自动驾驶

端到端自动驾驶 BEV stack本质上已经不是传统意义的 perception → planning pipeline，而是把整个驾驶问题统一成：

自动驾驶调研-Day2自车状态一般由传感器（如 IMU、GPS/GNSS、底盘传感器等）提供，主要包含以下几个维度的信息：首先形式化评测样本。对第 $i$ 个样本，记：

Level 4自动驾驶系统设计3——功能与场景3针对地下停车场高密度桩标、光线突变与低矮障碍物等复杂场景，研究提出多模态感知融合与安全冗余策略。通过4D雷达与视觉体素化校验解决桩标粘连问题；光流-IMU时空补偿应对光照跳变；占用网格动态掩码检测低矮障碍物，并触发权重降级与VMC层越权制动。系统集成置信度过滤、物理对账和硬件熔断机制，确保在传感器失效或模型误判时仍能实现安全闭环控制，显著提升自动驾驶在非结构化地库环境中的鲁棒性。

生成论实验室

机器人：一个自主运动的系统我们先不谈AI，不谈传感器，不谈运动控制算法。先谈一个更根本的问题：机器人是什么？传统定义告诉我们：机器人是一种能够自动执行任务的机器装置。它由传感器、控制器和执行器组成，按照预设程序或AI指令运行。

现代智能汽车系统——智驾SoC之框架版图高阶智驾SoC晶圆设计采用八大核心功能分区架构：NPU算力核心区（35%-45%）专注矩阵运算与DSA加速；NoC与片内缓存区（20%-25%）实现TB/s级数据调度；CPU集群（15%-20%）处理OS与规控逻辑；硬件安全岛（5%-8%）确保ASILD级功能安全；ISP阵列（5%-10%）优化图像信号处理；I/O控制区（5%）集成硬件DMA；显存接口（5%-8%）保障高带宽访存；片间级联区（3%-5%）支持多芯片协同。该架构通过硬件级优化实现算法加速、数据零拷贝和安全隔离，满足智能驾驶对大算力与高可靠性

Level 4自动驾驶系统设计4——功能与场景4摘要：L4级商用车主挂一体化系统面临多自由度运动学退化、非线性动力学特性及大范围参数漂移等挑战，导致大模型控制在动态场景中鲁棒性下降。针对偏航、蛇形摆动和折头三大高危场景，系统通过物理熔断机制实时监控铰接角状态，并在风险触发时移交控制权至VMC层，采用差动制动、ABS干预等策略进行分布式安全控制，确保车辆稳定性。其中，高速蛇形摆动通过挂车后轴非对称制动收敛能量，折头风险则通过牵引车制动力释放与挂车全量制动组合干预，防止动力学失稳。

Cartographer详细讲解Cartographer 是 Google 开源的实时 SLAM 系统，支持 2D 和 3D，同一套系统可以适配不同传感器配置，例如 2D 激光、3D 点云、IMU、轮速里程计等。它的核心思想是：前端构建局部一致的子地图，后端通过位姿图优化把这些子地图和轨迹节点约束到全局一致的位置上。官方文档也把 Cartographer 抽象成两个相关子系统：Local SLAM 负责生成一系列局部一致的 submap，Global SLAM 在后台寻找约束和回环，并把这些 submap 更一致地连接起来。

【3D·感知】从PointNet到PointPillars：如何让自动驾驶汽车“实时“看见3D世界？作者：小探首发：探物 AI 序列：3D感知网络的第2篇文章转载请注明出处上一篇我们学习了PointNet，理解了如何用深度学习直接处理无序点云。但PointNet主要用于分类和分割，离"实时检测周围的车辆"还有距离。这一篇我们来看PointPillars——一个能让自动驾驶汽车以62 FPS实时检测3D目标的网络，真正能让工业使用的网络。

自动驾驶调研-Day1在当前的技术格局中，存在着两种主导范式。一方面是基于鸟瞰图（BEV）表征的专用模型。鸟瞰图（Bird’s-Eye-View, 简称 BEV）表征，简单来说就是“上帝视角”或“网格俯视图”。在自动驾驶中，车载摄像头、激光雷达（LiDAR）等传感器是从车辆四周的“透视视角”（Perspective View）来捕捉世界的（即前视、后视、侧视等，图像中会有近大远小的透视变形）。而BEV 表征，则是通过算法将这些来自不同方向、不同角度的透视图像，转换并融合到一个统一的、从上往下俯视的二维网格空间中。

