自动驾驶

康谋自动驾驶

赋能智慧隧道施工：工程车辆多模态数据采集系统随着智慧工地与无人化施工技术的推进，隧道施工装备的数字化转型已成为行业焦点。近期，在和众多该类客户的沟通过程中，我们观察到了一些被频繁提到的客户需求和场景痛点，针对于此，以隧道运输设备——MSV胶轮车为例，本文为该类客户量身定制了一套高性能多模态数据采集方案。

像风没有归宿a

自动驾驶汽车黑客攻击：如何保障车联网安全？随着自动驾驶技术从L2级辅助驾驶向L4/L5级完全无人驾驶迈进，汽车已不再是单纯的机械交通工具，而是融合了传感器、人工智能算法、5G通信和云计算的"移动智能终端"。车联网（V2X）技术让车辆与车辆（V2V）、基础设施（V2I）、云端（V2N）实时交互，实现协同感知与决策。然而，这种高度互联的特性也使自动驾驶汽车成为黑客攻击的"高价值目标"——一旦车载系统被攻破，不仅可能导致隐私泄露，更可能引发交通事故甚至系统性瘫痪。如何保障车联网安全，已成为自动驾驶商业化落地的关键挑战。

小猫挖掘机（绝版）

在Ubuntu 20.04 部署DiffPhysDrone并在Airsim仿真完整流程DiffPhyDrone是上海交大实验室发布在2025年Nature子刊上的端到端自主导航方案。使用12×16超低分辨率深度图作为输入，使用仅3层CNN的超小神经网络实现端到端自主飞行，可部署于150元廉价嵌入式计算平台。目前已开源，可在本地部署。下面我将介绍本地部署的流程，注意下面的内容是CUDA 12.8和CUDA 11.8混杂介绍的，请你根据你的显卡版本，选择调整相应指令，安装一种CUDA版本即可，建议50系列选择12.8，其余选择11.8。

从试错学习到安全进化：强化学习重塑自动驾驶决策与控制目录一、引言二、自动驾驶任务与强化学习问题建模2.1 自动驾驶系统架构与层次化任务划分2.2 马尔可夫决策过程建模

地平线开发者

开发者 | 2025 智能驾驶开发者系列培训在京顺利召开！11 月 30 日，由地平线、中国汽车工程学会主办，联合中国智能网联汽车产业创新联盟打造的 2025 智能驾驶开发者系列培训在北京圆满落幕。本次培训吸引了北京理工大学、吉林大学、长安大学、一汽、广汽、比亚迪、蔚来汽车、赛力斯、中信科智联、北斗智联、亿咖通等 60 余家来自全国高校、科研机构以及整车与零部件企业的广泛参与。累计参与人数超 400 人，106 位专业学员参与线下实践，现场气氛热烈，充分彰显智能驾驶技术在行业内的高关注度与强吸引力。

BEVFormer：基于时空 Transformer 的多相机鸟瞰图表征学习在自动驾驶感知任务中，基于多相机图像的 3D 目标检测和地图分割等任务是核心支撑技术。传统方法要么依赖激光雷达（LiDAR）导致部署成本高昂，要么基于单目相机框架无法有效融合多视角信息，要么在 BEV（Bird's-Eye-View，鸟瞰图）特征生成中过度依赖深度信息导致误差累积。针对这些痛点，上海 AI 实验室、南京大学等机构联合提出了 BEVFormer 框架，通过时空 Transformer 从多相机图像中学习统一的 BEV 表征，为自动驾驶多感知任务提供了高效解决方案。

Lift, Splat, Shoot：自动驾驶多视图相机的 BEV 语义表示学习在自动驾驶领域，感知系统的核心目标是从多传感器数据中提取语义信息，并将其融合到统一的 “鸟瞰图（Bird's-Eye-View, BEV）” 坐标系中，为后续的运动规划模块提供决策依据。传统计算机视觉算法要么输出与坐标系无关的分类结果，要么在输入图像的同一坐标系中进行预测（如目标检测、语义分割等），这与自动驾驶中 “多传感器输入 - 统一 BEV 输出” 的需求存在本质脱节。

Sparse4D v3：端到端 3D 检测与跟踪的技术突破在自动驾驶感知系统中，3D 检测与跟踪是两大核心任务，直接决定了车辆对周围环境的理解能力。基于稀疏表示的算法凭借无视图变换需求、检测头计算量恒定、易于端到端集成下游任务等优势，逐渐成为该领域的研究热点。本文将对 Sparse4D 系列的最新升级版本 ——Sparse4D v3 进行全面精读，深入剖析其技术创新、网络架构、实验验证及核心优势，带大家完整理解这一先进的 3D 感知框架。

VADv2：基于概率规划的端到端矢量化自动驾驶在自动驾驶技术的演进历程中，端到端方案凭借其能直接从大规模人类驾驶演示中学习类人驾驶策略的优势，成为备受关注的研究方向。然而，驾驶场景中普遍存在的不确定性与规划的非确定性，给从演示数据中提取可靠驾驶知识带来了巨大挑战。例如，跟车场景下驾驶员可选择保持跟车或变道超车，会车场景中可选择让行或超车，这些场景中驾驶动作（包括时机和速度）受诸多潜在因素影响，呈现出高度随机性。

