自动驾驶

别动我齐刘海

机器人运动控制学习4——状态估计 State Estimation我们会继续用大白话把这些讲明白：把这块学懂之后，你就会开始真正理解：控制器不是直接控制“真实机器人”，而是在控制“状态估计器告诉它的那个机器人”。

无人车供电闪断数据丢失？SV920网联域控制器掉电保护方案 | 星创易联无人车商业化加速落地，5G 通信、TSN、智驾算力成为行业热议焦点，但车载供电闪断、突发掉电引发日志丢失、系统宕机、现场运维成本高企，已经成为制约矿卡、港口集卡、园区无人车批量商用的隐形卡点。在实景复杂工况下，硬件可靠性才是规模化运营的底层基石。依托车规级硬件可靠性设计，星创易联SV920网联域控制器以原生硬件级掉电保护能力，补齐极端工况下的车载系统安全短板，为无人车7×24小时常态化商用运营筑牢底层保障。

weixin_44626085

G‑MARK：基于知识图谱的协同自动驾驶接地多智能体推理框架论文来源：arXiv:2608.19964v1自动驾驶系统运行在部分可观测环境下，安全关键目标可能被遮挡，仅能被周边联网车辆观测。车‑车协同可以降低这种不确定性，但现有协同驾驶方法大多将多智能体证据压缩为隐式特征或者多模态隐藏状态。该处理方式会丢失关键信息：哪个智能体观测到该目标、自车是否可以看到该目标、冲突证据如何影响下游决策。

吃旺旺雪饼的小男孩

自动驾驶图像分割开源数据集指南（2026）做分割几乎都从 Cityscapes 下起，下完才发现：BDD 名字带 100K，有分割标签的只有 10K；*_color.png 不能当监督；SYNTHIA 的 13/16 类 mIoU 和 Cityscapes 19 类不能写在同一格。下面按任务和场景整理我核对过官网的集合，只收带像素级或点级分割标注的。命令以 2026-08 仍能打开的入口为准，404 时回到项目主页，不要死磕旧直链。

2025 AI编程进入“自动驾驶“时代：我用MonkeyCode把Agent、MCP和AI原生工作流跑通了2025年，AI领域最大的变化，不是某个模型的参数又翻了几倍，而是AI开始从"聊天工具"变成"生产力工具"。作为一线开发者，这一年来我最深的感受是：当大家都在讨论"AI会不会取代程序员"的时候，真正聪明的做法，是赶紧把AI变成自己的同事。

【深度】打破IoT“米级”魔咒：当RTK SDK遇上具身智能与工业互联，厘米级定位如何重塑边缘计算？过去十年，物联网解决了设备“在线”的问题。我们通过NB-IoT、4G/5G模组让数以亿计的设备连上云端。但在2024年的今天，随着具身智能（Embodied AI）和低空经济的爆发，行业对IoT设备的诉求发生了质变：不仅要“在线”，更要精确地知道自己“在场”的位置。

地平线开发者

征程6｜YOLOv5x 在 Horizon 征程6 上的端到端部署实践（下）上篇完成了模型从 PyTorch 到 HBM 的转换。本篇继续介绍板端 C++ 推理部署，包括 NV12 输入构造、UCP/DNN API 调用、YOLOv5 输出解析、交叉编译、板端运行以及 mAP 精度评估。

亚远景aspice

亚远景-GB44721‑2026 自动驾驶安全文档体系：依托ASPICE构建合规交付包随着 GB 44721‑2026 智能网联汽车自动驾驶系统安全要求将于 2027‑07‑01 正式实施，安全文档交付包成为车企与零部件供应商准入的必备材料。不少企业面临双重文档负担：既要满足 ASPICE 过程评估产出，又要补齐国标规定的安全文档，两套体系独立编写极易出现信息不一致、工作量倍增的问题。

