自动驾驶

搬砖的小码农_Sky

特斯拉FSD Supervised（监督版）的技术原理特斯拉 FSD Supervised（监督版）之所以能够实现从城市街道到高速路口的全场景辅助驾驶，核心在于其彻底颠覆了传统自动驾驶的开发思路。它主要依托于以下四大核心技术支柱：

数据与后端架构提升之路

论云原生层次架构在自动驾驶云控平台中的应用2024年3月，我作为核心系统架构师，主导了某新能源车企“新一代自动驾驶云控与数据平台”的重构与研发工作。该平台主要负责接入现役50万辆在线车辆，处理海量的多模态工况数据，并支撑大规模自动驾驶算法的并行仿真与实时监控。原有的传统IT架构在面临海量数据并发写入与异构算力调度时，暴露出资源利用率低下、服务治理混乱等严重问题。为此，我全面引入了云原生层次架构对平台进行重构。本文结合该项目，深入论述了云原生层次架构的设计与实践：在基础设施层，用 Kubernetes 结合 Ray 分布式框架，解决仿真训练算力分配

生成论实验室

WOLM在自动驾驶和机器人中究竟扮演什么角色？自从字序生命模型（WOLM）认知引擎对外公开以来，有一个问题被反复问到：在自动驾驶和机器人的架构中，WOLM到底是一个“增强模块”，还是可以直接替代现有的“决策层”？

数据与后端架构提升之路

软考系统架构设计师实战论文集：自动驾驶与AI云端架构演进自动驾驶的下半场，早已不再局限于单车智能的算法角逐，而是演变成了一场关乎云端算力、海量数据治理与大模型工程化的全面战役。当接入车辆规模突破百万级，当每日回传的工况数据攀升至 PB 量级，云端数据平台的可靠性、扩展性与智能化水平，直接决定了算法迭代的生死时速——这已不再是"锦上添花"的工程优化，而是关乎企业生存的核心竞争力。

VMware在Ubuntu22.04驱动Livox Mid360sLivox-Mid360s官网 https://www.livoxtech.com/cn/mid-360s 具体参数如下

SelectDB技术团队

PB 级自动驾驶数据秒级检索：Apache Doris 统一多模态数据平台实践导读：多模态数据正成为企业核心资产，但规模化管理仍具挑战。自动驾驶在 PB 级图像、点云、视频等数据治理中积累了可复用经验。本文介绍某公司以 Apache Doris 统一标签、元数据、全文和向量检索，将查询从分钟级提升至秒级。

ros_gz_sim --- ROS 2 与 Gazebo 仿真的桥梁机器人仿真技术的核心价值在于，在无需物理硬件的前提下，快速验证机器人的运动学、动力学特性以及控制算法的有效性。ROS 2作为当前最主流的机器人操作系统，提供了完整的消息通信、节点管理和工具链生态；而Gazebo则提供了高精度的物理引擎、丰富的传感器模型和逼真的3D渲染能力。两者的结合，构成了现代机器人开发的标准仿真平台。

自动驾驶系统TSN时延测试：从理论到实践的关键解析随着汽车行业从“机械驱动”全面向“软件驱动”过渡，时间敏感网络（TSN）技术正逐渐成为下一代车载通信架构的核心基础设施。传统CAN、LIN等总线协议已无法满足高带宽、低延迟的车载通信需求，而TSN技术的引入，使以太网真正具备“确定性”的传输能力，为智能网联汽车的发展提供了关键通信基础。

【FDA论文阅读】: 傅里叶域自适应——零训练成本的语义分割无监督域适配方法做语义分割的同学肯定都有过这样的痛苦经历：标注一张像素级的城市道路图要花好几个小时，人工标注成本高到离谱。于是大家想到了一个好办法——用游戏里的合成数据！比如GTA5里随便跑一跑就能得到几十万张带完美标注的图像，简直是标注自由的天堂。

