自动驾驶

自动驾驶—CARLA仿真（2）入门指南CARLA 仿真器是一套面向自动驾驶（AD）及其他机器人应用的综合性合成训练数据生成解决方案。CARLA 能够模拟高度逼真的环境，复现现实世界中的城镇、城市和高速公路，以及在这些道路空间中行驶的车辆和其他物体。

自动驾驶—CARLA 仿真（1）安装与demo测试CARLA（Car Learning to Act）是一个开源的、高度模块化的自动驾驶仿真平台，专为自动驾驶算法的开发、训练和验证而设计。它基于 Unreal Engine（虚幻引擎）构建，能够提供逼真的城市驾驶环境、高保真传感器模拟以及灵活的API接口，广泛应用于学术研究和工业界。

智能交通顶刊TITS论文分享｜如何让自动驾驶模型感知驾驶风格和自动理解周围车辆意图？请看此文本推文介绍了智能交通领域顶级期刊IEEE Transactions on Intelligent Transportation Systems（简称为TITS）的一篇论文《StyleFormer:Multi-Agent Joint Trajectory Prediction and Planning in Urban Environments With Driving Style Awareness》。该论文提出了一种基于驾驶风格感知的轨迹预测与规划框架StyleFormer，旨在解决自动驾驶车辆在城市复

Luminbox紫创测控

汽车自动驾驶的太阳光模拟应用研究自动驾驶系统的安全性与可靠性，高度依赖于其在复杂多变光照环境中的稳定表现。其中，高动态范围的自然光照是挑战车载感知系统的关键因素。紫创测控luminbox太阳光模拟器作为能够精确复现光照辐射的室内测试装备，通过提供可控、可重复的测试环境，已成为汽车自动驾驶研发、验证与标定过程中不可或缺的核心工具。

ARM+FPGA+AI工业主板定制专家

基于JETSON ORIN+FPGA+GMSL+AI的高带宽低延迟机器视觉方案GMSL高带宽接入依托GMSL 2协议，具备优异的抗干扰性能与长距离传输能力，可有效解决机器人控制器与摄像头之间的远距离部署难题。通过GMSL与MI PI-CSI VC多通道合并技术，能够高效整合多路摄像头数据，大幅精简线束数量。

CenterPoint：基于中心点的 3D 目标检测与跟踪框架在自动驾驶等依赖强 3D 感知能力的领域中，3D 目标检测与跟踪是核心技术之一。传统基于锚框（Anchor-based）的 3D 检测方法，在处理旋转目标、稀疏点云等问题时面临诸多挑战。由 UT Austin 团队提出的 CenterPoint 框架，创新性地采用基于中心点（Center-based）的表示方法，将 3D 目标建模为点而非边界框，极大简化了检测与跟踪流程，同时在性能上实现了突破性提升。

PointPillars：激光雷达点云 3D 目标检测的高效编码器方案在自动驾驶等机器人应用中，基于激光雷达（LiDAR）点云的目标检测是核心技术之一。激光雷达能够生成高精度的 3D 环境点云，为目标定位提供可靠的空间信息，但点云的稀疏性、3D 特性与传统 2D 卷积神经网络（CNN）的适配问题，一直是制约检测性能与速度的关键瓶颈。

不断学习加努力

几种自动驾驶框架简要梳理本文简单梳理了现有的几种自动驾驶框架。大名鼎鼎的appollo算法这个我已经写烂了，乘用车的一套开源算法，在自动驾驶开源算法领域称得上第一。

康谋自动驾驶

赋能智慧隧道施工：工程车辆多模态数据采集系统随着智慧工地与无人化施工技术的推进，隧道施工装备的数字化转型已成为行业焦点。近期，在和众多该类客户的沟通过程中，我们观察到了一些被频繁提到的客户需求和场景痛点，针对于此，以隧道运输设备——MSV胶轮车为例，本文为该类客户量身定制了一套高性能多模态数据采集方案。

像风没有归宿a

自动驾驶汽车黑客攻击：如何保障车联网安全？随着自动驾驶技术从L2级辅助驾驶向L4/L5级完全无人驾驶迈进，汽车已不再是单纯的机械交通工具，而是融合了传感器、人工智能算法、5G通信和云计算的"移动智能终端"。车联网（V2X）技术让车辆与车辆（V2V）、基础设施（V2I）、云端（V2N）实时交互，实现协同感知与决策。然而，这种高度互联的特性也使自动驾驶汽车成为黑客攻击的"高价值目标"——一旦车载系统被攻破，不仅可能导致隐私泄露，更可能引发交通事故甚至系统性瘫痪。如何保障车联网安全，已成为自动驾驶商业化落地的关键挑战。

