自动驾驶

奔袭的算法工程师

CRN源码详细解析（4）-- 图像骨干网络之DepthNet和ViewAggregation系列文章见CRN源码详细解析（1）-- 框架RVTLSSFPN类继承BaseLSSFPN，两个类中都有DepthNet，但两个是不一样的，可以查看代码，BaseLSSFPN的是这这样：

hjs_deeplearning

文献阅读篇#12：自动驾驶中的基础模型：场景生成与场景分析综述（3）（翻译）自动驾驶中的基础模型：场景生成与场景分析综述文章发表于预印本：Foundation Models in Autonomous Driving: A Survey on Scenario Generation and Scenario Analysis

hjs_deeplearning

文献阅读篇#11：自动驾驶中的基础模型：场景生成与场景分析综述（2）（翻译）自动驾驶中的基础模型：场景生成与场景分析综述文章发表于预印本：Foundation Models in Autonomous Driving: A Survey on Scenario Generation and Scenario Analysis

奔袭的算法工程师

CRN源码详细解析（2）-- 图像骨干网络之Resnet18系列文章见CRN源码详细解析（1）-- 框架模型在camera_radar_net_det.py文件中定义，入口在CRN_r18_256*704_128*128_4key.py中，模型类的最后几行代码

不做无法实现的梦～

PX4怎么使用使用PlotJuggler分析PX4日志这是一个很好用来调试px4日志的工具，当然不只是px4,其他日志也可以安装教程参考我之前的文章：https://blog.csdn.net/2301_79618994/article/details/153567728?spm=1001.2014.3001.5502

虹科网络安全

艾体宝方案 | 释放数据潜能 · 构建 AI 驱动的自动驾驶实时数据处理与智能筛选平台随着自动驾驶技术从原型验证迈向规模化商用，研发范式正经历从“以算法为中心”向“以数据为中心”的根本性转变。海量、高维、多模态的道路采集数据，已不再只是测试过程中的副产物，而是驱动算法持续演进、提升系统安全冗余和泛化能力的核心生产资料。

不做无法实现的梦～

使用ros2来跑通mid360的驱动包mid360的驱动已经适配ros2了接下来是详细的跑通步骤目录结构：这个是对应的目录结构修改需要把pcakage_ROS2.xml修改成package.xml这样才能被ros2识别

智慧医院运行管理解决方案专家

当医院安全进入“自动驾驶”时代：AI机器人医院安全值守日记凌晨三点，医院的走廊终于安静下来。我像过去十几年一样，盯着监控大屏熟悉的画面。对讲机里传来巡逻队员略带疲惫的汇报：“三楼东区，一切正常。”

渡众机器人

开启智慧交通教学新篇章——智能网联车路协同沙盘让前沿科技，走进你的课堂当智能网联汽车从概念驶入现实，我们需要培养更多未来的交通工程师与技术人才。北京渡众机器人科技有限公司的智能网联车路协同教学沙盘，正是为高职与高等院校量身打造的沉浸式、高互动、全场景教学解决方案。它将复杂的车路协同（V2X）技术、自动驾驶逻辑与城市交通管理，微缩于方寸之间，让抽象理论触手可及。

突破边界，智联未来：赋能远程控制新体验突破边界，智联未来AIR SC6N0-C 赋能远程控制新体验在机器人巡检的道路之上，在自动驾驶的智能座舱之中，在每一次需要毫秒级响应的远程控制场景里，低延迟、高画质的实时传输，早已成为技术突破的核心命题。视程空间AIR SC6N0-C基于 Orin™ NX 平台构建而来，正是为打破这一技术瓶颈而生的硬核解决方案。

AD-GS：面向自监督自动驾驶场景的目标感知 B 样条高斯 splatting 技术在自动驾驶仿真领域，动态城市驾驶场景的建模与渲染至关重要。高质量的场景渲染能够为自动驾驶算法的训练和测试提供逼真的虚拟环境，然而当前主流方法却面临着两难困境：一方面，依赖人工 3D 标注的方法虽然能实现高质量渲染，但标注成本极高，严重限制了其大规模应用；另一方面，自监督方法虽无需人工标注，但在动态目标运动捕捉的准确性和场景分解的合理性上存在明显不足，常常导致渲染伪影。

