自动驾驶

目标检测数据集 - 自动驾驶场景车辆方向检测数据集下载数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主 ~)：目标检测数据集下载大全传送：目标检测数据集大全「包含VOC+COCO+YOLO三种格式+划分脚本+训练脚本」(持续原地更新)

车载Linux 系统问题定位方法论与实战系列 - OOM 与资源耗尽：系统是如何被“慢慢拖死”的在很多工程事故复盘中，OOM（Out Of Memory）并不是“第一现场”。当系统最终 reset、watchdog 触发、服务集体失效时，OOM 往往已经发生在更早之前，只是没有被正确识别、记录或关联。

(9-2-02）自动驾驶中基于概率采样的路径规划：基于Gazebo仿真的路径规划系统（2）文件algorithm.py实现了多种RRT路径规划算法，包括RRT、RRT*和RRT*-FN。该算法利用随机采样和树结构构建来探索环境中的可行路径，并通过优化树结构来改进路径的质量。该代码通过图形表示节点和边，并提供了可视化功能来显示算法的执行过程和执行时间。通过迭代的方式，逐步优化树结构，直到找到最优路径或达到最大迭代次数为止。

地平线开发者

征程 6 算法工具链 | PTQ 深度使用指南这份指南聚焦开发者使用 PTQ 时的实际需求，从 “解决什么问题”“怎么用 PTQ 解决” 的角度，提供实战步骤与技巧，手册（训练后量化 PTQ）中已有的通用内容将直接引用在线链接，避免重复。

自动驾驶雷达干扰缓解：探索主动策略论文精读C. Aydogdu et al., “Radar Interference Mitigation for Automated Driving: Exploring Proactive Strategies,” in IEEE Signal Processing Magazine, vol. 37, no. 4, pp. 72-84, July 2020, doi: 10.1109/MSP.2020.2969319.

车载Linux 系统问题定位方法论与实战系列 - 开篇: 为什么需要一套“系统化”的 Linux 问题定位方法在实际工程中，无论是在服务器、嵌入式设备，还是在车载 SoC 平台上，Linux 系统一旦出现问题，几乎从来不会以“某一行代码报错”这种理想化的形式呈现。

车载Linux 系统问题定位方法论与实战系列 - 系统 reset / reboot 问题定位在车载 Linux 系统中，reset / reboot 不是一个普通现象，而是一条“一级系统事故信号”。

Diffusion-Planner：基于扩散模型的自动驾驶灵活引导闭环规划在复杂开放环境中实现类人驾驶行为是自动驾驶领域的核心挑战。现有基于学习的规划方法（如模仿学习）在平衡多目标、保证安全性方面存在不足，且过度依赖规则化后处理。本文提出一种基于 Transformer 的 Diffusion Planner，首次将扩散模型的强大能力应用于自动驾驶闭环规划。该模型通过联合建模预测与规划任务，利用轨迹得分函数梯度学习和灵活的分类器引导机制，在无需规则化优化的前提下，有效捕捉多模态驾驶行为，同时保证轨迹安全性与适应性。在大规模真实世界数据集 nuPlan 和新增的 200 小时配送

小康小小涵

WSL2安装移植到F盘并集成ubuntu20的ros-noetic微软商店默认安装在 C 盘，所以解决策略是：先安装（临时在 C 盘）-> 导出成文件 -> 彻底卸载 -> 导入到 F 盘。

使用星图AI算力平台训练PETRV2-BEV模型想象一下，当自动驾驶汽车行驶在路上时，它需要通过摄像头、雷达等传感器感知周围环境。这些传感器数据通常是2D图像，而BEV（Bird’s Eye View，鸟瞰图）模型的神奇之处在于，它能将这些不同视角的数据“翻译”成一个从上往下看的统一视图。

(9-2-01）自动驾驶中基于概率采样的路径规划：基于Gazebo仿真的路径规划系统（1）本项目是一个基于Python实现的路径规划系统，利用RRT（Rapidly-Exploring Random Tree）和RRT*（Rapidly-Exploring Random Tree Star）等算法在给定地图中找到起点和终点之间的最优路径。通过读取SDF文件获取地图信息，并利用Matplotlib进行可视化展示。项目提供了RRT、RRT和RRT-FN算法的实现，用户可以根据需要选择不同的路径规划策略，并在可视化界面中观察算法生成的路径。

