上已经不是传统意义的 perception → planning pipeline，而是把整个驾驶问题统一成：

自动驾驶调研-Day2自车状态一般由传感器（如 IMU、GPS/GNSS、底盘传感器等）提供，主要包含以下几个维度的信息：首先形式化评测样本。对第 $i$ 个样本，记：

Level 4自动驾驶系统设计3——功能与场景3针对地下停车场高密度桩标、光线突变与低矮障碍物等复杂场景，研究提出多模态感知融合与安全冗余策略。通过4D雷达与视觉体素化校验解决桩标粘连问题；光流-IMU时空补偿应对光照跳变；占用网格动态掩码检测低矮障碍物，并触发权重降级与VMC层越权制动。系统集成置信度过滤、物理对账和硬件熔断机制，确保在传感器失效或模型误判时仍能实现安全闭环控制，显著提升自动驾驶在非结构化地库环境中的鲁棒性。

生成论实验室

机器人：一个自主运动的系统我们先不谈AI，不谈传感器，不谈运动控制算法。先谈一个更根本的问题：机器人是什么？传统定义告诉我们：机器人是一种能够自动执行任务的机器装置。它由传感器、控制器和执行器组成，按照预设程序或AI指令运行。

现代智能汽车系统——智驾SoC之框架版图高阶智驾SoC晶圆设计采用八大核心功能分区架构：NPU算力核心区（35%-45%）专注矩阵运算与DSA加速；NoC与片内缓存区（20%-25%）实现TB/s级数据调度；CPU集群（15%-20%）处理OS与规控逻辑；硬件安全岛（5%-8%）确保ASILD级功能安全；ISP阵列（5%-10%）优化图像信号处理；I/O控制区（5%）集成硬件DMA；显存接口（5%-8%）保障高带宽访存；片间级联区（3%-5%）支持多芯片协同。该架构通过硬件级优化实现算法加速、数据零拷贝和安全隔离，满足智能驾驶对大算力与高可靠性

Level 4自动驾驶系统设计4——功能与场景4摘要：L4级商用车主挂一体化系统面临多自由度运动学退化、非线性动力学特性及大范围参数漂移等挑战，导致大模型控制在动态场景中鲁棒性下降。针对偏航、蛇形摆动和折头三大高危场景，系统通过物理熔断机制实时监控铰接角状态，并在风险触发时移交控制权至VMC层，采用差动制动、ABS干预等策略进行分布式安全控制，确保车辆稳定性。其中，高速蛇形摆动通过挂车后轴非对称制动收敛能量，折头风险则通过牵引车制动力释放与挂车全量制动组合干预，防止动力学失稳。

Cartographer详细讲解Cartographer 是 Google 开源的实时 SLAM 系统，支持 2D 和 3D，同一套系统可以适配不同传感器配置，例如 2D 激光、3D 点云、IMU、轮速里程计等。它的核心思想是：前端构建局部一致的子地图，后端通过位姿图优化把这些子地图和轨迹节点约束到全局一致的位置上。官方文档也把 Cartographer 抽象成两个相关子系统：Local SLAM 负责生成一系列局部一致的 submap，Global SLAM 在后台寻找约束和回环，并把这些 submap 更一致地连接起来。

【3D·感知】从PointNet到PointPillars：如何让自动驾驶汽车“实时“看见3D世界？作者：小探首发：探物 AI 序列：3D感知网络的第2篇文章转载请注明出处上一篇我们学习了PointNet，理解了如何用深度学习直接处理无序点云。但PointNet主要用于分类和分割，离"实时检测周围的车辆"还有距离。这一篇我们来看PointPillars——一个能让自动驾驶汽车以62 FPS实时检测3D目标的网络，真正能让工业使用的网络。

自动驾驶调研-Day1在当前的技术格局中，存在着两种主导范式。一方面是基于鸟瞰图（BEV）表征的专用模型。鸟瞰图（Bird’s-Eye-View, 简称 BEV）表征，简单来说就是“上帝视角”或“网格俯视图”。在自动驾驶中，车载摄像头、激光雷达（LiDAR）等传感器是从车辆四周的“透视视角”（Perspective View）来捕捉世界的（即前视、后视、侧视等，图像中会有近大远小的透视变形）。而BEV 表征，则是通过算法将这些来自不同方向、不同角度的透视图像，转换并融合到一个统一的、从上往下俯视的二维网格空间中。

生成论实验室

自动驾驶：一个自主运动的系统我们先不谈传感器，不谈算法，不谈算力。先谈一个更根本的问题：自动驾驶汽车是什么？传统定义告诉我们：自动驾驶汽车是一种能够感知环境、规划路径并自动控制行驶的智能车辆。它由摄像头、激光雷达、毫米波雷达、高精地图、域控制器和执行器组成，按照预设规则或AI模型运行。