自动驾驶

地平线开发者

征程 6 | 平台 QAT 精度一致性问题分析流程QAT 训练完成后，从 torch qat 伪量化模型到征程 6 板端部署 hbm 模型之间，有模型 export 导出、convert 转定点、插入前处理节点以及 compile 编译等步骤，在这些步骤中，如果出现精度不一致的情况，说明存在一致性问题。一致性问题分为两类：

退休钓鱼选手

BehaviorTree行为树【调试】 5一个可以运行时动态添加到行为树的观察者类采用观察者模式的非侵入式实现在每个节点状态改变时自动触发回调添加时机：在行为树创建后、开始执行前添加 Logger

uniad模型详细介绍（一）这段代码配置的是一个 UniAD（Unified Tracking and Detection）模型的超参数和架构。

康谋自动驾驶

分享 | 如何做好全自动化ADAS 高精度标注？在ADAS（高级辅助驾驶）开发领域，高质量的标注数据是算法迭代的核心基础。然而，传统依赖人工标注的模式通常成本高昂、周期漫长，每年投入可达数百万美元，处理时间往往需要数月，严重制约了研发效率与项目推进速度。

CUDA 编程完全理解系列（第一篇）：GPU 的设计哲学与硬件架构基础当你打开 Autoware CenterPoint 的源码时，会看到大量 CUDA kernel 和核函数调用。很多人的反应是"代码太复杂，看不懂"。但其实，CUDA 的复杂性不在代码层面，而在思维模式——它要求你用"数据并行"的方式重新思考问题。

OpenEMMA：开源多模态端到端自动驾驶框架全解析在自动驾驶技术飞速发展的今天，端到端系统因其能直接从传感器输入学习驾驶动作、实现整体优化的特性，逐渐成为研究热点。然而，现有端到端模型存在资源需求大、泛化能力弱、闭源限制等问题。由德州农工大学、密歇根大学和多伦多大学联合提出的 OpenEMMA 框架，基于多模态大语言模型（MLLMs），以开源、高效、鲁棒为核心优势，为端到端自动驾驶技术的普及与发展提供了全新解决方案。

避开欧美红海，深耕中东沙漠：萝卜快跑的差异化出海能走多远？出品I下海fallsea撰文I胡不知2026年1月6日，迪拜酋长国的阳光穿透薄雾，落在萝卜快跑一体化运营基地的蓝色顶棚上。当天，这家百度旗下的自动驾驶出行平台，从迪拜道路与交通管理局（RTA）手中接过了全无人驾驶测试许可——这是迪拜首个且唯一的此类许可，意味着萝卜快跑的无人车可在指定区域脱离安全员，仅靠云端监控完成公开道路测试。

VGGT-Long：突破千米级长 RGB 序列单目 3D 重建的极限在自动驾驶、机器人导航等关键领域，从单目 RGB 流中感知 3D 环境是核心技术需求。然而，现有 3D 视觉基础模型在处理千米级、无标定的户外长序列时，往往受限于内存瓶颈和累积漂移问题，难以实现精准且稳定的 3D 重建。近期，来自南开大学和南京大学的研究团队提出了 VGGT-Long 框架，通过 “分块 - 对齐 - 闭环” 的极简设计，成功将单目 3D 重建能力拓展至千米级无界户外场景，无需相机标定和深度监督，性能媲美传统标定方法。

gorgeous(๑>؂<๑）

【中科院-张启超组-AAAI26】WorldRFT: 用于自动驾驶的带强化微调的潜在世界模型规划文章：WorldRFT: Latent World Model Planning with Reinforcement Fine-Tuning for Autonomous Driving

自动驾驶中间件iceoryx - 同步与通知机制（二）本章深入讲解 iceoryx 的通知平面（Notification Plane），包括信号量、WaitSet、回调机制等同步原语的实现与使用。这些机制使得订阅者能够高效地等待数据到达，而不需要轮询。

自动驾驶中间件iceoryx - 同步与通知机制（一）本章深入讲解 iceoryx 的通知平面（Notification Plane），包括信号量、WaitSet、回调机制等同步原语的实现与使用。这些机制使得订阅者能够高效地等待数据到达，而不需要轮询。

