自动驾驶

Mobileye 3.0：自动驾驶科技问题基本解决，Shashua押注物理AI作者 |德新编辑 |王博创业27年后，Mobileye的创始人Amnon Shashua教授决定卸任CEO。这不是一次普通的管理层更替，而是这位自动驾驶领域最重要的科学家之一，认为我们正在步入自动驾驶后一个全新的时代。

总线通信小百科

汽车零部件LIN总线测试三大痛点LIN总线广泛用于车窗、雨刮、天窗、座椅、方向盘开关、格栅、电机和氛围灯等汽车零部件。此类部件的测试往往不止验证一次通信是否成功，还要覆盖主从节点仿真、功能测试、诊断、耐久测试、故障判断和EOL下线测试。随着车型与部件版本增加，传统的分散式工具链很容易在效率、兼容性和数据管理三个方面形成瓶颈。

具身智能：AI 长出“手脚”，进入物理世界——大模型驱动机器人、自动驾驶与产业落地调研目录一、从“会说话的 AI”到“会行动的 AI”二、技术底座：具身智能为什么在此刻爆发（一）多模态大模型：从语言理解到任务理解

才鲸嵌入式

JEPA具身智能或自动驾驶路线的公司2026年7月ICML大会上，冯雁作为首个特邀演讲者，系统阐述了"JEPA路线相较生成式路线的结构性优势"。

爱分享的康康

aiSim6自动驾驶仿真平台：功能、技术与工程落地完整解析aiSim6 是面向 ADAS 与高阶自动驾驶系统验证的高保真虚拟测试平台，核心定位为兼顾确定性仿真、物理级传感器模拟、SiL/HiL 全链路闭环的一体化仿真工具，主要服务车企、Tier1、高校科研机构完成感知算法验证、域控测试、法规合规验证等工作，可降低实车测试依赖，提升场景覆盖完整度。本文围绕行业高频咨询问题，基于平台原生功能做客观拆解，方便选型、技术调研类用户快速获取对应信息。

世界模型与闭环仿真_介绍与相关关系这两个概念在自动驾驶、机器人等领域经常一起出现，但含义不同且有紧密关联。世界模型是指智能体内部构建的一个对真实世界的模拟器，它能够根据当前状态和智能体的动作，预测未来世界会变成什么样。

从数字智能到物理智能体：深度解构具身智能时代的边缘计算、嵌入式实时系统与多形态智能体2026年的AI产业正在经历一场静默的范式转移。当大语言模型已经"吃饱"了互联网上的文本、图像与代码，当软件智能体在云端能够自主调用API、编写程序、生成报告，数字世界的智能边际收益正在递减。物理世界——那个充满摩擦、噪声、延迟与不可逆后果的真实世界——成为唯一尚未被大规模开垦的数据边疆。

世界模型的四个商业场景：自动驾驶、机器人、内容产业与工业仿真从语言到世界：大模型的下一个疆域当大语言模型已经能吟诗作对、编程翻译时，一场更底层的变革悄然发生——教会AI“一杯水洒了会怎样”。这就是世界模型，它不再满足于识别物体，而是要在数字空间里重建因果链条。简单说，世界模型如同AI脑内的“白日梦”，能推演行为带来的连锁反应。没有这种物理直觉，再聪明的AI也只是纸上谈兵。

第一章_自动驾驶中的社会交互阅读论文：Wang et al., Social Interactions for Autonomous Driving: A Review and Perspectives, 2022

从T-Box到5G车载网关：高阶自动驾驶通信架构演进一、引言：自动驾驶通信架构的“带宽暴舱”与高可靠重塑在 Robotaxi（无人驾驶出租车）、无人矿卡以及智慧港口的实际落地中，高阶自动驾驶系统最致命的瓶颈往往不在于智驾域的算力，而在于“数据传输的实时性与通信链路的绝对连续性”。

算法与数据结构----哈希表直接从计算机底层的数据结构和算法角度来拆解哈希表。哈希表的本质是：一个底层数组 + 一个数学计算函数。

田里的水稻

FA_数字相机成像原理、分级和分类FA：Formular and Algorithm 所有相机底层物理逻辑一致，仅硬件规格、信号处理、光路设计有差异，具体表现在决定光路的镜头、识别波长的感光单元、以及像素密度这三个主要指标上。就像其它品类的设备一样，数字相机也分为消费级、工业级、战术级和战略级，四个等级。下面将从数码相机成像原理、设备等级和器件差异分类三个角度展开偏向应用的说明。