生成论实验室

自动驾驶：一个自主运动的系统我们先不谈传感器，不谈算法，不谈算力。先谈一个更根本的问题：自动驾驶汽车是什么？传统定义告诉我们：自动驾驶汽车是一种能够感知环境、规划路径并自动控制行驶的智能车辆。它由摄像头、激光雷达、毫米波雷达、高精地图、域控制器和执行器组成，按照预设规则或AI模型运行。

渡众机器人

第八届全球校园人工智能算法精英大赛-算法应用赛-渡众机器人智能体对抗挑战赛规则在新一轮科技革命和产业变革加速推进的背景下，人工智能、自动驾驶与智能机器人技术正成为引领未来产业发展的关键方向。以自动驾驶为代表的智能系统技术，深度融合了感知、决策、控制与系统工程能力，是衡量一个国家科技创新水平和工程实践能力的重要体现。推动相关领域的人才培养与技术创新，对于提升国家科技竞争力、服务重大战略需求具有重要意义。

LeGO-LOAM 详细源码流程解读LeGO-LOAM 的整体思路可以理解为：先把原始三维点云整理成规则的二维深度图，再利用地面信息和连通域分割筛选出稳定点云，之后提取角点和平面点，通过前端 scan-to-scan 求相邻帧位姿，再通过后端 scan-to-map 和关键帧地图进一步优化位姿，最后融合前端和后端结果发布连续轨迹。

渡众机器人

智能体对抗挑战赛和空地协同侦排挑战赛的报名流程一、报名方式点击大赛官网（www.aicomp.cn）右上角“大赛报名”按钮（参考下图）进入登录页面。

生成论实验室

六十四卦态势操作系统技术白皮书版本：V1.0 日期：2026年6月作者：周林东公司：莆田字序生命科技有限公司本文提出一种全新的操作系统范式：以六十四卦完备态势空间为内核，以事件关系网络为语法，以降U动力学为驱动的态势操作系统（Situational Operating System，简称SOS）。与传统操作系统管理硬件“资源”不同，态势操作系统管理的是系统内外的“事件”，并实时判断当前情境，自主调度资源、切换策略、保障安全。本文将从理论基础、系统架构、核心优势、应用场景及技术路线图等方面，系统阐述这一操作系统的设计蓝图。

互联网与大数据环境下制造服务模式通过客户全程参与，利用信息“产生优化的决策和个性化的服务为客户创造价值”的智能制造和客户化定制服务模式。

奔袭的算法工程师

论文解读--Sparse4D v3: Advancing End-to-End 3D Detection and Tracking3D检测和多目标跟踪（MOT）是自动驾驶感知系统的两个基础任务，前者输出当前帧物体3D bounding box，后者输出跨帧物体的关联ID与运动轨迹。

生成论实验室

认知芯片：让判断力在物理定律上运行——AI芯片的第三条路CPU、GPU、NPU，无论架构怎么变，本质都是同一件事：执行计算指令。它们比拼的是谁算得快、谁功耗低、谁晶体管密度高。摩尔定律、韬定律，都是围绕“计算”展开的。

FAST-LIVO2 源码精读（二）：环境搭建与编译避坑本文是「FAST-LIVO2 激光-惯性-视觉里程计源码精读」专栏第二篇。上一篇确立了系统全局认知与 19 维状态向量的精确构成；从这一篇起进入实战。编译通过是阅读源码、调参、改代码的前提——在此之前任何"理解"都悬在空中。本篇逐项拆解 FAST-LIVO2 的依赖树，重点讲清三处极易踩错的版本地雷，并给出 catkin_make 常见报错的速查处置表。

ProDrive：基于自身-环境协同演化的自动驾驶主动规划26年4月来自南方科大和港科大的论文“ProDrive: Proactive Planning for Autonomous Driving via Ego-Environment Co-Evolution”。

Level 4自动驾驶系统设计2——功能与场景2摘要：干线物流场景中，重卡因制动距离长需超250m远距感知，但远距目标检测受视觉特征退化与雷达稀疏性限制，需多模态时序校验提升置信度。针对相邻车道强行加塞（Cut-in），系统建立动力学对账方程，实时解算运动参数并验证安全裕度，同时采用传感器动态确权策略应对模型幻觉。极限情况下，系统绕过端到端规划，直接触发紧急制动，通过VMC层优化制动力分配，确保安全平账。