自动驾驶

多车合作自动驾驶框架CoDrivingLLM：基于大语言模型驱动的决策框架目前，全球范围内已开始对联网自动驾驶汽车（CAVs）进行道路测试，但它们在复杂场景中的安全性和效率表现仍不令人满意。合作驾驶利用CAVs的连接能力，通过协同作用超越个体表现，使其成为在复杂场景中提高CAV性能的有前途方法。然而，缺乏交互和持续学习能力限制了当前的合作驾驶仅能应用于单一场景和特定的合作驾驶自动化（CDA）。为了解决这些挑战，本文提出了一种交互式和可学习的基于大型语言模型（LLM）的合作驾驶框架——CoDrivingLLM，以实现全场景和全CDA。首先，由于LLM不擅长处理数学计算，我们引入了

渡众机器人

智慧城市交通管理中的云端多车调度与控制城市交通管理中的云端多车调度与控制智慧城市是 21世纪的城市基本发展方向，为了实现智慧城市建设的目标，人们需要用现代化的手段去管理和控制城市中的各种资源和设施。智能交通控制与管理是智慧城市中不可缺少的一部分，因为现代城市交通系统日益复杂，而交通拥堵和污染也越来越严重。本文主要探讨北京渡众机器人科技有限公司在智慧城市中的智能交通控制与管理技术——云端多车调度与控制。

自动驾驶电车难题的康德式道德决策

康谋自动驾驶

康谋分享 | 直面AD/ADAS快速开发挑战：IVEX自动驾驶场景管理及分析平台！目录一、方案背景二、康谋方案——IVEX自动驾驶场景管理及分析平台1、数据输入2、场景执行结果（1）格式

开卷可扩展自动驾驶（OpenDriveLab）一种通用的视觉点云预测预训练方法自动驾驶新方向？ViDAR：开卷可扩展自动驾驶（OpenDriveLab）-CSDN博客

自动驾驶系列—DOW（开门预警）：让每一次开门都更安心🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。

自动驾驶规划算法（一）：A*算法原理和代码（c++与python）A*算法（A-star algorithm）诞生于1968年，由彼得·哈特（Peter Hart）、尼尔森·尼尔森（Nils Nilsson）和伯特·拉波特（Bertram Raphael）三位计算机科学家提出。它的设计初衷是为了解决路径搜索问题，尤其是通过启发式函数的引导，使得算法能够高效地在图（graph）或网格（grid）结构中找到最优路径。

你看不见我写的blog

【从0开始自动驾驶】ros2编写自定义消息 msg文件和msg文件嵌套可以看见创建了一个名为test_msg的功能包 cd到功能包内，创建msg文件夹需要注意的是：- 此次创建的msg文件存在自定义msg的引用，即文件中的TestSubMsg

【BEV 视图变换】Ray-based(2): 代码复现+画图解释基于深度估计、bev_pool(代码一键运行)paper：Lift, Splat, Shoot: Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D code：https://github.com/nv-tlabs/lift-splat-shoot

知乎:从零开始做自动驾驶定位；注释详解（一）消息的订阅和发布，这是每个ROS工程都必备的东西，我们常见的使用方式是在main函数中定义subscriber和publisher，每个subscriber会有一个callback函数与之对应。

3d gaussian splatting公式推导nerf中连续的积分渲染公式是：其中被遮挡率：那么转换为离散公式后有：其中，代表j时刻的时间差，将其带入渲染公式：

你看不见我写的blog

【从0开始自动驾驶】用python做一个简单的自动驾驶仿真可视化界面-车辆配置文件

小虎哥哥爱学习

《机器人SLAM导航核心技术与实战》第1季：第9章_视觉SLAM系统【第1季】9.第9章_视觉SLAM系统-视频讲解【第1季】9.1.第9章_视觉SLAM系统_ORB-SLAM2算法（上）-视频讲解

驱动起爆大师x_x

一起操作一遍git,还不会你找我当你学习到git的时候，你多多少少是想在网上提交一下代码，炫耀一下自己的高超水平，那么来吧，跟着本节带你装逼带你飞。

道路车辆功能安全 ISO 26262标准（1）—适用范围和主要内容写在前面本系列文章主要讲解道路车辆功能安全ISO26262标准的相关知识，希望能帮助更多的同学认识和了解功能安全标准。

【自动驾驶】控制算法（九）深度解析车辆纵向控制 | 从算法基础到 Carsim 仿真实践写在前面： 🌟 欢迎光临清流君的博客小天地，这里是我分享技术与心得的温馨角落。📝 个人主页：清流君_CSDN博客，期待与您一同探索移动机器人领域的无限可能。 🔍 本文系清流君原创之作，荣幸在CSDN首发🐒 若您觉得内容有价值，还请评论告知一声，以便更多人受益。转载请注明出处，尊重原创，从我做起。 👍 点赞、评论、收藏，三连走一波，让我们一起养成好习惯😜 在这里，您将收获的不只是技术干货，还有思维的火花！ 📚 系列专栏：【运动控制】系列，带您深入浅出，领略控制之美。🖊 愿我的分

小趴菜_自动驾驶搬砖人

自动驾驶TPM技术杂谈 ———— 多传感器信息融合不同车载传感器的原理、功能各异，在不同的场景下发挥着各自的优势，其获取的信息各不相同，不能互相替代。由于每个传感器存在差异，仅通过增加单一传感器数量并不能从根本上解决问题。实现自动驾驶，就需要多个传感器相互配合，共同构成自动驾驶汽车的感知系统。在多传感器信息融合过程中，需要解决如下几个关键问题： 1. 数据对准：对多个传感器信息进行融合前，必须将它们变换到同一个时空框架中。由于时空配准导致的舍入误差必须得到响应的补偿。 2. 数据的不确定性：传感器数据的存在噪声部分，需要在融合过程中最大程度降

人工智能研究所

NVIDIA发布端到端自动驾驶框架Hydra-MDP自动驾驶是目前人工智能领域的一个主要分支，目前特斯拉的FSD确实是为数不多的大模型框架。与其说特斯拉是一个造车公司，不如说是一个人工智能大数据公司。特斯拉每天靠行驶在道路上的汽车搜集的道路数据不胜其数，而拥有海量的数据是人工智能领域成功的关键。

【自动驾驶】控制算法（八）横向控制Ⅳ | 调试与优化——让车辆行驶更平稳！写在前面： 🌟 欢迎光临清流君的博客小天地，这里是我分享技术与心得的温馨角落。📝 个人主页：清流君_CSDN博客，期待与您一同探索移动机器人领域的无限可能。 🔍 本文系清流君原创之作，荣幸在CSDN首发🐒 若您觉得内容有价值，还请评论告知一声，以便更多人受益。转载请注明出处，尊重原创，从我做起。 👍 点赞、评论、收藏，三连走一波，让我们一起养成好习惯😜 在这里，您将收获的不只是技术干货，还有思维的火花！ 📚 系列专栏：【运动控制】系列，带您深入浅出，领略控制之美。🖊 愿我的分

微凉的衣柜

Andrej Karpathy谈AI未来：自动驾驶、Transformer与人机融合在人工智能领域，Andrej Karpathy 是一个无法忽视的名字。从他早期在 OpenAI 的工作，到后来担任 Tesla 的 AI 主管，他在自动驾驶、深度学习等方面的贡献广为人知。最近，卡帕西做客了著名的播客节目 No Priors，他在访谈中分享了很多关于自动驾驶、Transformer 以及人机融合的激进观点。本文将对这次访谈的核心内容进行深入分析，探讨他对 AI 未来的预见，以及这些技术在我们生活中的潜力。