自动驾驶

云存储小天使

提效 77%：GooseFS 写缓存及其在自动驾驶数据处理中的应用在自动驾驶等 AI 场景中，对象存储的性能瓶颈导致严重的 “I/O Tax”，造成昂贵的 GPU 算力闲置。通过引入 GooseFS 写缓存能力替换直写对象存储链路，利用高性能缓存层加速数据处理环节，能够显著提升持久化效率。某自动驾驶客户通过引入 GooseFS 写缓存方案，将数据处理任务提效 77%，大幅降低了 GPU 闲置成本。本文将从瓶颈分析、架构解析、最佳实践及模式泛化四个维度深度解析该方案。

在汽车领域，“辅助驾驶”与“自动驾驶”的区分及标准的讲解及介绍在汽车领域，“辅助驾驶”与“自动驾驶”的区分及标准的讲解及介绍全面系统地理解“辅助驾驶”与“自动驾驶”，我们需要回到最基础的定义，看看官方标准是如何一刀切下这条关键界线的。这条线，不仅是技术等级的分割，更是人类驾驶员与车辆系统之间责任转移的里程碑。汽车工程师学会（SAE）制定的 J3016 标准《标准道路机动车驾驶自动化系统分类与定义》是全球范围内最通用、最权威的区分标准。中国也参考该标准，制定了国标 GB/T 40429-2021《汽车驾驶自动化分级》。从L0到L5，自动驾驶的等级可以理解为从“人

Coovally AI模型快速验证

仅凭单目相机实现3D锥桶定位？UNet-RKNet破解自动驾驶锥桶检测难题在自动驾驶赛道场景中，锥桶定位是车辆路径规划的基础任务。然而，传统方案面临着成本高昂、Z轴误差大、计算复杂三大痛点。最新提出的UNet-RKNet架构首次将UNet应用于3D锥桶关键点回归任务，仅需单目摄像头即可输出锥桶底部中心点的3D坐标，在标准测试集上达到横向误差<5cm、纵向误差<8cm的精度，推理速度达45FPS（NVIDIA Jetson Xavier）。

运维帮手大橙子

对自动驾驶实习后的了解目录一、自动驾驶系统的基本组成1 感知（Perception）二、定位（Localization）三、规划（Planning）

地平线开发者

SparseDrive 模型导出与性能优化实战当前端到端智能驾驶技术发展迅速，SparseDrive 作为代表性模型受行业关注。工程化落地时，其模型导出与性能评测环节存在普遍技术挑战，涉及架构与环境兼容性、算子适配等多维度。为推动端到端智驾技术社区化发展，本文梳理 SparseDrive 从 ONNX 导出到硬件部署的技术链路，剖析算子替换、编译报错修复、量化策略优化等案例，构建含环境配置、数据集处理、权重管理、配置工程化的全流程技术指南，为社区提供可复用的端到端模型工程化方案，加速智驾模型从研究到车规级部署转化。

地平线开发者

地平线 VP 接口工程实践（一）：hbVPRoiResize 接口功能、使用约束与典型问题总结在 BPU 推理链路中，VP（Vision Pipeline）承担了大量图像前处理工作，例如裁剪、缩放、颜色格式转换等。相比普通的软件图像处理接口，VP 接口直接面向硬件，性能优势明显，但也引入了严格且隐含的使用约束。

汽车智能座舱中LVDS、CAN、以太网、RTP的区别LVDS、CAN、以太网，都是汽车里的通信 / 总线技术，但层级、用途、速度、位置完全不一样。它们不是替代关系，是互补关系。

地平线开发者

【地平线征程 6 工具链进阶教程】算子优化方案集锦在将算法模型部署至征程 6 芯片平台的实际应用中，由于算法设计与硬件架构特性存在差异，可能会出现部分算子适配度有待提升、运行效率有待优化以及量化精度可进一步优化等情况。解决好这些问题有助于模型更快更好的运行，充分发挥硬件性能。

