自动驾驶

CUDA 编程完全理解系列（第二篇）：从 Block 生命周期理解调度在第一篇中，我们从设计哲学层面理解了为什么 GPU 需要大量线程来隐藏内存延迟。下面我们以厨师炒菜为例，复习一下上一篇的核心思想。厨师（核心）炒菜太快，但是配菜时间太长，所以多加几个灶台和配菜地方，厨师优先去准备好的灶台工作，其他灶台备菜，厨师工作完毕，然后“瞬间移动”去其准备好的灶台继续工作，而行政总厨（warp scheduler）负责调度，最大限度发挥厨师的工作效率，减少其等待切配的时间。

（7-3）自动驾驶中的动态环境路径重规划：实战案例：探险家的行进路线本节的项目将解决一个问题：假设你是一名探险家，需要从地图的起点（红色）到达终点（绿色），但这不是一条普通的路径。地图上有一些障碍物（黑色区域），你需要在不触碰这些障碍物的情况下找到一条通往终点的道路。你的任务是使用Python设计D*算法，能够找到一条避开障碍物的最短路径。本项目的目标如下所示：

棒棒的皮皮

【深度学习】YOLO 模型典型应用场景分析（安防 / 自动驾驶 / 工业质检 / 医疗影像 / 智慧城市）YOLO（You Only Look Once）系列模型凭借实时性强、精度高、部署灵活的核心优势，已成为计算机视觉领域目标检测任务的主流算法。尤其在 YOLOv8/v11 等新版本中，通过轻量化设计、多尺度检测、高效推理优化，进一步适配了不同行业的落地需求。以下从五大核心应用场景出发，分析 YOLO 的技术适配方案、落地挑战及优化策略。

构建AI时代的自动驾驶网络：HPE的匠心与巧思在企业级应用场景中，人工智能（AI）技术必将重塑架构、应用和生态。但AI在改变这一切的同时，也在呼唤能够满足其应用所需的底层基础设施的支持。因此，AI原生的基础架构，包括AI原生的计算、存储和网络成了业内关注和研究的重点。

目标检测数据集 - 自动驾驶场景自行车骑行者检测数据集下载数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主 ~)：目标检测数据集下载大全传送：目标检测数据集大全「包含VOC+COCO+YOLO三种格式+划分脚本+训练脚本」(持续原地更新)

（8-3-02）自动驾驶中的无地图环境路径探索：D* Lite路径规划系统（2）文件d_star_lite.py实现了 D* Lite 算法的关键部分，包括计算路径、更新路径、扫描障碍物、移动并重新扫描等功能。具体来说，文件d_star_lite.py定义了计算 D* Lite 算法中路径的函数，包括计算顶部键、启发式函数、更新顶点、计算最短路径、寻找下一个最短路径、扫描障碍物、移动并重新扫描等功能。这些函数可以实现在动态环境中实时更新路径规划，并根据环境变化进行路径的调整和优化。

（8-3-01）自动驾驶中的无地图环境路径探索：D* Lite路径规划系统（1）本项目实现了D* Lite路径规划算法的可视化演示，使用Pygame库创建了一个网格世界环境，包括起点、终点和障碍物。通过交互式操作，用户可以观察机器人在环境中移动并重新规划路径，展示了路径规划在实时环境中的应用。

地平线开发者

征程 6 | 平台 QAT 精度一致性问题分析流程QAT 训练完成后，从 torch qat 伪量化模型到征程 6 板端部署 hbm 模型之间，有模型 export 导出、convert 转定点、插入前处理节点以及 compile 编译等步骤，在这些步骤中，如果出现精度不一致的情况，说明存在一致性问题。一致性问题分为两类：

退休钓鱼选手

BehaviorTree行为树【调试】 5一个可以运行时动态添加到行为树的观察者类采用观察者模式的非侵入式实现在每个节点状态改变时自动触发回调添加时机：在行为树创建后、开始执行前添加 Logger

uniad模型详细介绍（一）这段代码配置的是一个 UniAD（Unified Tracking and Detection）模型的超参数和架构。

康谋自动驾驶

分享 | 如何做好全自动化ADAS 高精度标注？在ADAS（高级辅助驾驶）开发领域，高质量的标注数据是算法迭代的核心基础。然而，传统依赖人工标注的模式通常成本高昂、周期漫长，每年投入可达数百万美元，处理时间往往需要数月，严重制约了研发效率与项目推进速度。

