自动驾驶

【用户心得】SCANeR™Studio学习笔记（六）：人因工程Pack——一站式搞定驾驶模拟的多模态数据同步目录一、精准定位：贯穿V型开发周期的研究利器二、核心优势：开放生态 + 原生同步，告别数据对齐噩梦1. 开放的硬件兼容性

Sparse4D 时序输入和 Feature Queue 详解Sparse V3论文：https://arxiv.org/pdf/2311.11722 源码地址：https://github.com/linxuewu/Sparse4D

久曲健的测试窝

深度解构Testin XAgent：AI测试如何“副驾驶”进化为“全自动驾驶”在软件工程的浩瀚宇宙中，测试（QA）往往被视为最后一道“守门员”。但在DevOps流水线疯狂加速的今天，这道门正面临前所未有的冲击。

CARLA自动驾驶仿真环境搭建与DEMO详解CARLA是一个开源的自动驾驶仿真平台，由Intel实验室和巴塞罗那自治大学计算机视觉中心共同开发。它基于虚幻引擎（Unreal Engine）构建，为自动驾驶系统的开发、训练和验证提供了一个逼真的虚拟环境。

目标检测数据集 - 自动驾驶平台Carla图像交通元素目标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)

地平线开发者

征程 6P/H 计算平台部署指南本文旨在提供征程 6H/P 计算平台的部署指南，将会从硬件、软件两部分进行介绍，本文整理了我们推荐的使用流程，和大家可能会用到的一些工具特性，以便于您更好地理解工具链。某个工具具体详 l 细的使用说明，还请参考用户手册。

自动驾驶—CARLA仿真（5）Actors与Blueprints在 CARLA 中，参与者（Actors）是仿真中执行动作的元素，能够影响其他参与者。CARLA 的参与者包括：

自动驾驶—CARLA仿真（0）报错记录Traceback (most recent call last): File “/home/zfjuan/CarLa/PythonAPI/examples/automatic_control.py”, line 873, in main() File “/home/zfjuan/CarLa/PythonAPI/examples/automatic_control.py”, line 866, in main game_loop(args) File “/home/zfjuan/CarLa/PythonA

自动驾驶—CARLA仿真（4）基础概念本页面介绍理解 CARLA 服务器与客户端如何通过 API 运行和通信所需的基本概念。CARLA 采用客户端-服务器架构：

自动驾驶—CARLA仿真（3）坐标和坐标变换官方文档CARLA 基于 Unreal Engine 4.26 构建，采用与之相同的左手坐标系。更多关于 Unreal Engine 坐标系的细节，请参阅 Unreal Engine 官方文档。

【自动驾驶】Autoware 架构 ① ( 自动驾驶的两种核心技术架构 | 基于规则技术架构 | 端到端技术架构 )自动驾驶的两种核心技术架构 :端到端技术架构 , 一端是 " 传感器原始数据 " , 另一端是 " 车辆控制指令 " ;

自动驾驶—CARLA仿真（2）入门指南CARLA 仿真器是一套面向自动驾驶（AD）及其他机器人应用的综合性合成训练数据生成解决方案。CARLA 能够模拟高度逼真的环境，复现现实世界中的城镇、城市和高速公路，以及在这些道路空间中行驶的车辆和其他物体。

自动驾驶—CARLA 仿真（1）安装与demo测试CARLA（Car Learning to Act）是一个开源的、高度模块化的自动驾驶仿真平台，专为自动驾驶算法的开发、训练和验证而设计。它基于 Unreal Engine（虚幻引擎）构建，能够提供逼真的城市驾驶环境、高保真传感器模拟以及灵活的API接口，广泛应用于学术研究和工业界。

智能交通顶刊TITS论文分享｜如何让自动驾驶模型感知驾驶风格和自动理解周围车辆意图？请看此文本推文介绍了智能交通领域顶级期刊IEEE Transactions on Intelligent Transportation Systems（简称为TITS）的一篇论文《StyleFormer:Multi-Agent Joint Trajectory Prediction and Planning in Urban Environments With Driving Style Awareness》。该论文提出了一种基于驾驶风格感知的轨迹预测与规划框架StyleFormer，旨在解决自动驾驶车辆在城市复

Luminbox紫创测控

汽车自动驾驶的太阳光模拟应用研究自动驾驶系统的安全性与可靠性，高度依赖于其在复杂多变光照环境中的稳定表现。其中，高动态范围的自然光照是挑战车载感知系统的关键因素。紫创测控luminbox太阳光模拟器作为能够精确复现光照辐射的室内测试装备，通过提供可控、可重复的测试环境，已成为汽车自动驾驶研发、验证与标定过程中不可或缺的核心工具。

ARM+FPGA+AI工业主板定制专家

基于JETSON ORIN+FPGA+GMSL+AI的高带宽低延迟机器视觉方案GMSL高带宽接入依托GMSL 2协议，具备优异的抗干扰性能与长距离传输能力，可有效解决机器人控制器与摄像头之间的远距离部署难题。通过GMSL与MI PI-CSI VC多通道合并技术，能够高效整合多路摄像头数据，大幅精简线束数量。

CenterPoint：基于中心点的 3D 目标检测与跟踪框架在自动驾驶等依赖强 3D 感知能力的领域中，3D 目标检测与跟踪是核心技术之一。传统基于锚框（Anchor-based）的 3D 检测方法，在处理旋转目标、稀疏点云等问题时面临诸多挑战。由 UT Austin 团队提出的 CenterPoint 框架，创新性地采用基于中心点（Center-based）的表示方法，将 3D 目标建模为点而非边界框，极大简化了检测与跟踪流程，同时在性能上实现了突破性提升。

PointPillars：激光雷达点云 3D 目标检测的高效编码器方案在自动驾驶等机器人应用中，基于激光雷达（LiDAR）点云的目标检测是核心技术之一。激光雷达能够生成高精度的 3D 环境点云，为目标定位提供可靠的空间信息，但点云的稀疏性、3D 特性与传统 2D 卷积神经网络（CNN）的适配问题，一直是制约检测性能与速度的关键瓶颈。

不断学习加努力

几种自动驾驶框架简要梳理本文简单梳理了现有的几种自动驾驶框架。大名鼎鼎的appollo算法这个我已经写烂了，乘用车的一套开源算法，在自动驾驶开源算法领域称得上第一。