自动驾驶

数字芯片实验室

特斯拉HW5要上3nm工艺，自动驾驶芯片的军备竞赛据最新消息，特斯拉正在与台积电合作，准备用N3P工艺生产下一代自动驾驶芯片HW5（内部代号AI5）。如果消息属实，这颗芯片的算力将达到2000-2500 TOPS，比现在的HW4强4到5倍。2026年开始量产。

小虎卫远程打卡app

自动驾驶避障思考截至2025年，高速摄像机的“最高速度”因用途不同而有所差异，一般从几万帧每秒（fps）到上亿帧每秒不等。下面按用途列出目前已知的一些顶级水平：

PyTorch 中torch.clamp函数使用详解和实战示例torch.clamp 是 PyTorch 中的一个非常有用的函数，它可以将张量的每个元素限制在一个指定的范围内，超出范围的元素将被裁剪为边界值。

需求初步探讨-从OR-AR定义和作用角色和作用‌OR（Offering Requirement，产品包需求）OR是来自公司内、外部的原始需求，是需求管理的基础‌

地平线开发者

地平线高效 backbone: HENet - V1.0为了提供针对征程 6 系列芯片专门设计的高效 backbone，我们充分利用了征程 6 芯片的硬件特性，设计了高效模型 HENet （HybridEfficient Network）。

摘取一颗天上星️

自动驾驶技术路线之争：视觉派、激光雷达派与融合派，谁将引领未来？自动驾驶的赛道上，科技巨头、传统车企和初创公司纷纷亮出“看家本领”。但你是否注意到，不同玩家的“眼睛”和“大脑”配置大相径庭？特斯拉CEO马斯克曾称“激光雷达是徒劳的拐杖”，而国内华为、小鹏等企业则坚定拥抱激光雷达。这背后是技术路线选择的根本差异。本文将深入剖析自动驾驶的主流感知方案，解析其原理、优劣与未来走向。

MPDrive：利用基于标记的提示学习提高自动驾驶的空间理解能力MPDrive: Improving Spatial Understanding with Marker-Based Prompt Learning for Autonomous Driving

【论文解读】AgentThink：让VLM在自动驾驶中学会思考与使用工具1st authorpaper: [2505.15298] AgentThink: A Unified Framework for Tool-Augmented Chain-of-Thought Reasoning in Vision-Language Models for Autonomous Driving

数据堂官方账号

七大技术路线解析：自动驾驶如何被数据重新定义自动驾驶技术从实验室的算法验证走向大规模量产应用，是一场充满挑战的征程。这段征程的核心驱动力，不仅是芯片和传感器的升级，更是一场关于数据的“喂养”竞赛——从简单的像素标注到多模态大模型的理解，数据需求的演变悄然推动着自动驾驶的每一次跨越。

地平线开发者

BEV 感知算法评价指标简介智能驾驶感知模块可以根据目标的属性和环境信息，分为三类关键任务：动态感知任务、静态结构感知任务和可通行区域（Freespace）感知任务。本文将介绍三大任务中常见的精度评价指标。如果有不正确的地方，欢迎评论指正。

CoLMDriver：基于LLM的协同自动驾驶《CoLMDriver: LLM-based Negotiation Benefits Cooperative Autonomous Driving》

ROS 2安装 slam_toolboxSlam Toolbox是一套用于2D Slam的工具。主要功能包括：1.建图、保存地图pgm文件 2.细化地图、重新建图或在已保存的地图上继续建图 3.长期建图：加载已保存的地图继续建图，同时从新的激光点云中删除无关信息 4.在已有的地图上优化定位模式。也可以使用“激光雷达里程计”模式在没有建图的情况下运行定位模式 5.同步、异步建图 6.动态地图合并 7.基于插件的优化求解器，带有一个新的基于谷歌 Ceres 的优化插件交互的RVIZ插件 8.提供RVIZ图形操作工具，用于在建图期间操作节点和连接地图

【AI】模型vs算法（以自动驾驶为例）结论写在前面，模型是“自动驾驶的大脑结构”（长什么样），算法是“让这个大脑学会开车的方法”（怎么训练、怎么思考）。

自动驾驶+人形机器人？亚马逊即将测试人形机器人送货据报道，亚马逊即将在其旧金山办公室的“人形公园”内测试人形机器人，以取代部分人工配送岗位，削减运营成本；公司还同时在测试Rivian电动货车与机器人的互动，为其主营业务——全球包裹配送——的自动化铺平道路。

翻滚的小@强

自动驾驶科普(百度Apollo)学习笔记在过去的几年里，自动驾驶技术取得飞速发展，人类社会正逐渐走向一个新时代，这个时代中，汽车不仅仅是一个交通工具，更是一个智能的、能够感知环境、做出决策并自主导航的机器伙伴。现在正好也从事这块的工作，所以想把这方面的学习笔记也沉淀一下。

从零开始学习人工智能

从游戏到自动驾驶：互联网时代强化学习如何让机器学会自主决策？你有没有玩过《超级马里奥》？当你操控马里奥躲避乌龟、跳过悬崖时，其实就在用一种“试错”的方法学习最优路径。强化学习（Reinforcement Learning, RL）就是让机器像人类玩游戏一样，通过不断尝试和环境反馈来学会做决策的技术。只不过机器的“游戏”可能是开车、下棋、推荐商品等更复杂的场景。

智能汽车人

自动驾驶---SD图导航的规划策略在之前的博客《自动驾驶---方案从有图迈进无图》中笔者介绍了自动驾驶方案从有图到无图的发展历程。其中，自动驾驶从HD图（Highlight Definition Map）到SD图（Standard Definition Map，标准定义地图）的过渡，涉及到自动驾驶系统中地图数据的使用和依赖程度的变化。甚至未来要探索的真正的无图，类似人在野外迷路，并且只有指南针的场景。这种时候自动驾驶车辆应该怎么开？

AlphaDrive：通过强化学习和推理释放自动驾驶中 VLM 的力量AlphaDrive: Unleashing the Power of VLMs in Autonomous Driving via Reinforcement Learning and Reasoning

【AI】智驾地图在不同自动驾驶等级中的作用演变核心演变规律：地图正经历从静态空间描述工具（L2）→ 动态决策知识引擎（L3）→ 云端协同智能体（L4）的范式转移。在L4阶段，部分功能看似权重降低，实则是技术架构的重构（如定位依赖度下降对应多传感器融合定位成熟）。

汽车安全：功能安全FuSa、预期功能安全SOTIF与网络安全Cybersecurity 解析现代汽车已成为装有数千个传感器的移动计算机，安全挑战比传统车辆复杂百倍。随着汽车智能化、网联化飞速发展，汽车电子电气架构已从简单的分布式控制系统演变为复杂的移动计算平台。现代车辆包含上百个电子控制单元（ECU），通过车内网络紧密相连，同时与外部环境保持实时通信。