自动驾驶

【自动驾驶基础】LDM（Latent Diffusion Model）要点总结计算成本极高：推理昂贵：资源消耗问题：计算复杂度问题：细节与效率的权衡：条件生成灵活性：Latent Diffusion Models (LDMs)：在预训练自编码器的潜在空间中训练扩散模型。

【自动驾驶】RAD 要点总结（地平线）因果混淆问题 (Causal Confusion)：开环训练与闭环部署的差距 (Open-loop Gap)：

财经三剑客

中国首块L3级自动驾驶专用正式号牌诞生，落户长安深蓝12月20日，首块L3级自动驾驶专用正式号牌“渝AD0001Z”在重庆诞生，由重庆市公安局交通管理总队正式授予长安汽车，标志着长安汽车率先开启L3级自动驾驶时代。

【自动驾驶】SparseWorld-TC 论文总结（理想）关键组件：

自动驾驶—CARLA仿真（22）manual_control_steeringwheel demoPythonAPI/examples/manual_control_steeringwheel.py支持 Logitech G29 方向盘的驾驶控制客户端，用于：

田里的水稻

ADAS_DigialTwin_CARLA + LiDAR + Camera + MPC 控制器要在 CARLA 平台上实现 10 Hz LiDAR + 30 Hz 相机的高频率传感器仿真，并将端到端延迟控制在 20 ms 以内（即 ≤20ms），必须彻底绕过传统 ROS bridge 架构，采用CARLA API，因为其基于 TCP/UDP 的进程间通信（IPC）和数据序列化/反序列化机制是造成高延迟的根本原因。以下是经过验证的、可实现 ≤20ms 延迟的几种高效方案，按推荐优先级排序：

自动驾驶—CARLA仿真（21）manual_control_carsim demoPythonAPI/examples/manual_control_carsim.py功能完备的手动驾驶控制客户端（Manual Control Client），提供：

智能体在车联网中的应用：第11天 CARLA自动驾驶仿真入门：从零安装到理解客户端-服务器架构在自动驾驶技术飞速发展的今天，一套可靠、逼真且功能强大的仿真平台对于算法开发、测试验证至关重要。在众多仿真工具中，CARLA（Car Learning to Act）脱颖而出，成为自动驾驶研究领域的标杆级开源仿真平台。与之前我们探讨的SUMO不同，CARLA专注于感知、决策与控制的全栈仿真，提供高度逼真的三维环境、可配置的传感器套件（激光雷达、摄像头、雷达等）以及灵活的场景定义能力。

livox/CustomMsg消息从ROS1 bag转换成ROS2首先把ROSbag转化成ros2的db3格式 rosbags-convert --src Shield_tunnel1_gamma.bag --dst shield1

自动驾驶—CARLA仿真（19）automatic_control demoPythonAPI/examples/automatic_control.py 自动驾驶代理（Autonomous Agent）演示系统，用于：

自动驾驶—CARLA仿真（20）manual_control demoPythonAPI/examples/manual_control.py功能完备的手动驾驶控制客户端，提供：

Coder个人博客

Apollo 9.0.0 自动驾驶系统整体架构分析团队博客: 汽车电子社区Apollo是百度开发的自动驾驶开放平台，采用模块化、分布式架构设计，为L4级别自动驾驶提供完整的软件解决方案。

基于Stanley算法的自动驾驶车辆路径跟踪控制研究摘要：随着自动驾驶技术的快速发展，车辆路径跟踪控制已成为自动驾驶系统中的关键研究内容之一。针对自动驾驶车辆在已知参考轨迹条件下的路径跟踪问题，本文基于车辆运动学自行车模型，研究并实现了一种基于 Stanley 算法的车辆路径跟踪控制方法。通过构建车辆与参考轨迹之间的横向误差和航向误差模型，利用 Stanley 前轮反馈控制策略，将航向误差项与横向误差引导项相结合，实时计算车辆前轮转角，实现车辆的横向路径跟踪控制。同时，为保证车辆行驶速度的稳定性，设计了基于比例控制的纵向速度控制器，使车辆速度能够平稳跟踪

自动驾驶目标检测十年进化之路：从像素、点云到多模态大模型的时代导读在自动驾驶里，车子真正要学会的第一件事，是“看懂世界”。不管识别车辆、行人、锥桶，还是判断远处的一辆卡车是静止还是移动，背后都指向同一个能力——目标检测。

51c自动驾驶~合集62我自己的原文哦~ https://blog.51cto.com/whaosoft143/14390796

VADv2 基于概率规划的端到端自动驾驶模型论文链接：https://arxiv.org/pdf/2402.13243端到端自动驾驶的核心思路是从大规模人类驾驶数据中学习类人驾驶策略，但传统方法存在关键缺陷：

AI营销干货站

原圈科技AI市场舆情分析平台在文旅行业的实战价值与应用洞察2025年的清晨，当你的指尖划过手机屏幕，第一时间涌入的，大概率仍是那些标题惊悚、内容雷同的“行业热点日报”。我们曾如此渴望信息，以至于发明了各种工具来满足这份焦虑。然而，身处一个信息生产成本趋近于零的时代，一个不容忽视的现实已然降临：我们最大的敌人，不再是信息匮乏，而是信息过载。低效的传统舆情监测，已无法满足现代企业对精细化AI市场舆情分析的需求。

FlashLightNet：实时检测与分类静态和闪烁交通灯状态的端到端深度学习框架在自动驾驶和智能交通系统的发展进程中，交通灯的准确检测与状态分类是保障车辆安全导航和实时交通管理的核心技术之一。现有方案大多聚焦于静态交通灯（红、黄、绿）的识别，却忽视了闪烁交通灯（闪红、闪黄）这一关键场景，而这类闪烁信号在警示、紧急场景中起着重要作用。同时，传统方法在复杂光照、遮挡、环境噪声等实际路况下的鲁棒性不足，且难以满足实时性要求。

暴雪天气下的自动驾驶视觉困境：事件相机能否改善去雪效果？在暴雪等恶劣天气条件下，自动驾驶系统的视觉感知能力显著下降。雪花的快速移动和密集遮挡会在摄像头图像中形成高亮点、拖影或随机噪声，使道路、车辆及行人信息受损。

自动驾驶、无人机、机器人核心方案对比表对比维度自动驾驶（比亚迪汉“天神之眼”高阶方案）无人机（大疆T100S农业无人机）机器人（特斯拉Optimus人形机器人）