KoMA：基于知识驱动的多智能体LLM自动驾驶框架深度解析# KoMA：基于知识驱动的多智能体LLM自动驾驶框架深度解析## 1. 背景与挑战自动驾驶决策系统长期依赖端到端学习或规则引擎，但面对开放世界的长尾场景（如高速公路合流、无保护左转、施工区域变道等），传统方法往往因泛化能力不足而出现决策失误。大语言模型（LLM）凭借其强大的常识推理与上下文理解能力，为自动驾驶提供了“知识驱动”的新范式——即不再仅依赖传感器数据，而是让车辆像人类一样“理解”场景意图并做出判断。

Python自动驾驶图像识别完整实战教程（OpenCV+YOLOv8，附可直接运行源码）本文从环境搭建、传统视觉车道线检测，再到深度学习目标检测完整实现。所有代码都经过本地调试运行，新手跟着步骤复制就能跑通，适合想要做智能小车、自动驾驶仿真项目、ADAS辅助驾驶原型开发的开发者。

数聚天成DeepSData

自动驾驶感知数据集选型指南：目标检测、分割、车道线、车牌识别摘要：本文梳理了自动驾驶感知任务中常用的公开数据集，涵盖综合感知（KITTI/nuScenes/Waymo/BDD100K）、语义/实例分割（Cityscapes/Mapillary）、车道线检测（TuSimple/CULane/LLAMAS）与车牌识别（CCPD/OpenALPR），横向对比各数据集的传感器配置、标注类型、场景规模与授权限制，并总结了按任务选型的方法以及商用授权、地域差异、隐私合规等常见注意事项，帮助读者快速定位适合自身项目的数据集。

蓝悦无人机

自动驾驶论文解读：深度学习自动驾驶系统预测与规划集成综述名称：The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review

重卡自动驾驶数据引擎升级，智加科技凭借Alluxio实现训练吞吐10倍跃迁在 L4 重卡自动驾驶量产前夜，数据规模决定算法迭代速度，数据吞吐定义研发竞争力。一辆自动驾驶重卡日均产生 TB 级传感器数据，PB 级数据湖成为标配，多云混合架构成为行业常态。但算力持续增长，数据却在"爬行"——如何解决对象存储 I/O 瓶颈、统一多云数据管理、最大化释放 GPU 算力价值，是业内智驾企业在规模化运营阶段普遍需要面对的技术课题。

NVIDIA智能汽车技术实战营笔记——Alpamayo2026年1月5日，拉斯维加斯CES展台上，NVIDIA发布了一款名为Alpamayo-R1的自动驾驶模型。彼时，大多数人仍将其视为又一篇“VLA（视觉-语言-动作）论文的工程实现”。但随后半年间，这个模型以惊人的迭代速度完成了从10B到32B、从单前向到360°全景、从开环预测到闭环强化学习的三级进化，悄然重塑了端到端自动驾驶的技术版图。

标定（Calibration）00-3：自动驾驶常用传感器Camera / LiDAR / Radar / IMU / GNSS 各自解决什么问题？自动驾驶汽车要想在复杂多变的道路环境中安全行驶，首先必须能够**“看懂”周围世界**。这依赖于强大的感知系统，将外界环境转化为机器可用的信息。当前自动驾驶系统常用五大传感器：摄像头（Camera）、激光雷达（LiDAR）、毫米波雷达（Radar）、惯性测量单元（IMU）和全球卫星导航系统（GNSS）。它们各有所长，也各有短板。例如，摄像头能获取丰富的颜色和纹理信息，但夜间或强光下效果不佳；激光雷达提供精准的三维距离测量，但在雨雪雾等天气中性能下滑且成本高昂；雷达对速度测量和恶劣天气具有强鲁棒性，但分辨率相

一见已难忘

4类红外热成像目标检测数据集（轿车/行人/货车/摩托车）| 4300张YOLO红外夜视检测数据集适用于自动驾驶、智能安防与红外目标检测研究本数据集为面向红外热成像视觉感知场景构建的高质量目标检测数据集，专门针对夜间环境、低照度环境以及复杂天气条件下的目标检测任务设计。数据集共计包含4300张高质量红外热成像标注图像，覆盖道路交通、户外巡检、夜间监控等真实应用场景，适用于YOLO系列、Faster R-CNN、SSD、RetinaNet等主流目标检测算法的训练、验证与测试。