小猫挖掘机（绝版）

在Ubuntu 20.04 部署DiffPhysDrone并在Airsim仿真完整流程DiffPhyDrone是上海交大实验室发布在2025年Nature子刊上的端到端自主导航方案。使用12×16超低分辨率深度图作为输入，使用仅3层CNN的超小神经网络实现端到端自主飞行，可部署于150元廉价嵌入式计算平台。目前已开源，可在本地部署。下面我将介绍本地部署的流程，注意下面的内容是CUDA 12.8和CUDA 11.8混杂介绍的，请你根据你的显卡版本，选择调整相应指令，安装一种CUDA版本即可，建议50系列选择12.8，其余选择11.8。

从试错学习到安全进化：强化学习重塑自动驾驶决策与控制目录一、引言二、自动驾驶任务与强化学习问题建模2.1 自动驾驶系统架构与层次化任务划分2.2 马尔可夫决策过程建模

地平线开发者

开发者 | 2025 智能驾驶开发者系列培训在京顺利召开！11 月 30 日，由地平线、中国汽车工程学会主办，联合中国智能网联汽车产业创新联盟打造的 2025 智能驾驶开发者系列培训在北京圆满落幕。本次培训吸引了北京理工大学、吉林大学、长安大学、一汽、广汽、比亚迪、蔚来汽车、赛力斯、中信科智联、北斗智联、亿咖通等 60 余家来自全国高校、科研机构以及整车与零部件企业的广泛参与。累计参与人数超 400 人，106 位专业学员参与线下实践，现场气氛热烈，充分彰显智能驾驶技术在行业内的高关注度与强吸引力。

BEVFormer：基于时空 Transformer 的多相机鸟瞰图表征学习在自动驾驶感知任务中，基于多相机图像的 3D 目标检测和地图分割等任务是核心支撑技术。传统方法要么依赖激光雷达（LiDAR）导致部署成本高昂，要么基于单目相机框架无法有效融合多视角信息，要么在 BEV（Bird's-Eye-View，鸟瞰图）特征生成中过度依赖深度信息导致误差累积。针对这些痛点，上海 AI 实验室、南京大学等机构联合提出了 BEVFormer 框架，通过时空 Transformer 从多相机图像中学习统一的 BEV 表征，为自动驾驶多感知任务提供了高效解决方案。

Lift, Splat, Shoot：自动驾驶多视图相机的 BEV 语义表示学习在自动驾驶领域，感知系统的核心目标是从多传感器数据中提取语义信息，并将其融合到统一的 “鸟瞰图（Bird's-Eye-View, BEV）” 坐标系中，为后续的运动规划模块提供决策依据。传统计算机视觉算法要么输出与坐标系无关的分类结果，要么在输入图像的同一坐标系中进行预测（如目标检测、语义分割等），这与自动驾驶中 “多传感器输入 - 统一 BEV 输出” 的需求存在本质脱节。

Sparse4D v3：端到端 3D 检测与跟踪的技术突破在自动驾驶感知系统中，3D 检测与跟踪是两大核心任务，直接决定了车辆对周围环境的理解能力。基于稀疏表示的算法凭借无视图变换需求、检测头计算量恒定、易于端到端集成下游任务等优势，逐渐成为该领域的研究热点。本文将对 Sparse4D 系列的最新升级版本 ——Sparse4D v3 进行全面精读，深入剖析其技术创新、网络架构、实验验证及核心优势，带大家完整理解这一先进的 3D 感知框架。

VADv2：基于概率规划的端到端矢量化自动驾驶在自动驾驶技术的演进历程中，端到端方案凭借其能直接从大规模人类驾驶演示中学习类人驾驶策略的优势，成为备受关注的研究方向。然而，驾驶场景中普遍存在的不确定性与规划的非确定性，给从演示数据中提取可靠驾驶知识带来了巨大挑战。例如，跟车场景下驾驶员可选择保持跟车或变道超车，会车场景中可选择让行或超车，这些场景中驾驶动作（包括时机和速度）受诸多潜在因素影响，呈现出高度随机性。

DiffVLA：视觉语言引导的扩散规划在自动驾驶中的创新与实践在端到端自动驾驶领域，BEV 计算昂贵、动作多样性不足及复杂场景次优决策是关键挑战。RB 团队（Bosch、清华大学等联合）提出 DiffVLA 框架，融合 VLM 引导、混合稀疏 - 稠密感知与扩散规划模块，在 NavSim v2 私有测试集获 45.0 扩展 PDMS，2025 自动驾驶挑战赛表现优异，为端到端自动驾驶提供高效解决方案。

自动驾驶控制算法——模型预测控制（MPC）目前主流的轨迹跟踪方法有两类：基于几何模型的跟踪方法和基于动力学模型的跟踪方法。基于几何模型的跟踪方法：

FSD入华“加速”中国自动驾驶产业的推动与重构让数据真正闭环的L4级自动驾驶仿真工具链－杭州千岑智能科技有限公司：RSim。特斯拉FSD入华不仅带来技术挑战，更加速推动中国自动驾驶产业的发展，促使行业从**“功能堆砌"转向"安全与体验并重”**的深度竞争，推动中国自动驾驶产业从混战阶段迈向"技术为王、强者恒强"的新时代。