王锋(oxwangfeng)

自动驾驶领域OCC标注OCC 标注（占据栅格标注）是自动驾驶环境感知的核心标注方案，其逻辑是将车辆周围的三维空间离散为规则的 “栅格”，并标注每个栅格的「是否被物体占据、占据类型、置信度」等信息。

布谷鸟科技cookoo

布谷鸟科技走进小鹏汽车，解构远程驾驶全栈解决方案1月15日由深圳汽车电子行业协会与小鹏汽车联合主办的行业技术展圆满落幕。布谷鸟科技受邀参加本次盛会，并系统性地向产业界展示AutoWheel-远程驾驶全栈解决方案。

数据与后端架构提升之路

实战：手搓一个“BEV 级”自动驾驶训练加速平台 —— 当 RTX 4090 遇上多模态数据导读：在自动驾驶算法（如 BEVFusion, UniAD）大行其道的今天，训练平台面临前所未有的挑战：不仅要处理高清图像，还要实时吞吐数百万级的 LiDAR 点云。传统的 DataLoader 在多模态数据面前脆弱不堪。本文将揭秘如何利用 NIXL 实现点云/图像的异构并发加载，并用 Triton 手写 Voxelization（体素化）算子，将多模态训练流水线加速 10 倍。

Ubuntu18.04下面配置阿木实验室amov仿真系统Promethus的一系列运行环境官方安装教程 https://docs.amovlab.com/prometheus-wiki/#/src/%E5%BF%AB%E9%80%9F%E4%B8%8A%E6%89%8B/Prometheus%E4%BB%BF%E7%9C%9F%E7%8E%AF%E5%A2%83%E9%85%8D%E7%BD%AE_Ubuntu/Prometheus%E4%BB%BF%E7%9C%9F%E7%8E%AF%E5%A2%83%E9%85%8D%E7%BD%AEUbuntu

康谋自动驾驶

汽车多总线数据采集：挑战、架构与同步策略全解析每一次极端天气下的紧急制动，每一段复杂路况中的精准识别，本质都在考验算法对现实世界的适应能力。因此，我们可以看到在智能辅助驾驶从“功能验证”到“场景攻坚”的关键阶段，真实、高质量的数据是算法性能提高的基石。尤其在极端天气、颠簸路面和电磁干扰等恶劣工况下，如何实现多源传感器数据的高可靠采集、高精度同步与高效率处理，是行业中常遇到的难题。

轨迹优化 | 微分动态规划DDP与迭代线性二次型调节器iLQR理论推导🔥课设、毕设、创新竞赛必备！🔥本专栏涉及更高阶的运动规划算法轨迹优化实战，包括：曲线生成、碰撞检测、安全走廊、优化建模(QP、SQP、NMPC、iLQR等)、轨迹优化(梯度法、曲线法等)，每个算法都包含代码实现加深理解

无人驾驶物流车网关的多路CANFD冗余架构与通信可靠性分析摘要：随着L4级自动驾驶技术在末端物流场景的规模化部署，无人驾驶物流车对车载网关系统的实时性、可靠性与功能安全性提出了前所未有的严苛要求。控制器局域网络灵活数据率（CANFD）协议作为新一代车载通信标准，在兼容传统CAN总线的基础上实现了数据传输速率的显著提升，但其单向传输特性与物理层脆弱性在复杂电磁环境与持续运营工况下暴露出可靠性瓶颈。本文以国科安芯ASM1042系列高可靠CANFD收发器为核心硬件载体，系统综述多路CANFD冗余架构的设计方法学，深度剖析主备冗余拓扑、动态故障切换机制与多层次故障检测策

自动驾驶数据标注-L4-L5级别的数据挑战“我们需要标注5000万张图片，但只有6个月时间…”这是某自动驾驶公司CTO的真实困境。L4/L5级别的自动驾驶系统，对数据标注的需求是天文数字级别的。这不是夸张，而是现实。