自动驾驶环境中的车辆目标检测——基于YOLO11-C3k2-RVB的改进算法yolodrive数据集是一个专注于自动驾驶场景下车辆目标检测的数据集，版本为v1，创建于2025年6月9日。该数据集采用CC BY 4.0许可证开放共享，由qunshankj用户提供，并通过qunshankj平台进行管理和标注。数据集包含270张图像，所有图像均采用YOLOv8格式进行标注，仅包含一个类别’car’。在数据预处理阶段，所有图像均进行了像素数据的自动方向调整（剥离EXIF方向信息）并统一调整为640x640像素尺寸（拉伸方式）。为增强数据集的多样性和模型的泛化能力，对每张源图像应用了数据增

王锋(oxwangfeng)

车道线拟合算法--自动驾驶车道线拟合算法车道线拟合是自动驾驶感知层的核心算法之一，核心目标是从相机、激光雷达（LiDAR）/ 点云、高精地图等数据源提取的车道线特征点中，通过数学模型拟合出连续、平滑、鲁棒的车道线轮廓，输出车道线的几何参数（如斜率、截距、曲率、车道宽度等），为下游车道保持、路径规划、车道变换决策等 AD 任务提供精准的车道级几何约束。拟合算法的设计需贴合自动驾驶实际场景（直道 / 弯道、近景 / 远景、遮挡 / 低纹理、高速 / 城区），核心要求是鲁棒性（抗噪 / 抗遮挡）、实时性（车端低算力适配）、准确性（贴

dqn为什么不能自动驾驶DQN 并非完全不能用于自动驾驶，但在真实、复杂的自动驾驶场景中存在严重局限性，导致它通常不是首选或足够可靠的算法。下面从多个角度解释为什么 DQN 在自动驾驶中“行不通”或“不够用”。

CUDA 编程完全理解系列（第二篇）：从 Block 生命周期理解调度在第一篇中，我们从设计哲学层面理解了为什么 GPU 需要大量线程来隐藏内存延迟。下面我们以厨师炒菜为例，复习一下上一篇的核心思想。厨师（核心）炒菜太快，但是配菜时间太长，所以多加几个灶台和配菜地方，厨师优先去准备好的灶台工作，其他灶台备菜，厨师工作完毕，然后“瞬间移动”去其准备好的灶台继续工作，而行政总厨（warp scheduler）负责调度，最大限度发挥厨师的工作效率，减少其等待切配的时间。

（7-3）自动驾驶中的动态环境路径重规划：实战案例：探险家的行进路线本节的项目将解决一个问题：假设你是一名探险家，需要从地图的起点（红色）到达终点（绿色），但这不是一条普通的路径。地图上有一些障碍物（黑色区域），你需要在不触碰这些障碍物的情况下找到一条通往终点的道路。你的任务是使用Python设计D*算法，能够找到一条避开障碍物的最短路径。本项目的目标如下所示：

棒棒的皮皮

【深度学习】YOLO 模型典型应用场景分析（安防 / 自动驾驶 / 工业质检 / 医疗影像 / 智慧城市）YOLO（You Only Look Once）系列模型凭借实时性强、精度高、部署灵活的核心优势，已成为计算机视觉领域目标检测任务的主流算法。尤其在 YOLOv8/v11 等新版本中，通过轻量化设计、多尺度检测、高效推理优化，进一步适配了不同行业的落地需求。以下从五大核心应用场景出发，分析 YOLO 的技术适配方案、落地挑战及优化策略。

构建AI时代的自动驾驶网络：HPE的匠心与巧思在企业级应用场景中，人工智能（AI）技术必将重塑架构、应用和生态。但AI在改变这一切的同时，也在呼唤能够满足其应用所需的底层基础设施的支持。因此，AI原生的基础架构，包括AI原生的计算、存储和网络成了业内关注和研究的重点。

目标检测数据集 - 自动驾驶场景自行车骑行者检测数据集下载数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主 ~)：目标检测数据集下载大全传送：目标检测数据集大全「包含VOC+COCO+YOLO三种格式+划分脚本+训练脚本」(持续原地更新)

（8-3-02）自动驾驶中的无地图环境路径探索：D* Lite路径规划系统（2）文件d_star_lite.py实现了 D* Lite 算法的关键部分，包括计算路径、更新路径、扫描障碍物、移动并重新扫描等功能。具体来说，文件d_star_lite.py定义了计算 D* Lite 算法中路径的函数，包括计算顶部键、启发式函数、更新顶点、计算最短路径、寻找下一个最短路径、扫描障碍物、移动并重新扫描等功能。这些函数可以实现在动态环境中实时更新路径规划，并根据环境变化进行路径的调整和优化。