自动驾驶

荣膺ISC.AI 2025创新百强！容智信息HyperAgent超级智能体，引领企业级智能体落地新范式12月17日，以“安全智变AI赋能新力场”为主题的[ISC.AI] 2025第六届创新百强颁奖典礼在北京圆满落幕。作为数字安全与AI领域的年度权威盛会，活动由[ISC.AI]平台、大模型产业联盟主办，联合赛迪顾问、数世咨询等60余家产业、教育、投融资机构及科研院校共同支持，汇聚政企学研多方力量，成为行业创新趋势的核心风向标。容智信息凭借在企业级智能体领域的深度布局与硬核技术实力，成功斩获企业智能体应用创新百强奖，生态合作部总监师杰梅代表公司登台领奖，这一荣誉是行业对容智信息技术创新与场景落地能力的双重权威

基于 BEVFormer 的 3D 目标检测 + OCC 占据预测BEV多任务模型设计与训练（Apollo-Vision-Net 实战）本文基于 ApolloAuto 的 Apollo-Vision-Net 工程，整理一个“BEVFormer 做 3D 目标检测 + OCC 占据栅格预测”的多任务模型实现与训练配置。重点不是复述论文，而是把工程里真正跑起来的配置 → Head → 前向 → 多任务损失串起来，并把关键实现“钉”在源码行号上，方便你二次改造。

自动驾驶中的传感器技术80——Sensor Fusion（3）本文总结各传感器的感知算法这是指域控制器（Domain Controller，如 Orin-X, Thor, FSD芯片）接收到传感器传来的数据（图像、点云、目标列表等）后，运行的深度学习（Deep Learning）或几何算法。

自动驾驶中的传感器技术77——Sensor Fusion（0）本文总结各传感器的算法传感器类型功能参数配置参数标定信号处理感知感知融合Camera可调参数设置 https://metaso.cn/search-v2/8669902464711499777

自动驾驶中的传感器技术78——Sensor Fusion（1）自动驾驶传感器的“标定”（Calibration）是保证感知系统准确性的基石。如果配置是“设置功能”，那么标定就是“修正误差”和“统一坐标系”。

AAAI 2026 | 时空数据(Spatial-temporal)论文总结[上]（时空预测，轨迹挖掘，自动驾驶等）AAAI 2026将在2026年1月20日到1月27日于新加坡（Singapore）举行。AAAI 2026会议主会共有23, 680篇论文投稿，其中4, 167 篇被接收，接收率为17.6%。

AAAI 2026 | 时空数据(Spatial-temporal)论文总结[下]（自动驾驶，天气预报，城市科学，POI推荐等）AAAI 2026将在2026年1月20日到1月27日于新加坡（Singapore）举行。AAAI 2026会议主会共有23, 680篇论文投稿，其中4, 167 篇被接收，接收率为17.6%。

Coder个人博客

三大DDS实现对比分析（CycloneDDS/Fast DDS/OpenDDS）团队博客: 汽车电子社区本报告从多个维度深入对比分析三个主流开源DDS实现：CycloneDDS、Fast DDS和OpenDDS，为技术选型提供全面的参考依据。

被遗忘的旋律.

TCP模型复现《Trajectory-guided Control Prediction for End-to-end Autonomous Driving》代码github：https://github.com/OpenDriveLab/TCP叠甲：本人半年前才接触机器学习，而且纯纯混子，本文是在各位ai老师帮助下写出来的，可能存在诸多错误，看看就行

Coder个人博客

Apollo Canbus 底盘通信模块接口调用流程图与源码分析团队博客: 汽车电子社区Canbus模块是Apollo自动驾驶系统的"神经系统"，负责与车辆底盘进行CAN总线通信。该模块实现了控制指令的发送、车辆状态的接收、底盘数据的解析与封装，是自动驾驶系统与物理车辆交互的关键桥梁。Canbus模块通过标准化的接口支持不同车型的底盘适配，确保控制指令能够准确、实时地传达给车辆执行机构。

Coder个人博客

Apollo Prediction 预测模块接口调用流程图与源码分析团队博客: 汽车电子社区Prediction模块是Apollo自动驾驶系统的"预言家"，负责预测其他交通参与者（车辆、行人、自行车等）的未来行为和轨迹。该模块基于感知结果、地图信息、交通规则等多维信息，为Planning模块提供准确的预测轨迹，是安全决策的重要基础。