爱分享的康康

解锁路测数据价值｜康谋自动驾驶采集‑分析全链路方案解读高阶 ADAS 与自动驾驶研发中，大量实车路测产生多传感器原始数据，如何完成高效采集、可靠存储、时序校准、离线复盘，再把真实路测数据用于 HiL 仿真回放与感知算法验证，是行业落地的关键闭环。康谋自动驾驶采集‑分析全链路方案，以 BRICK2、BRICK2 X11、DATALynx ATX4 为主机硬件，搭配 MDILink、NETLion 信号转换单元、BRICK 系列热插拔存储、XTSS 全域时间同步服务、ADTF 数据分析软件，覆盖采集‑存储‑时序校准‑离线分析‑仿真回放完整工作流，适配初创车企、

案例分享｜ Latitude AI × Parasoft：搭建 L2-L3 自动驾驶量产验证与功能安全完整链路伴随 L2 至 L3 级 ADAS 大规模量产落地，自动驾驶软件多层架构协同迭代、多车型跨平台复用、ISO 26262 功能安全审计等多重压力叠加，大量车企面临测试资产迁移成本高、覆盖率口径不统一、合规证据事后整理难度大等行业共性痛点。

地平线开发者

BEVdet模型解析Image-view Encoder：对环视相机图像进行特征提取 View Transformer：将图像视角特征转换为鸟瞰图(BEV)特征 BEV Encoder：对BEV特征进行编码增强 Head：完成最终的目标检测

中间件—zenoh零基础入门zenoh是一个开放的协议，与传统协议仅能覆盖单一协议栈层级不同，Zenoh 的设计从微控制器端无缝跨越至多数据中心云部署——全程仅需一套统一的 API，且线路开销仅为 5 字节，其具有以下特点：

康谋自动驾驶

高保真+强可控：自动驾驶仿真的混合渲染方案自动驾驶的研发高度依赖数据，但行业仿真测试主流路线各有短板：传统仿真器（如CARLA）基于游戏引擎思路，场景可控、物体可任意摆放，但画质不够真实，仿真数据与真实世界之间存在明显的“域偏移”——仿真环境里训练良好的算法，部署到实车上表现常打折扣。同时，构建高精度三维环境也需要大量人工。

康谋自动驾驶

GMSL2相机ROS2采集链路：多相机时序偏差降低方案在自动驾驶感知算法的实车路测与闭环验证中，GMSL2车载相机已是前装主流视觉传感器。然而，GMSL2采集过程中工程师也常面临一些棘手问题：

基于Diffusion的轨迹优化：扩散模型在自动驾驶中的原理、架构与落地挑战自动驾驶的核心难点从来不是"感知精度"，而是多模态未来、不确定性、长尾场景。用一句话概括：未来不是一个点，而是一个分布。

AI数据标注猿

自动驾驶数据标注：从劳动力套利到系统能力竞争自动驾驶标注公司请注意：靠堆人赚钱的时代结束了。自动驾驶行业，正在发生一个明显变化。过去，数据标注公司拼的是，谁能招到更多人、组建更大团队、在更短时间内完成更多数据。

计算机魔术师

工信部发布首部L3/L4自动驾驶系统安全要求强制性国标，2027年7月实施从推荐到强制，一字之差，是自动驾驶从「可以试试」到「必须达标」的质变。安全不是自动驾驶的附加题，而是入场券。

小玮看世界

[Python]自动驾驶感知与决策练习题 (1-10)本系列包含 10 道 Python 编程练习题，围绕自动驾驶系统的感知与决策这一真实工程场景展开。题目由浅入深，涵盖基础仿真、数据校验、多传感器融合、多帧跟踪、车道级统计等核心模块。旨在帮助学习者：

上交严骏驰团队开源生成式仿真Point as Skeleton：闭环自动驾驶全新渲染方案「点云做“骨架”，扩散做“血肉”」目录01 三大核心配套模块1.1 Reset-and-Roll：适配仿真交互的改良滚动扩散

Mobileye 3.0：自动驾驶科技问题基本解决，Shashua押注物理AI作者 |德新编辑 |王博创业27年后，Mobileye的创始人Amnon Shashua教授决定卸任CEO。这不是一次普通的管理层更替，而是这位自动驾驶领域最重要的科学家之一，认为我们正在步入自动驾驶后一个全新的时代。