自动驾驶

自动驾驶+人形机器人？亚马逊即将测试人形机器人送货据报道，亚马逊即将在其旧金山办公室的“人形公园”内测试人形机器人，以取代部分人工配送岗位，削减运营成本；公司还同时在测试Rivian电动货车与机器人的互动，为其主营业务——全球包裹配送——的自动化铺平道路。

翻滚的小@强

自动驾驶科普(百度Apollo)学习笔记在过去的几年里，自动驾驶技术取得飞速发展，人类社会正逐渐走向一个新时代，这个时代中，汽车不仅仅是一个交通工具，更是一个智能的、能够感知环境、做出决策并自主导航的机器伙伴。现在正好也从事这块的工作，所以想把这方面的学习笔记也沉淀一下。

从零开始学习人工智能

从游戏到自动驾驶：互联网时代强化学习如何让机器学会自主决策？你有没有玩过《超级马里奥》？当你操控马里奥躲避乌龟、跳过悬崖时，其实就在用一种“试错”的方法学习最优路径。强化学习（Reinforcement Learning, RL）就是让机器像人类玩游戏一样，通过不断尝试和环境反馈来学会做决策的技术。只不过机器的“游戏”可能是开车、下棋、推荐商品等更复杂的场景。

智能汽车人

自动驾驶---SD图导航的规划策略在之前的博客《自动驾驶---方案从有图迈进无图》中笔者介绍了自动驾驶方案从有图到无图的发展历程。其中，自动驾驶从HD图（Highlight Definition Map）到SD图（Standard Definition Map，标准定义地图）的过渡，涉及到自动驾驶系统中地图数据的使用和依赖程度的变化。甚至未来要探索的真正的无图，类似人在野外迷路，并且只有指南针的场景。这种时候自动驾驶车辆应该怎么开？

AlphaDrive：通过强化学习和推理释放自动驾驶中 VLM 的力量AlphaDrive: Unleashing the Power of VLMs in Autonomous Driving via Reinforcement Learning and Reasoning

【AI】智驾地图在不同自动驾驶等级中的作用演变核心演变规律：地图正经历从静态空间描述工具（L2）→ 动态决策知识引擎（L3）→ 云端协同智能体（L4）的范式转移。在L4阶段，部分功能看似权重降低，实则是技术架构的重构（如定位依赖度下降对应多传感器融合定位成熟）。

汽车安全：功能安全FuSa、预期功能安全SOTIF与网络安全Cybersecurity 解析现代汽车已成为装有数千个传感器的移动计算机，安全挑战比传统车辆复杂百倍。随着汽车智能化、网联化飞速发展，汽车电子电气架构已从简单的分布式控制系统演变为复杂的移动计算平台。现代车辆包含上百个电子控制单元（ECU），通过车内网络紧密相连，同时与外部环境保持实时通信。

ISO 22737——解读自动驾驶相关标准法规（LSAD）Intelligent transport systems — Low-speed automated driving (LSAD) systems for predefined routes —Performance requirements, system requirements and performance test procedures(First edition: 2021-07)

乘用车自动驾驶和非乘用车(矿车，卡车)自动驾驶区别自动驾驶系统的“眼睛”就是它的感知模块，它通过摄像头、雷达、激光雷达等传感器识别周边环境。在乘用车中，由于环境变化极快，系统必须具备极强的感知能力。如在城市道路中，自动驾驶系统需要同时识别数十种交通标志、车道线状况、前方静止和动态障碍物、甚至要判断行人的意图（是否准备横穿马路），这对视觉处理算法和多传感器融合提出了极高要求。相比之下，矿区环境中的“感知难度”有所下降。矿山运输车辆的主要任务是沿特定路径前行、装载与卸载物料，周边的交通参与者极少。此时感知系统主要任务是检测前方道路是否通畅、有无巨石、陡坡或

ISO 17387——解读自动驾驶相关标准法规（LCDAS）Intelligent transport systems — Lane change decision aid systems (LCDAS) — Performance requirements and test procedures(First edition: 2008-05-01)