CAN系列 — (6) CAN FD 带宽、CPU、中断：工程上是如何一起算的？CAN系列 — (1) 一帧 CAN 报文在 ECU 中的完整生命周期 CAN系列 — (2) CAN 接收中断是如何触发的？一帧一中断真的合理吗？ CAN系列 — (3) Radar Object List 在 MCU 内部是如何被拼装、校验并最终被消费的？ CAN系列 — (4) Radar Header 报文：为什么它是 MCU 感知周期的“锚点” CAN系列 — (5) COM / PduR / CanIf 的职责边界：为什么它们不能互相越界 CAN系列 — (6) CAN FD 带宽、CPU、中

Autoware Universe 感知模块详解 | 第十二节 CUDA 编程基础——CUDA执行模型当我们在上一节中讨论"数据准备层"和"推理层"时，已经提到了 CUDA 加速这个关键词。在 Autoware CenterPoint 的实现中，点云预处理（范围裁剪、多帧融合、坐标变换）、特征编码（VFE 的体素化操作）、甚至某些后处理流程（如范围过滤）都有 CUDA 实现的版本。这不是可选项，而是在边缘设备（如 NVIDIA AGX Orin）上达到实时性能的必要条件。

如何通过选择正确的畸变模型解决相机标定难题在自动驾驶、机器人导航和三维重建等领域，我们常常需要让相机“看到”的二维图像与激光雷达扫描的三维点云精确对齐。这个对齐过程称为“联合标定”或“外参标定”，它决定了相机与激光雷达之间的空间位置关系。

CAN系列 — (8) 为什么 Radar Object List 不适合“直接走 CAN 信号”CAN系列 — (1) 一帧 CAN 报文在 ECU 中的完整生命周期 CAN系列 — (2) CAN 接收中断是如何触发的？一帧一中断真的合理吗？ CAN系列 — (3) Radar Object List 在 MCU 内部是如何被拼装、校验并最终被消费的？ CAN系列 — (4) Radar Header 报文：为什么它是 MCU 感知周期的“锚点” CAN系列 — (5) COM / PduR / CanIf 的职责边界：为什么它们不能互相越界 CAN系列 — (6) CAN FD 带宽、CPU、中

驾驶认知的本质：人类模式 vs 端到端自动驾驶在讨论自动驾驶系统时，一个常见的误解是把“开车能力”等同于“驾驶智能”。事实上，人类驾驶与端到端自动驾驶之间的核心差异，并不在于动作精度或感知能力，而在于认知结构与任务管理模式。

益莱储中国

2026 CES 聚焦 Physical AI：AI 硬件、具身智能、自动驾驶、芯片战争、机器人、显示技术等全面爆发2026年1月6-9日，国际消费电子展（CES 2026）在美国拉斯维加斯开幕，海内外厂商集中展示人形机器人、AI硬件、智能家居等领域的最新成果，全球科技竞争进入新阶段。CES 2026的关键主题围绕Physical AI(物理AI)展开,标志着AI从软件向实体世界的全面渗透。从NVIDIA的Rubin平台到Boston Dynamics的量产Atlas,从量子计算的商业化推进到自动驾驶的突破,技术创新正在加速从概念验证走向实际部署。芯片战争、显示技术革命以及智能家居的AI化,共同勾勒出2026年科技产业

相机与激光雷达联合标定：如何选择高辨识度的参照物在自动驾驶、机器人与三维感知领域，相机与激光雷达是两种互补的核心传感器。联合标定的目标是获取两者之间的精确坐标变换关系，使来自不同传感器的数据能在同一坐标系下对齐，从而完成深度融合与感知任务。

Autoware Universe 感知模块详解 | 第十一节：检测管线的通用工程模板与拆解思路导引第一节里把“为什么要从工业级框架入手、如何用阶段化路线把检测功能包吃透、以及怎样把工程交付与个人能力成长并行推进”这条主线讲清楚了：先跑通闭环，再拆解模块，随后补齐训练—导出—部署—增量更新，最终上升到范式抽象与可迁移能力。但当真正开始进入源码细节时，最容易遇到的困难不是“看不懂某个函数”，而是缺少一个稳定的全局坐标系：不知道某段代码属于整条链路的哪一层、为什么要这样设计、以及出了问题该从哪里排查。

Hyper Agent：企业级Agentic架构怎么实现？在AI技术深度重构企业数字化与自动化体系的进程中，Agentic Architecture正在从“前沿概念”快速演进为企业级系统架构的新范式。与偏重交互体验和单点能力的消费级Agent不同，企业级Agentic架构直接嵌入真实业务流程，连接核心系统、真实数据与组织责任，其成败不取决于模型是否“聪明”，而取决于是否“可控、可治理、可持续”。