自动驾驶

突破自动驾驶瓶颈！KoMA：多智能体与大模型的完美融合本推文主要介绍了由来自北京航空航天大学的姜克谋、蔡轩和崔智勇教授等共同提出的一种名为KoMA的知识驱动的多智能体框架。论文《KoMA: Knowledge-driven Multi-agent Framework for Autonomous Driving with Large Language Models》提出了KoMA框架，通过结合大语言模型（LLM）和多智能体协作，显著提升了自动驾驶系统在复杂环境下的决策效率与安全性。该框架具备多步骤规划、智能体间共享记忆模块以及基于排名的反思优化机制，可以有效

自动驾驶系列—面向自动驾驶的模型迭代：工具、平台与最佳实践🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。

自动驾驶系列—自动驾驶数据脱敏：保护隐私与数据安全的关键技术🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。

自动驾驶系列—深入解析自动驾驶车联网技术及其应用场景🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。

标贝科技：AI基础数据服务，人工智能行业发展的底层支撑近年来，随着不同大模型在语言理解及生成等领域的出色表现，大模型别后的规模规律不断强化数据在要提升AI性能上的关键作用，AI数据服务可加速高质量数据的获取与标注，推动AI算法的创新与持续优化，是AI产业发展的基础。加速高质量数据的获取与标注，推动AI算法的创新与持续优化，是未来人工智能行业发展的大势所趋。

轨迹优化 | 基于Savitzky-Golay滤波的无约束路径平滑(附ROS C++/Python仿真)🔥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

智能汽车人

自动驾驶---行泊一体（车位到车位功能）量产行泊一体是智能驾驶领域的一个发展方向，也是完整功能的一种体现。早期行泊一体的概念指的是：将原本独立的行车和泊车功能集成在一个域控制器中，实现传感器深度复用和计算资源共享；但是随着技术的发展，不仅仅局限于控制器的共享，甚至可以集成在同一个planner下（不论是大模型planner还是传统的planner）。

学术搬运工

【征稿倒计时！华南理工大学主办 | IEEE出版 | EI检索稳定】2024智能机器人与自动控制国际学术会议（IRAC 2024）#华南理工大学主办！ #IEEE出版！EI稳定检索！ #组委阵容强大！IEEE Fellow、国家杰青等学术大咖领衔出席！ #会议设置“优秀论文”“优秀青年学者报告”“优秀海报”等评优奖项

自动驾驶系列—自动驾驶中的短距离感知：超声波雷达的核心技术与场景应用🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。

自动驾驶3D目标检测综述（二）文章地址：[2206.09474] 3D Object Detection for Autonomous Driving: A Comprehensive Survey (arxiv.org)

清华大学提出基于ESKF的松耦合里程计RINO：一种具有非迭代估计的精确、稳健的雷达惯性里程计精确的定位和建图对于实现自动驾驶车辆的自主导航至关重要。然而，当GNSS信号失效或在极端天气条件（例如雾、雨和雪）下，车体运动估计仍然面临重大挑战。近年来，扫描雷达因其较强的穿透能力成为一种有效的解决方案。然而，扫描雷达数据本质上噪声较高，需通过成百上千次的优化迭代，才能从这些噪声数据中估计出可靠的转换结果。这种迭代求解既耗时、不稳定，又容易失败。为了解决这些挑战，我们提出了RINO，一种准确且稳健的雷达惯性里程计系统，它采用非迭代的求解方法。该方法分离旋转和平移估计，并通过自适应投票机制进行2D旋转估计

GOSIM 全球开源创新汇

对话 OpenCV 之父 Gary Bradski：灾难性遗忘和持续学习是尚未解决的两大挑战 | Open AGI Forum作者 | Annie Xu采访、责编 | Eric Wang出品丨GOSIM 开源创新汇Gary Bradski，旺盛的好奇心、敢于冒险的勇气、独到的商业视角让他成为计算视觉、自动驾驶领域举重若轻的奠基者。

AI+自动驾驶自动驾驶也可以称为无人驾驶，指依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。先进驾驶辅助系统（Advanced Driver Assistant System，ADAS）利用安装于车上的各式各样的传感器，在第一时间收集车内外的环境数据，从而能够让驾驶者以最快的时间察觉可能发生的危险。 ADAS 采用的传感器主要有摄像头、雷达、激光和超声波。ADAS 与自动驾驶的区别在于： ADAS 可以视为自动驾驶实现的一个路径，ADAS

自动驾驶合集（更新中）车辆模型基础合集控制合集规划合集

高翔【自动驾驶与机器人中的SLAM技术】学习笔记（十三）图优化SLAM的本质我从b站上学习理解的这个概念。视频的大概位置是1个小时以后，在第75min到80min之间。图优化SLAM是怎么一回事。

康谋自动驾驶

康谋分享 | 确保AD/ADAS系统的安全：避免数据泛滥的关键为确保AD/ADAS系统的安全性，各大车企通常需要收集、处理和分析来自于摄像头、激光雷达等传感器的数据，以找出提高系统安全性和性能的方法。然而在数据收集过程中，不可避免地会出现大量无价值数据，造成数据泛滥的情况，进而影响数据的分析处理进程。为此，本文将为大家分享如何通过合适的指标及分析工具，实现数据的高效管理、解读和正确分析，以避免数据泛滥的不利影响！

自动驾驶系列—自动驾驶车辆的姿态与定位：IMU数据在复杂环境中的关键作用🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。

自动驾驶仿真：软件在环（SIL）测试详解（精简版入门）自动驾驶技术的快速发展对测试验证提出了更高要求。软件在环（Software-in-the-Loop，简称SIL）仿真测试作为自动驾驶系统验证的重要手段，通过将自动驾驶的控制软件与虚拟仿真平台结合，实现对自动驾驶系统的软件功能、稳定性和安全性的全面测试。

自动驾驶仿真软件在环测试自动驾驶仿真软件在环测试什么是SIL （what is software in the loop）？

【金猿案例展】上海汽检——智能网联自动驾驶交通事故原因分析服务平台‍零数科技案例本次项目案例由零数科技投递并参与“数据猿年度金猿策划活动——2024大数据产业年度创新服务企业榜单/奖项”评选。