Impromptu VLA：用于驾驶视觉-语言-动作模型的开放权重和开放数据25年5月来自清华和博世的论文“Impromptu VLA: Open Weights and Open Data for Driving Vision-Language-Action Models”。

埋头苦干的墨小白

《自动驾驶轨迹规划实战：Lattice Planner实现避障路径生成（附可运行Python代码）》—— 零基础实现基于离散优化的避障路径规划《自动驾驶轨迹规划实战：Lattice Planner实现避障路径生成（附可运行Python代码）》 —— 零基础实现基于离散优化的避障路径规划

LLM-MPC混合架构:车载大语言模型用来增强自动驾驶系统2025年，苏黎世研究团队在RSS2025会议上正式提出「LLM-MPC混合架构」，标志着大语言模型（LLM）在自动驾驶系统中的实用化迈出关键一步。该方案旨在解决传统深度学习模型在极端交通场景中泛化能力不足的问题。通过在车载终端边缘部署LLM，并融合模型预测控制（MPC）技术，系统在保持实时性与安全性的同时，推理速度提升10.5倍，为复杂环境中的高鲁棒决策提供全新范式。

汽车安全 2030 预测 (功能安全FuSa、预期功能安全SOTIF、网络安全CyberSecurity)：成本、效益与行业影响到 2030 年，汽车行业将迎来一场安全技术的深度变革，其中 “三重安全防护”（功能安全 FuSa、预期功能安全 SOTIF、网络安全）备受瞩目。据预测，“三重安全防护” 将占整车 BOM 成本的 12%，同时有望降低 39% 的交通事故率。这一预测背后，隐藏着技术与安全的平衡逻辑，以下将从成本构成、安全效益、技术协同及行业影响四维度展开详细分析：

自动驾驶系列—Monocular 3D Lane Detection for Autonomous Driving🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。

基于 AUTOSAR 的域控产品软件开发：从 CP 到 AP 的跨越随着汽车智能化向 L3+ 演进，传统 AUTOSAR CP（经典平台）在实时性、动态性和算力需求上的局限性日益凸显。AUTOSAR AP（自适应平台）应运而生，其核心定位是支持高性能计算、服务导向架构（SOA）及动态运行时环境，适用于自动驾驶域控、车载中央计算机等复杂场景。

奔跑吧邓邓子

DeepSeek 赋能自动驾驶仿真测试：解锁高效精准新范式近年来，自动驾驶技术在全球范围内取得了显著的进展，已然成为汽车产业与人工智能领域的焦点。众多知名汽车品牌和科技公司纷纷投身其中，如特斯拉、宝马、奔驰等汽车品牌，在自动驾驶领域成绩斐然，部分车型已具备不同级别的自动驾驶功能，从最初的辅助驾驶系统，到如今的高度自动化甚至接近完全自动驾驶，自动驾驶技术逐步实现了车辆感知环境、规划行驶路径、执行控制等核心功能。许多汽车出厂时便配备了 L2 级别的自动驾驶系统，在特定情况下，这种系统能够替代驾驶员操控车辆，实现自动行驶，自动泊车功能也日益普及，极大地提升了驾驶便捷

地平线开发者

征程 6EM 常见 QConfig 配置解读与示例在工具链用户手册《量化感知训练（QAT）-开发指南-QConfig 详解》章节专门介绍了在 J6EM 上 qconfig 是怎么回事，从经历看，大家可能会存在看了依旧不懂，或懂了不知道怎么配置的情况，特别是一些 OE 包中示例没有的配置，例如固定某节点 scale、配置 linear weight int16 等操作。

地平线开发者

征程 6X VDSP 调试方法VDSP FW 的日志默认输出到串口中，用户可直接查看串口。但是 VDSPFW 日志和 kernel 日志都会输出到串口中，存在相互干扰的问题，用户可通过降低 kernel 日志等级来防止日志干扰：

如何成为一名优秀的产品经理深入理解智能驾驶技术栈：感知：摄像头、雷达（毫米波、激光雷达）、超声波传感器的工作原理、优缺点、融合策略。了解目标检测、跟踪、SLAM等基础算法概念。