自动驾驶

10大算力芯片某某XXU全解析：CPU/GPU/TPU/NPU/LPU/FPGA/RPU/BPU/DPU/GPGPU在 AI 大模型、自动驾驶、边缘计算全面爆发的今天，算力已经成为数字时代的 “新石油/新电力”，而承载算力的各类处理器芯片，就是驱动这场技术革命的 “发动机”。

康谋自动驾驶

软实时、NTP还是PTP？矿山数采时间同步方案实测与选型目录一、引言二、三类同步方案的技术特性2.1 软实时方案：应用层时间戳2.2 NTP方案：系统时钟同步

扩散模型在自动驾驶路径规划中的技术演进与产业格局扩散模型（Diffusion Model）是一类生成式模型，其核心思想源于非平衡热力学中的扩散过程。它通过两个相反的步骤来学习数据分布：前向过程（Forward/Noising Process）：从真实数据（如人类驾驶轨迹）开始，逐步添加高斯噪声，经过 T 步后，数据完全变成纯噪声。这个过程是固定的马尔可夫链：

自动驾驶视觉相关的坐标系自动驾驶视觉感知中，坐标系的转换是理解图像如何从三维世界映射到二维平面的关键。主要涉及以下四个核心坐标系

AGV算法笔记

CVPR 2025 最新感知算法解读：GaussianLSS 如何用 Gaussian Splatting 重构 BEV 表示？这几年自动驾驶里的 BEV 感知几乎成了“必争之地”，很多方法不断往更大的 Transformer、更密的 3D 网格、更复杂的跨视角注意力上堆。但问题也越来越明显：精度确实在涨，算力和显存也在一起涨。

【ROS2实战笔记-13】Foxglove Studio：ROS可视化工具的另一条路调试机器人时，“看不见”常常比“动不了”更让人头疼。如果一个节点在发布数据，传感器也在正常工作，但算法没有产生预期输出，传统做法是rviz2加rqt组合：用rviz看3D场景，用rqt的Plot或Image View看具体数值和图像。两套工具来回切换，远程登录时还要处理X11转发，在受限网络环境里延迟明显。

自动驾驶相机坐标系转换理解了坐标系转换，就理解了计算机视觉中经典的“从三维世界到二维像素”的完整数学推导过程。这实际上是相机成像模型的核心，它将现实世界中的物体位置一步步转换成了我们在屏幕上看到的像素点。我们可以把这个过程看作一场“接力赛”，分为三个关键步骤。

《自动驾驶系统开发》英文版《Autonomous Driving Hanbook》推荐24年5月1日清华大学出版的《自动驾驶系统开发》英文版《Autonomous Driving Hanbook》在26年4月11日由清华大学出版社和Springer Press联合出版。

自动驾驶相机坐标系转换2坐标系转换过程这张图非常经典，它把计算机视觉里从真实三维世界到二维像素成像的整个数学链路完整地串了起来。我们可以把它看作一个“数据流水线”，从右向左，一步步解析坐标是如何转换的：

自动驾驶_一段式端到端_三条技术路线_UniAD_SparseDrive_概述在自动驾驶领域，“一段式端到端”（Single-Stage End-to-End）是一种摒弃传统模块化流水线的技术范式。

智能驾驶数据高可靠上云实战：EC3320+IR315双路冗余方案在智能驾驶项目中，车架数据量巨大，单一网络链路极易因信号盲区或基站拥塞导致上传失败。本文带你一步步实现基于映翰通EC3320边缘计算机与IR315工业路由器的双路上报方案：EC3320自身5G蜂窝作为主通道，IR315独立4G/5G上网后通过有线方式为EC3320提供辅通道，边缘APP采集车架数据并对接腾讯云。读完本文，你将掌握如何构建工业级双链路冗余，确保智能驾驶数据“永不掉线”。

一只数据集

柏林道路路面图像数据集-971张沥青与鹅卵石路面图片-训练测试集划分-支持道路材质识别与自动驾驶视觉算法训练随着自动驾驶和智能交通系统的快速发展，道路场景理解成为计算机视觉领域的重要研究方向。路面材质识别作为道路场景理解的关键环节，对于自动驾驶车辆的决策控制、道路维护检测以及交通安全性评估具有重要意义。柏林作为一座历史悠久且现代化的城市，其道路路面呈现出丰富的多样性，既有现代化的沥青路面，也有保留历史风貌的鹅卵石路面，为路面材质识别研究提供了理想的数据样本。

数据与后端架构提升之路

自动驾驶数据闭环中，Video Clip 的多模态特征到底怎么提取？在自动驾驶数据闭环里，我们经常会说：从一个 Clip 中提取 GPS 轨迹 shape、天气检测结果、关键帧 CLIP embedding 等特征。

什么是IPMIPM的核心目标只有一个：把“近大远小”的透视图像，变成“上帝视角”的俯视图。在驾驶员视角（透视视角）中，车道线是汇聚的，远处的车看起来很小。这对计算机算法来说很难计算距离和位置。而在鸟瞰图（俯视图）中，车道线是平行的，车辆大小一致，非常容易进行路径规划和距离测量。

视觉转换方案以下四种方案正好代表了视觉感知从传统几何方法到现代深度学习方法的完整演进路线。我们可以把它们看作处理“透视失真”问题的四个不同维度的解法，分别对应了几何规则、统计回归、特征映射和全局建模。

BEVFusion 的框架和流程这是一个基于 BEV（鸟瞰图）的多模态融合感知框架（类似于 BEVFusion 架构）的完整流程图。这个架构的核心思想是：将不同传感器的特征统一转换到同一个三维物理空间（BEV空间）下，再进行融合，从而解决了传统融合方法中特征对齐困难的问题。

CCC：CarCrazeCurator

自动驾驶泊车全面解析自动驾驶泊车（Automatic Parking System, APS），是一种无需人工干预或仅需少量人工辅助，即可让车辆自主完成车位识别、路径规划、泊入与泊出的智能驾驶辅助技术，核心价值在于解决停车难、泊车不熟练等用户痛点，大幅提升驾驶便利性与停车安全性，已成为当前智能汽车的核心配置之一，且正沿着“辅助化→半自动化→全自动化”的路径快速演进。从早期仅能辅助转向的基础功能，到如今可实现“无人代客”的高阶能力，自动驾驶泊车的十年发展，完成了从豪华车专属到家用车标配、从海外技术垄断到国产自主领跑的跨越式转变

【自动驾驶】- MPC模型预测与控制算法（一）本文为个人学习笔记，仅属于个人观点和理解，如有错误，还希望大家多多包涵和理解！也希望我的分享能给你带来不一样的收获和感悟！愿与诸君共勉，勇往直前~~~

2026北京车展深度解析：L3自动驾驶量产落地，AI大模型上车从PPT变现实2026北京车展深度解析：L3自动驾驶量产落地，AI大模型上车从PPT变现实🔥 本文是CSDN当下最火的话题之一——AI自动驾驶落地的实操技术拆解。从法规背景到三大技术路径，从芯片选型到开发者入场机会，全程干货，建议收藏。

端到端课程自用 3 规划基于query的端到端规划encoder 给到BEV特征 decoder去解码设计思路具体方法训练目标是什么和传统规划控制的对比