自动驾驶

田里的水稻

FA_规划和控制(PC)-规律路图法(PRM)FA：formulas and algorithm，PC：planning and control，PRM：Probabilistic Roadmap Method

车道线检测：传统计算机视觉在自动驾驶中的应用车道线检测是自动驾驶和辅助驾驶系统的核心技术之一。通过检测车道线，系统可以：传统的车道线检测主要依赖深度学习模型，但传统计算机视觉方法在某些场景下仍然有效，且具有计算资源需求低、可解释性强等优势。本项目使用OpenCV和传统图像处理技术，展示了如何在不使用深度学习的情况下实现车道线检测。

田里的水稻

FA_规划和控制(PC)-动态窗口(DWA)FA：formulas and algorithm，PC：planning and control，DWA：Dynamic Window Approach

智能交通技术

iTSTech：从AGI到AMI——自动驾驶的新方向 2026这份文档以 2026 年达沃斯论坛图灵奖得主杨立昆的观点为核心，指出自动驾驶领域正迎来从AGI（通用人工智能）向AMI（高阶机器智能）+ 物理 AI的范式转变，剖析了当前自动驾驶的技术瓶颈，阐述了 AMI + 物理 AI 的技术优势、面临的挑战，并构建了其驱动自动驾驶发展的生态体系，同时规划了 2026-2040 年的发展路线，揭示了该技术对出行生态乃至社会的深远影响。核心内容总结如下。

给我一瓶哇哈哈呀

[ROS2] CMU团队的Autonomous Exploration算法+MID-360部署到实车记录Autonomous Exploration框架如图所示：其中State estimation和Motion control部分是需要我们去实现的，而在本次部署到实车过程中采用FAST_LIO算法实现了MID-360到导航算法之间的桥接，大致流程框图如下所示：

田里的水稻

FA_规划和控制(PC)-A*(规划01)FA：formulas and algorithm，PC：planning and controlA * 是一种启发式搜索算法，结合了 Dijkstra 算法（保证最优）和贪心算法（搜索高效）的优点，核心思想是：

田里的水稻

FA_规划和控制(PC)-D*规划FA：formulas and algorithm, PC：planning and control D*（D-Star）是一种经典的增量式启发式路径规划算法，专门针对动态环境设计 —— 也就是环境中障碍物可能随时变化的场景，这也是它和 A最核心的区别（A更适合静态环境）。下面我会从基础概念到代码实现，一步步帮你彻底理解 D*。

田里的水稻

FA_融合和滤波(FF)-联邦滤波(FKF)FA：formulas and algorithm, FF：fusion and fitting, FKF：Federated Kalman Filter‌

对抗性攻击：一张贴纸如何让自动驾驶视觉系统失效？你好！我是陈涉川，欢迎你来到我得专栏。这是模块四“内生安全”的开篇重头戏，我们将深入探讨 AI 模型最诡异、最迷人也最致命的弱点——对抗性攻击。本篇我们将聚焦于对抗性攻击的底层原理、数学本质、经典算法演进以及从数字世界到物理世界的惊险跨越。

【BEV】“Simple-BEV: What Really Matters for Multi-Sensor BEV Perception?“ -- 文章解读近几年，BEV感知发展迅速，发展趋势非常明显：lifting方法越来越复杂。同时：backbone/分辨率/batch size/训练策略都在变化。所以到底是lifting方法变强了还是训练方案变强了？这就是本文所要讨论的。

自动驾驶技术架构发展历程简介自动驾驶技术架构的核心，是模拟人类驾驶思维，解决“机器感知、决策、控制”的完整逻辑（感知=看清路况，决策=判断怎么开，控制=执行驾驶动作）。从2015年雏形出现至今，架构围绕“高效、泛化、安全、贴近人类驾驶”迭代，核心现状明确：95%量产车停留在第3代（BEV+局部端到端），纯端到端（第4代）处于试验阶段，世界模型（第5代）仍在研发，未实现量产。本文逐代拆解核心架构，对齐头部玩家方案，清晰呈现技术迭代与行业定位，其中Transformer自第2代引入后，始终是核心算法之一，贯穿后续各代架构并持续优化。

越野环境自动驾驶状态机：基于TinyFSM的工程实践与结构化道路不同，越野环境没有清晰的车道线、没有固定交通规则、路况瞬息万变。沙地、泥泞、陡坡、涉水、岩石攀爬——这些场景对决策系统的鲁棒性提出了极高要求。

如何查看我一共commit了多少个，是哪几个，如何回退到某一个版本在你的 Git Graph 界面中，把鼠标移到 “v1.0, 能运行，有逻辑错误” 这一行上（就是图中我标红框的位置）。

commit与fetchgit commit (本地存档)：只是保存在你自己的电脑上！git push (上传)：这才是把你的 Commit 推送到远端仓库。

深度学习目标关联：常见深度学习匹配方法全面详解深度学习目标关联：常见深度学习匹配方法全面详解在基于检测的追踪（TBD）框架中，目标关联是决定追踪精度、ID 切换率、抗遮挡能力的最关键环节。传统关联方式（质心法、IOU、卡尔曼滤波）仅依赖几何与运动信息，在目标密集、遮挡、形变、视角变化时极易失效。而深度学习匹配通过学习目标的表观特征、时序特征、交互特征，实现了从“看位置”到“认目标”的升级，是现代多目标追踪（MOT）的核心技术。

智能汽车人

自动驾驶---无地图导航目前市面上的辅助驾驶功能，应用场景主要包括城区，高速以及地下停车场等场景，跑好村路的都不多，更别说山路，野路了。本篇博客主要介绍一种新的无地图（不包括SD图）导航算法。

智能驾驶的“数字引擎“：解密某汽车集团“十五五“车路云一体化数据空间与自动驾驶训练平台（WORD）摘要：随着国家"十五五"规划的推进，自动驾驶技术已从"单车智能"向"车路云一体化"协同智能演进。本文深度解析某汽车集团正在构建的"车路云一体化数据空间与自动驾驶训练平台"，该平台融合边缘计算与可信数据空间技术，旨在打通从数据采集、自动化标注、模型训练到量产部署的全链路闭环，解决行业痛点，抢占智能网联汽车技术高地。文章从建设背景、核心架构、关键技术、数据治理、安全体系到实施规划，全方位揭示这一数字底座如何重塑自动驾驶研发范式，具有极强的行业参考价值。文末附带实战经验与趋势洞察，助你把握智能驾驶技术发展脉搏

目标追踪概述、分类目标追踪(Object Tracking)是获取图像序列（一般为视频）中感兴趣的区域，并在接下来的视频帧中对其进行跟踪。

王锋(oxwangfeng)

基于多模型融合的交通灯状态感知系统红绿灯检测是自动驾驶感知系统的核心模块之一，负责实时识别交通信号灯的状态（红、黄、绿、黑、未知）及倒计时信息，为决策规划提供关键输入。本系统采用 “检测 + 分类”两阶段架构，结合多模型推理、高精地图融合、时序滤波等策略，在复杂光照（白天/黑夜）、多城市场景下实现高精度、高鲁棒性的感知能力。

局部规划中的TEB，DWA，EGOplanner等算法在自动驾驶中应用？先给结论： TEB、DWA 属于移动机器人经典局部规划器，在低速园区/清扫/巡检上成熟，但在矿区矿卡、高速自动驾驶中极少直接做主规划；Ego-Planner 是近年优秀的轻量型自主避障规划器，在无人车、机器人均有落地，但矿卡重载场景仍需改造。