某港口集团“十五五”智慧港口数字孪生与自动驾驶集卡多车编队系统建设方案深度解析（WORD）导读：在“十五五”规划即将全面铺开的宏大背景下，传统港口正站在数字化转型的十字路口。面对人力成本高企、安全风险难除、通信调度瓶颈等内生性矛盾，某港口集团率先破局，提出了一套基于 5G专网、全要素数字孪生与L4级自动驾驶集卡多车编队的系统性解决方案。本文将以CSDN爆文风格，深度拆解该建设方案的核心架构、技术路径、实施策略及预期效益，为行业同仁提供一份极具参考价值的“智慧港口进化论”。

田里的水稻

OE_ubuntu24.04安装ros2OE：Operations Engineer，ROS2：robot operations system version2

【强化学习】第十章：随机高斯策略高斯策略属于强化学习的基于策略优化的分支，用于解决连续动作空间中的任务，本来是打算写入第八章的，但是在Actor-Critic框架中，使用高斯策略能实现更稳定、更高效的策略优化，彼时AC又没讲，所以思来想去，这部分就只能单独开一个篇章讲解了。

田里的水稻

FA_建图和定位(ML)-超宽带(UWB)定位FA：formulas and algorithm，ML：mapping and localization，UWB：Ultra-Wideband

田里的水稻

EP_基于UWB和单线激光雷达的托盘转送EP：engineer and Program叉车行进至目标托盘附近，插取动作非常关键。一般都要先识别一下托盘的摆放位置，再做插取动作。具体的识别方法有很多种，主要有基于相机、基于多线激光雷达和基于RFID等方法。此处尝试了一种，依靠叉臂头部的接近开关完成识别的方法。具体操作流程如下图1所示：具体来说，叉车叉臂尾部会有接近开关（用于感知叉车插取对象时是否有障碍物），接近开关的识别障碍物的感知距离和灵敏度可调。

车载摄像头核心知识点结构化总结车载摄像头是自动驾驶最核心、不可替代的感知传感器，当前所有主流自动驾驶方案均无去摄像头的设计，仅存在去激光雷达/毫米波雷达的方案。

田里的水稻

LPC_激光点云定位(LSLAM)-正态分布变换(NDT)**FA：**formulas and algorithm，LSLAM：lidar simultaneous localization and mapping，**NDT：**normal distributions transform

基于Comsol的双目标函数流热拓扑优化液冷板结构设计基于comsol的双目标函数流热拓扑优化液冷板结构设计，双目标函数为最小平均温度和最小流体功率耗散最小的无量纲化，附赠案例参考文献哈

CCC：CarCrazeCurator

ADCU （ADAS域控制器）技术解析与应用展望在智能汽车与自动驾驶技术快速迭代的背景下，ADCU（ADAS域控制器）已成为行业关注的核心技术术语。当前，L2级辅助驾驶已逐步成为家用乘用车的标配配置，L3、L4级自动驾驶技术也进入规模化试点与落地阶段，ADCU作为各类智能驾驶功能的核心支撑部件，其技术特性与应用效能直接决定了自动驾驶系统的性能表现。然而，目前行业内对ADCU的认知仍存在一定的局限性，多数非专业群体对其核心功能、技术构成及应用场景的理解较为模糊。

田里的水稻

FA_规划和控制(PC)-快速探索随机树(RRT)FA：formulas and algorithm，PC：planning and control，RRT：Rapidly-exploring Random Tree

田里的水稻

LPC_激光点云定位(LSLAM)-(IPC)LPC：localization planning and control，LSLAM：lidar slam，ICP：iterative closest point

无方向盘、无踏板！特斯拉Cybercab下线：自动驾驶的终极形态来了？2026年，特斯拉在得州超级工厂正式下线的Cybercab，用最直观的设计颠覆了人们对汽车的认知——彻底取消方向盘、脚踏板，车内仅保留两座布局+超大后备箱，金色无喷涂车身搭配流线型造型，风阻系数低至0.19（比Model 3低30%）。这款专为Robotaxi场景打造的车型，不仅是特斯拉《秘密宏图》第四篇章的核心落地产品，更标志着自动驾驶从“辅助人类”迈入“完全替代人类”的新时代。