自动驾驶

MindDrive：基于在线强化学习的自动驾驶视觉 - 语言 - 动作模型自动驾驶（AD）需在动态复杂环境中完成感知、决策与动作执行的闭环流程。传统端到端框架虽整合了感知、预测与规划模块，但缺乏常识推理和因果推断能力，难以应对真实交通场景的不确定性。随着视觉语言模型（VLM）在理解与推理能力上的突破，视觉 - 语言 - 动作（VLA）范式逐渐成为端到端自动驾驶的研究热点，其核心目标是将复杂交通场景理解转化为自车的行驶轨迹。

冻伤小鱼干

《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（2）之前的点到点ICP、点到线ICP、点到面ICP、NDT是配准两个点云的。在3D SLAM中，点云之间可以很容易地进行合并，也可以将过去一段时间内的点云组成一个局部地图，然后将当前帧和这个局部地图进行配准。这种不需要提取特征的激光雷达里程计被称为激光雷达里程计。根据使用的配准方法不同，可以写成两种实现激光雷达里程计的思路。

冻伤小鱼干

《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（4）前文中介绍激光slam系统、惯性导航系统和组合导航的原理。接下来我们来回顾一下他们之间的组成与区别。首先激光slam系统，是同步定位与地图构建，以激光雷达为核心，通过采集环境三维点云特征，实现无先验地图下的实时定位+环境建图，是无GPS场景下机器人自主导航的核心方案。主要是通过激光雷达获取环境三维点云（也可以选择IMU、轮速计来进行辅助传感），软件核心模块是前端点云配准帧间匹配、实现相邻点云的对齐（可以先找到最近邻（暴力最近邻、栅格和体素法、二分树与k-d树、四叉树和八叉树），之后进行拟合（直线拟合、平面

Coder个人博客

Llama.cpp GGML 模块深度分析团队博客: 汽车电子社区GGML (Georgi’s Gorgious Machine Learning) 是 llama.cpp 项目的底层张量计算库，提供了高性能的张量操作、量化算法和多硬件后端支持。作为整个推理引擎的基础，GGML 负责所有底层的数值计算和硬件适配。

智能体在车联网中的应用：第37天 CARLA仿真中的端到端车道保持：基于CNN模仿学习的自动驾驶实践在自动驾驶技术迅猛发展的今天，车道保持作为最基础也最关键的驾驶能力之一，一直是研究和实践的重点。传统自动驾驶系统通常采用模块化设计：感知模块识别车道线，规划模块计算轨迹，控制模块执行转向。然而，这种分而治之的方法存在信息传递损失、误差累积和系统复杂度过高等问题。近年来，端到端学习（End-to-End Learning）以其简洁直接的架构和强大的表示学习能力，为自动驾驶提供了全新的解决方案。

冻伤小鱼干

《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（3）7.3中直接将点云进行配准的方法（利用关键帧或者是体素进行配准）称为直接里程计。与之相对的，自动驾驶中也经常使用先提取特征，再做配准的激光雷达里程计，这种称为特征法激光雷达里程计，方法为先对点云提取一些简单的特征，之后对特征点进行配准，同时也要根据特征点本身的不同性质，采取不同的配准方法，使之更加精准。那我们要探讨第一步什么样的特征是对实时配准是有意义的？实时SLAM对特征有四个要求：1.特征应该能反应点云的特点。2.在提取特征之后，应该很容易对这些特征点进行几何的配准。3.特征提取不应占用太多CPU或者

MSAC 算法详解以及与 RANSAC 对比示例前文RANSAC算法——看完保证你理解中已经阐述了关于RANSAC算法的原理以及示例。在许多含有噪声和异常点outliers的数据拟合任务中，普通最小二乘法容易被异常点拉偏。RANSAC 可以在存在外点时稳健拟合，但在 near-outliers 情况下，它可能被误收内点，导致模型偏移。

【YOLO数据集】自动驾驶自动驾驶技术的普及对环境感知系统的实时性与准确性提出了严苛要求，目标检测作为感知层核心任务，直接决定了自动驾驶车辆对行人、车辆、交通标志等道路元素的识别能力与行驶安全性。传统目标检测方法难以适配复杂交通场景下多尺度目标（尤其是远距离小目标）的检测需求，而两阶段检测算法虽精度较高却存在推理延迟，无法满足车载系统实时响应要求（通常需≥30 帧 / 秒）。YOLO 系列算法凭借 “单次前向传播完成定位与分类” 的单阶段检测架构，实现了检测速度与精度的初步平衡，成为自动驾驶目标检测的主流技术方向。然而，真实道路环