康谋自动驾驶

aiData全自动化数据处理解决方案！01 引言在汽车 AI 领域，无论是高级驾驶辅助系统（ADAS）还是自动驾驶技术的研发，都需要数据。因此高质量、精准且记录完备的数据，是神经网络训练、验证及仿真测试的核心支撑。

wfeqhfxz2588782

自动驾驶环境中的车辆目标检测-Mask-RCNN模型应用与参数配置CARS数据集是一个专注于自动驾驶车辆目标检测的数据集，包含307张经过预处理的高速公路场景图像。所有图像均已通过EXIF方向自动校正，并统一调整为640x60像素的尺寸，未应用图像增强技术。数据集采用YOLOv8标注格式，仅包含一个目标类别’CARS’，即各类车辆。数据集划分为训练集、验证集和测试集三个部分，为模型训练和评估提供了完整的结构化数据支持。该数据集来源于qunshankj平台，遵循CC BY 4.0许可协议，旨在为自动驾驶系统的车辆感知与识别任务提供高质量的训练资源。从图像内容来看，数据集涵

道法自然0402

[CARLA系列--05]如何在Carla中去调用传感器模型--Radar篇CARLA 是一个开源的自动驾驶仿真平台，支持多种传感器模型，包括雷达（Radar）。雷达在自动驾驶中用于检测周围物体的距离、速度和方位角。CARLA 中的雷达模型基于物理仿真原理，能够生成接近真实雷达传感器的数据。

Coovally AI模型快速验证

无人机低空视觉数据集全景解读：从单机感知到具身智能的跨近年来，随着无人机技术的快速发展和低空经济政策的推进，无人机在智慧城市、交通巡检、应急救援等领域的应用日益广泛。然而，无人机的智能化离不开高质量视觉数据的支持。那么，当前有哪些公开的低空视觉数据集？它们又如何分类、有何特点？未来又将如何发展？

ROS1从入门到精通 12：导航与路径规划（让机器人自主导航）🎯 本文目标：深入学习ROS导航栈（Navigation Stack），掌握move_base框架、全局路径规划、局部路径规划、代价地图、恢复行为等核心概念，能够配置和调试完整的自主导航系统，实现机器人的智能移动。

[自动驾驶] 小鹏 FutureX 要点总结（小鹏）Figure 1：展示了 FutureX 的整体架构论文在第2节回顾了以下方向：核心组件：在 NAVSIM 基准测试中，FutureX-Auto 相比基线方法显著提升：

MindDrive：融合世界模型与视觉语言模型的端到端自动驾驶框架端到端自动驾驶（E2E-AD）已成为自动驾驶领域的主流研究范式，其中轨迹规划是决定系统性能的核心环节。现有研究主要分为两类：一类以轨迹生成为核心，专注于生成高质量轨迹但决策机制简单；另一类以轨迹选择为核心，具备多维度评估能力但生成能力不足。为此，本文提出 MindDrive 框架，创新性地整合了高质量轨迹生成与全面决策推理，构建了 “假设仿真 - 候选生成 - 多目标权衡” 的结构化推理范式。该框架通过基于世界动作模型（WAM）的未来感知轨迹生成器（FaTG）实现基于自车状态的 “假设” 仿真，预测未来场

如何用Gemini“上车”自动驾驶？通过视觉问答完成自动驾驶任务本推文介绍了一篇来自Waymo（谷歌旗下自动驾驶公司）的自动驾驶前沿研究论文《EMMA: End-to-End Multimodal Model for Autonomous Driving》。该论文发表于《Transactions on Machine Learning Research》，简称为TMLR。该期刊是机器学习顶刊《Journal of Machine Learning Research》的兄弟期刊。该研究针对传统模块化架构的接口僵化以及传统端到端模型的泛化能力不足问题，提出了一种基于多模态

自动驾驶记录仪数据提取标准流程（DoIP/UDS）随着汽车技术，特别是新能源汽车的快速发展，车载电控单元数量激增，激光雷达、视频图像等高带宽数据的需求日益增长，传统的CAN总线已逐渐难以满足高效传输的要求。在此背景下，DoIP（以太网诊断协议）等新型通信协议应运而生。