自动驾驶

生成论实验室

算力时代结束，判断力时代开始当前AI有一个默认的信仰：算力决定一切。参数越大越好，数据越多越好，GPU越多越好。这个信仰正在逼近它的边界。训练一个前沿大模型的成本已达数亿甚至数十亿美元，而能力提升的边际效应越来越小。更大的模型没有解决幻觉问题。更大的模型没有解决安全脆弱性问题。更大的模型没有让AI变得更可靠。

比亚迪发布中国首款4nm制程智驾芯片，布局高等级自动驾驶5月28日，比亚迪召开“敢为”智能化战略发布会，董事长王传福表示：“电动化上半场看电池，智能化下半场看芯片。”由此，比亚迪重磅发布中国首款4nm制程智驾芯片——璇玑A3，加速推进智能化下半场进程，引领全球汽车行业智能化变革。

生成论实验室

降U定律：宇宙认知动力学第一定律在前面的系列文章中，我反复提到一个概念——降U。有读者问我：降U到底是一个技术方案，还是一个自然规律？如果是技术方案，那它只是一种选择，别人可以不用。如果是自然规律，那它就是一个必须遵循的法则，谁也绕不开。

生成论实验室

我们给AI装上了判断力AI能写诗、能编程、能聊天。但它有一个致命缺陷——它不知道自己不知道。你看，大模型从接收输入到生成输出，中间没有一个环节在判断“现在是什么情况”。它只是在统计概率的驱动下，沿着最可能的路径滑行。所以它会用最自信的语气编造一个完全错误的答案——不是它在撒谎，而是它根本没有“真假”的概念。

Latent-WAM 核心技术深度解析：从设计哲学到实现细节本文基于对论文《Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving》的深入研读和讨论，系统性地梳理该框架的核心技术要点。文章按照从宏观到微观、从训练到推理的逻辑顺序组织，结合伪代码示例，力求呈现一个完整、清晰的技术全景。

EM-Core自动驾驶类脑世界模型——全域客观认知底座（V1.0 正式版）文档归属：EM-Core 通用智能系统适用场景：EM-Core AD 自动驾驶认知系统文档版本：V1.0 原创提出者：文波福开源协议：CC BY 4.0

生成论实验室

给机器人和自动驾驶装上判断力，会怎样？我们之前聊了一件事：给AI装上判断力。文章发出去后，有人问我：你说的判断力，用在聊天机器人身上我懂了——不该说的不说，不确定的不乱编。但要是用在机器人和自动驾驶身上呢？

爱娶媳妇的苗同学

MV2DFusion 3D-BEV检测学习教程核心思想：3D Detection = 图像分支 ⊕ 点云分支 ⊕ Fusion Transformer

先把态度摆正

NAVSIM数据驱动仿真平台NAVSIM（全称 Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking）是一个专为端到端自动驾驶算法设计的、数据驱动的非反应式自动驾驶车辆仿真与基准测试。

汉语相对英语的核心对比优势分析汉语相对英语的核心对比优势分析汉语（表意文字）与英语（表音文字）属于两套完全不同的底层语言体系。相较于英语依赖语音记录、词汇孤立迭代的特性，汉语凭借音形义统一的底层架构，在构词逻辑、学习效率、表达精度、文明传承与数字时代适配性上具备结构性、系统性优势，是一套高度自洽、可推演、可无限拓展的优质语言系统。

小白要努力sgy

实时通信框架CyberRT除了乘用车，ROS肯定是这块的王者，生态丰富，工具完善，上手很快，缺点就是缺少工程考虑，做产品需要自己定制。

ROS2进阶—ROS2生命周期节点ROS 2 生命周期节点（Lifecycle Node）通过显式状态机管理节点的启停过程，确保资源按正确顺序初始化/释放，避免"半启动"导致系统异常。

ROS Noetic搭建PX4仿真环境参考链接： https://blog.csdn.net/HuangChen666/article/details/128754106 https://www.yuque.com/xtdrone/manual_cn/basic_config_13

生成论实验室

用事件关系网络重新理解AI：自注意力机制、词向量、CNN、GAN、强化学习、Dropout、知识蒸馏在前几篇文章中，我提出了一个核心命题：智能的本质不是“知道什么”，而是“知道在发生什么”。要实现这种智能，我们的AI系统必须从处理“实体”转向处理“事件”。事件不是孤立的存在者，而是在关系网络中确定自身意义的发生。事件之间的关系——因果的、依赖的、冲突的、共振的——构成了认知的基本语法。

生成论实验室

通用人工智能完整技术方案：一个基于字序生命模型（WOLM）认知决策层实时、安全、可交互的数字生命体当前的大语言模型（LLM）在感知、表达和知识存储方面取得了惊人的成就，但它们缺乏确定性推理能力、内生安全机制以及对自身不确定性的觉知——这使得它们无法成为可被绝对信赖的通用人工智能（AGI）核心。本文提出一个完整的AGI技术方案，将现有的成熟技术（大模型、检索增强生成、参数高效微调、长上下文窗口、传感器等）与一个全新的确定性、低功耗、实时认知决策层——字序生命认知引擎（WOLM）相结合，构建一个可以持续交互、拥有长期记忆和个性化、且在任何情况下都保持内生安全的“数字生命体”。

小康小小涵

基于ROS-Noetic的Gmapping等四种SLAM建图方法与Dijkstra等两种导航算法的实验与分析1、大部分的功能包是可以通过apt安装的，局部的采用源码克隆2、这里ros-noetic-cartographer-ros是安装不成功的，ros-noetic-cartographer-ros没有官方的deb功能包，Google 停止维护后，Cartographer 没有被编译进 Noetic 的官方仓库。你搜 apt-cache search cartographer 为空也证实了这一点。

AI迈向“自动驾驶”，零售回归“人间清醒”：2026商业底层逻辑正在重组导读：2026年的初夏，商业世界正处在一个奇妙的交汇点。一边是AI编程正式宣告进入“无人驾驶”时代，生产力工具迎来质变；另一边，零售巨头们在狂热中开始自省，重新审视效率与人性的边界。从阿里、腾讯的智能体博弈，到于东来的清醒发言，这场变革正深入每个细微的商业颗粒。

搬砖的小码农_Sky

特斯拉FSD Supervised（监督版）的技术原理特斯拉 FSD Supervised（监督版）之所以能够实现从城市街道到高速路口的全场景辅助驾驶，核心在于其彻底颠覆了传统自动驾驶的开发思路。它主要依托于以下四大核心技术支柱：

数据与后端架构提升之路

论云原生层次架构在自动驾驶云控平台中的应用2024年3月，我作为核心系统架构师，主导了某新能源车企“新一代自动驾驶云控与数据平台”的重构与研发工作。该平台主要负责接入现役50万辆在线车辆，处理海量的多模态工况数据，并支撑大规模自动驾驶算法的并行仿真与实时监控。原有的传统IT架构在面临海量数据并发写入与异构算力调度时，暴露出资源利用率低下、服务治理混乱等严重问题。为此，我全面引入了云原生层次架构对平台进行重构。本文结合该项目，深入论述了云原生层次架构的设计与实践：在基础设施层，用 Kubernetes 结合 Ray 分布式框架，解决仿真训练算力分配

生成论实验室

WOLM在自动驾驶和机器人中究竟扮演什么角色？自从字序生命模型（WOLM）认知引擎对外公开以来，有一个问题被反复问到：在自动驾驶和机器人的架构中，WOLM到底是一个“增强模块”，还是可以直接替代现有的“决策层”？