CUDA 编程完全理解系列（第一篇）：GPU 的设计哲学与硬件架构基础当你打开 Autoware CenterPoint 的源码时，会看到大量 CUDA kernel 和核函数调用。很多人的反应是"代码太复杂，看不懂"。但其实，CUDA 的复杂性不在代码层面，而在思维模式——它要求你用"数据并行"的方式重新思考问题。

OpenEMMA：开源多模态端到端自动驾驶框架全解析在自动驾驶技术飞速发展的今天，端到端系统因其能直接从传感器输入学习驾驶动作、实现整体优化的特性，逐渐成为研究热点。然而，现有端到端模型存在资源需求大、泛化能力弱、闭源限制等问题。由德州农工大学、密歇根大学和多伦多大学联合提出的 OpenEMMA 框架，基于多模态大语言模型（MLLMs），以开源、高效、鲁棒为核心优势，为端到端自动驾驶技术的普及与发展提供了全新解决方案。

避开欧美红海，深耕中东沙漠：萝卜快跑的差异化出海能走多远？出品I下海fallsea撰文I胡不知2026年1月6日，迪拜酋长国的阳光穿透薄雾，落在萝卜快跑一体化运营基地的蓝色顶棚上。当天，这家百度旗下的自动驾驶出行平台，从迪拜道路与交通管理局（RTA）手中接过了全无人驾驶测试许可——这是迪拜首个且唯一的此类许可，意味着萝卜快跑的无人车可在指定区域脱离安全员，仅靠云端监控完成公开道路测试。

VGGT-Long：突破千米级长 RGB 序列单目 3D 重建的极限在自动驾驶、机器人导航等关键领域，从单目 RGB 流中感知 3D 环境是核心技术需求。然而，现有 3D 视觉基础模型在处理千米级、无标定的户外长序列时，往往受限于内存瓶颈和累积漂移问题，难以实现精准且稳定的 3D 重建。近期，来自南开大学和南京大学的研究团队提出了 VGGT-Long 框架，通过 “分块 - 对齐 - 闭环” 的极简设计，成功将单目 3D 重建能力拓展至千米级无界户外场景，无需相机标定和深度监督，性能媲美传统标定方法。

gorgeous(๑>؂<๑）

【中科院-张启超组-AAAI26】WorldRFT: 用于自动驾驶的带强化微调的潜在世界模型规划文章：WorldRFT: Latent World Model Planning with Reinforcement Fine-Tuning for Autonomous Driving

自动驾驶中间件iceoryx - 同步与通知机制（二）本章深入讲解 iceoryx 的通知平面（Notification Plane），包括信号量、WaitSet、回调机制等同步原语的实现与使用。这些机制使得订阅者能够高效地等待数据到达，而不需要轮询。

自动驾驶中间件iceoryx - 同步与通知机制（一）本章深入讲解 iceoryx 的通知平面（Notification Plane），包括信号量、WaitSet、回调机制等同步原语的实现与使用。这些机制使得订阅者能够高效地等待数据到达，而不需要轮询。

CAN系列 — (6) CAN FD 带宽、CPU、中断：工程上是如何一起算的？CAN系列 — (1) 一帧 CAN 报文在 ECU 中的完整生命周期 CAN系列 — (2) CAN 接收中断是如何触发的？一帧一中断真的合理吗？ CAN系列 — (3) Radar Object List 在 MCU 内部是如何被拼装、校验并最终被消费的？ CAN系列 — (4) Radar Header 报文：为什么它是 MCU 感知周期的“锚点” CAN系列 — (5) COM / PduR / CanIf 的职责边界：为什么它们不能互相越界 CAN系列 — (6) CAN FD 带宽、CPU、中

Autoware Universe 感知模块详解 | 第十二节 CUDA 编程基础——CUDA执行模型当我们在上一节中讨论"数据准备层"和"推理层"时，已经提到了 CUDA 加速这个关键词。在 Autoware CenterPoint 的实现中，点云预处理（范围裁剪、多帧融合、坐标变换）、特征编码（VFE 的体素化操作）、甚至某些后处理流程（如范围过滤）都有 CUDA 实现的版本。这不是可选项，而是在边缘设备（如 NVIDIA AGX Orin）上达到实时性能的必要条件。