康谋自动驾驶

智驾仿真测试团队必看：ADAS HiL测试引入3DGS的ROI测算与结论！一、为什么传统ADAS HiL需要升级？深入调研发现，当前智驾仿真测试团队在ADAS HiL测试中的核心困境是“高投入、低回报”的ROI失衡，直接制约项目推进与市场竞争力，具体体现在三方面：

运维帮手大橙子

自动驾驶通过红路灯路口卡停这是自动驾驶测试里非常常见的问题，面试里一般是在考你：自动驾驶通过红绿灯，大致链路：感知 → 红绿灯识别 → 定位 → Prediction → Planning → Control

Apollo MPC Controller目录1.Apollo MPC Controller架构2.Mpc_Osqp类2.1Mpc_Osqp类成员函数

自动驾驶（FSD/Autopilot）的数据采集-特斯拉纯视觉方案特斯拉（Tesla）作为纯视觉方案（Vision-only）的代表，其自动驾驶（FSD/Autopilot）的数据采集并不是像传统图商或自动驾驶公司那样，派出专门的测绘车满大街跑，而是依赖其全球数百万辆量产车组成的庞大车队来进行分布式、常态化的数据采集。

运维帮手大橙子

自动驾驶各模块协作与本质自动驾驶系统本质上是一个“感知世界 → 理解环境 → 做决策 → 控制车辆”的闭环系统。行业里一般按模块划分为：

自动驾驶C++实时中间件：PuppetMaster 重构记录，阶段三：通信层抽象最近我开始整理一个 C++ 实时中间件项目：PuppetMaster它不是想一上来就做一个庞大的通用框架，而是从我之前维护过的自动驾驶中间件中，逐步提炼出一套更清晰、更通用、更容易复用的基础能力：模块通信、任务调度、Topic 管理、通信后端抽象、错误处理、生命周期管理，以及后续的配置和可观测性。

康谋自动驾驶

3DGS+合成数据，真能让自动驾驶告别“长尾场景焦虑”吗？在自动驾驶与具身智能的发展历程中，数据一直是制约模型能力的重要因素。目前，Waymo的自动驾驶数据累计达3200万公里，特斯拉车队的回传数据都是PB级的，但自动驾驶数据还是缺乏。这揭示了一个真相：真实世界的数据获取正遭遇边际收益递减的困局。

CCC：CarCrazeCurator

【DriveGen 文件详解】02——train.pytrain.py 是 DriveGen 项目的核心训练入口，实现了一个完整的条件视频扩散模型训练流程。该脚本基于扩散模型（Diffusion Model）原理，从驾驶场景的条件帧出发，学习预测未来帧序列，可应用于自动驾驶仿真、数据增强等场景。

Frank学习路上

【AI技能】跟着费曼学轨迹预测😏★,°:.☆(￣▽￣)/$:.°★ 😏 探智求真，学以致用。欢迎来到我的博客，一起学习，共同进步。喜欢的朋友可以关注一下，下次更新不迷路🥞

生成论实验室

WOLM认知引擎：为系统赋予“知止”的生命本能——一套确定性、内生安全的通用认知决策内核在即将到来的“智能体时代”，所有机器人、自动驾驶汽车和复杂AI系统都面临一个根本性挑战：它们可以很聪明，但无法被真正信任。现有的主流AI，无论是大语言模型还是端到端驾驶系统，其决策本质上是基于统计概率的“猜测”。它们会“不懂装懂”，在从未见过的复杂场景中输出不可预测的结果，也无法在“迷茫”时主动停下。这使得它们在高可靠性要求的工业、医疗和交通场景中，始终被隔绝在安全围栏之外。

从零到工程实践：层层递进理解 Pure Pursuit 横向控制参考：autoware、ChatGPTPure Pursuit 是自动驾驶和移动机器人中非常经典的路径跟踪算法。它的核心思想很朴素：不要盯着车辆脚下的最近点，而是在路径前方找一个目标点，然后让车辆沿一段圆弧追过去。