DiffVLA：视觉语言引导的扩散规划在自动驾驶中的创新与实践在端到端自动驾驶领域，BEV 计算昂贵、动作多样性不足及复杂场景次优决策是关键挑战。RB 团队（Bosch、清华大学等联合）提出 DiffVLA 框架，融合 VLM 引导、混合稀疏 - 稠密感知与扩散规划模块，在 NavSim v2 私有测试集获 45.0 扩展 PDMS，2025 自动驾驶挑战赛表现优异，为端到端自动驾驶提供高效解决方案。

自动驾驶控制算法——模型预测控制（MPC）目前主流的轨迹跟踪方法有两类：基于几何模型的跟踪方法和基于动力学模型的跟踪方法。基于几何模型的跟踪方法：

FSD入华“加速”中国自动驾驶产业的推动与重构让数据真正闭环的L4级自动驾驶仿真工具链－杭州千岑智能科技有限公司：RSim。特斯拉FSD入华不仅带来技术挑战，更加速推动中国自动驾驶产业的发展，促使行业从**“功能堆砌"转向"安全与体验并重”**的深度竞争，推动中国自动驾驶产业从混战阶段迈向"技术为王、强者恒强"的新时代。

AI Planner&Control

自动驾驶控制算法——车辆七自由度动力学模型本文介绍了车辆七自由度动力学模型，该模型能更准确描述打滑和侧滑等复杂工况下的车辆行为。文章首先对比了二/三自由度模型的局限性，然后详细推导了七自由度模型的核心方程，包括纵向、横向和横摆三个整车运动方程，以及四个车轮的转动方程。模型考虑了轮胎垂向载荷的动态分配、侧偏角计算、滑移率计算等关键因素，并采用魔术公式描述轮胎力特性。文章还给出了转弯制动联合工况下轮胎力的修正方法，以及相关参数的参考值，为车辆动力学仿真和分析提供了理论基础。

【自动驾驶】Autoware 三大版本 ( Autoware.AI | Autoware.Auto | Autoware Core/Universe )Autoware 三大版本 :Autoware 三个版本技术栈相同 , 都是基于高精地图 + 激光雷达 + 摄像头 + 毫米波雷达 + 感知系统 + 预测系统 + 决策规划 + 线控控制实现的自动驾驶 , 技术架构如下图所示 ;

「“嵌”入未来，“式”界无限」从智能家居到工业4.0，从可穿戴设备到自动驾驶，嵌入式技术正以前所未有的深度和广度，悄然重塑我们的世界嵌入式技术在不同领域有着广泛的应用和显著的影响：在智能家居领域，嵌入式技术是连接和控制家庭中所有实体的关键。借助嵌入式技术，物联网能够实现家庭设备的连接，AI 可使家庭设备相互通信并识别居民需求。例如，嵌入式系统可以让智能家电（如智能冰箱、智能空调等）实现远程控制和自动化运行，根据居民的习惯自动调节温度、湿度等环境参数，提升居民的生活便利性和舒适度，让生活更加智能。

PyTorch-CUDA镜像支持自动驾驶感知模块训练你有没有经历过这样的场景：刚接手一个自动驾驶项目，兴冲冲打开代码仓库准备复现SOTA模型，结果一跑 pip install 就报错——CUDA版本不兼容、cuDNN找不到、PyTorch编译失败……🤯 最后花了三天时间配环境，还没开始训练就已经心力交瘁。

基于强化学习的自动驾驶控制本文描述了一种用于自动驾驶汽车的控制系统。该控制系统基于深度神经网络。由于无法预先形成高质量的训练样本，因此考虑使用强化学习。文中还描述了建模环境实现的可能方案。

自动驾驶场景驾驶员注意力安全行为睡驾分心驾驶疲劳驾驶检测数据集VOC+YOLO格式5370张6类别注意数据集是拍摄视频中抽取的图片，可能场景较为单一，拍摄人员数量不多，目测大约有4位左右。主要针对驾驶员不同角度不同行为进行拍摄制作的数据集

方案解读 | 精准感知的基石：OASIS CALIBER 传感器标定方案引言智驾的精准感知需求随着自动驾驶系统向L3+级别迈进，多传感器融合感知已成为实现高可靠性环境感知的必然选择。现代自动驾驶系统通常集成激光雷达、摄像头、毫米波雷达、惯性导航系统等十余个传感器，这些传感器在时间同步和空间坐标统一方面面临严峻挑战。

Co-MTP：面向自动驾驶的多时间融合协同轨迹预测框架在自动驾驶领域，V2X 技术虽能突破单车感知局限，但现有研究难充分利用帧间时间线索支撑轨迹预测。同济大学团队提出 Co-MTP 框架，创新实现历史与未来双时间域融合，以异构图 Transformer 处理不完整历史轨迹、扩展至未来域捕捉交互，在 V2X-Seq 数据集获最优性能，且对噪声和延迟具强鲁棒性。