对“智能网联汽车组合驾驶辅助系统安全要求“国标徵求意见稿的反馈 -要帮助车厂杨福宇 yfy812@163.com 2025-12-27公开征求《智能网联汽车组合驾驶辅助系统安全要求》强制性国家标准的意见是2025-9-17公布的，意见要在2025-11-15前送出。可是我了解此事已迟，只能马后炮了。

长安大学与百度达成战略合作聚焦人工智能与自动驾驶协同创新12月28日，长安大学与百度公司正式达成战略合作，在古都西安举行合作签约仪式。双方将面向国家重大战略需求，围绕人工智能和自动驾驶等关键技术攻关、产教融合与高层次人才培养，构建长期协同的合作机制，共同推动科技创新与产业升级。

特斯拉自动驾驶技术的“具身认知”特征分析从 v13 的更新说明看，特斯拉强调“升级端到端驾驶网络”，包括 36Hz、全分辨率 AI4 视频输入、以及photon-to-control 延迟减半等（不同渠道措辞略有差异，但核心一致）。(Not A Tesla App)

Coder个人博客

Llama.cpp 整体架构分析团队博客: 汽车电子社区llama.cpp 是一个高性能的大语言模型推理引擎，用 C++ 编写，专注于在多种硬件平台上高效运行 LLM 推理。该项目由 Georgi Gerganov 创建，已成为业界领先的开源 LLM 推理框架之一。

Coder个人博客

Llama.cpp Tools 实用工具深度分析团队博客: 汽车电子社区tools/ 目录是 llama.cpp 项目的实用工具集，提供了一整套生产级别的命令行工具，涵盖了模型推理、性能评估、模型优化、部署服务等完整的工作流程。这些工具不仅为开发者提供了便利的操作接口，更是 llama.cpp 项目工程化成熟度的重要体现。

Coder个人博客

Llama.cpp Examples 示例程序深度分析团队博客: 汽车电子社区examples/ 目录是 llama.cpp 项目的示例程序集合，为开发者提供了从入门到专业级别的完整学习资源。该目录包含了50多个示例程序，涵盖了基础推理、高级优化、生产部署、研究实验等多个维度，是学习LLM推理技术的宝贵资源库。

自动驾驶中间件iceoryx - 快速上手本章通过实战带你从零开始构建、配置、运行 iceoryx，并完成第一个 Publisher/Subscriber 示例。

数据与后端架构提升之路

自动驾驶的“脏活”：手撕激光雷达运动畸变与鬼影（附 Python/C++ 核心实现）摘要：在 End-to-End 大模型盛行的今天，为什么我们依然离不开传统的点云预处理？本文从底层物理特性出发，深度拆解激光雷达的运动畸变（Motion Distortion）与鬼影（Ghosting）难题，并分享基于 SIMD 指令集的工程化落地代码。

自动驾驶_端到端_VLA_概念介绍将感知和规划合二为一，替代之前基于规则的方法代表工作： PLUTO: 2023-2024年，第一次打败了规则的planning

汽车驾驶系统的具身认知结构特征分析 —— 一种具身机械主义框架下的解读下面是一个“具身机械主义（Embodied Mechanism）”框架下的汽车驾驶系统具身认知模型总结：把“驾驶系统”当成由身体-车辆-道路-规则-他人共同组成的具身认知结构和机制，通过一组可识别、可验证的认知回路（perception–action loops）持续闭环来实现稳定的行驶行为。

自动驾驶中的传感器技术88——Sensor Fusion（11）本文看图说话，对相关问题进行说明下图为传统的规格模型工作流，端到端模型是传感器层直接到执行层。添加图片注释，不超过 140 字（可选）

自动驾驶中的传感器技术85——Sensor Fusion（8）现在是PVT这里的 PVT 指的是全球卫星导航系统（GNSS）直接输出的最终解算结果：P (Position): 位置（经度、纬度、海拔）