自动驾驶

人工智能驱动的自动驾驶：技术解析与发展趋势1️⃣ 自动驾驶概述 🚘 2️⃣ 核心技术剖析 🔍 3️⃣ 感知系统（Perception） 🎥📡 4️⃣ 定位与建图（Localization & Mapping） 🗺 5️⃣ 规划与决策（Planning & Decision Making） 🛤 6️⃣ 控制系统（Control） 🎮 7️⃣ 可解释 AI（XAI）与自动驾驶 🤖📖 8️⃣ 未来发展趋势 🚀

LLM增强的RLHF框架，用多模态人类反馈提升自动驾驶安全性！导读这是一篇发表于UbiComp 2024（CCFA）的论文，探讨了如何将基于人类反馈的强化学习（RLHF）和大语言模型（LLM）结合，用于优化自动驾驶系统的安全性。

统一的多摄像头3D感知框架！PETRv2论文精读论文地址：PETRv2: A Unified Framework for 3D Perception from Multi-Camera Images

问界M8细节曝光，L3自动驾驶有了！文 | AUTO芯球作者 | 雷慢太惊喜了，问界M8近距离实拍曝光了，我看了一圈，给大家扒出几个炸裂的信息，

根据deepseek模型微调训练自动驾驶模型及数据集的思路以下是使用DeepSeek模型微调训练自动驾驶模型的详细步骤和代码示例。本流程假设你已有自动驾驶领域的数据集（如驾驶指令、传感器数据等），并基于PyTorch框架实现。

智能汽车人

自动驾驶---基于深度学习模型的轨迹预测自动驾驶任务中，轨迹预测一直以来是一个难题。在复杂交通场景中，即使驾驶员最终意图确定，但决策过程中其他车辆的动态行驶路径的即时变化会导致自车路径呈现多模态属性，即车辆的未来轨迹有多种可能性。对车辆的多模态轨迹进行预测，并保证预测的准确性与多样性，是当前自动驾驶领域关注的热点内容。

AI自动驾驶：2025有戏，Uber受益先于特斯拉自动驾驶：2025有戏，Uber受益先于特斯拉近期消息，优步将与Waymo在奥斯汀推出合作服务（夏季将在亚特兰大跟进）。在过去一段时间，市场情绪似乎已经转变，认为自动驾驶汽车的推广将越来越需要需求端平台，而优步作为最大的此类平台处于有利地位。

基于nuScenes数据集和DeepSeek模型的端到端自动驾驶解决方案结合DeepSeek模型进行知识蒸馏，以提高模型性能。这需要将nuScenes中的多模态数据（如摄像头图像、雷达点云、车辆状态等）整合到模型中，同时使用DeepSeek的生成能力进行蒸馏。接下来，我需要考虑用户可能的背景。用户可能具备一定的编程和机器学习基础，但需要详细的代码示例和步骤指导。用户可能希望得到一个完整的、可运行的代码框架，包括数据预处理、模型构建、训练和评估等部分。然后，我需要分析用户可能没有明确表达的需求。例如，用户可能希望模型能够处理多传感器输入，并生成驾驶指令或控制信号。此外，用户

Apollo 9.0 速度动态规划决策算法 – path time heuristic optimizer这一章将来讲解速度决策算法，也就是SPEED_HEURISTIC_OPTIMIZER task里面的内容。Apollo 9.0使用动态规划算法进行速度决策，从类名来看，PathTimeHeuristicOptimizer 是路径时间启发式优化器，顾名思义，这里的算法在非凸的ST空间进行了纵向超让的决策，同时也为后续速度规划算法提供了一个启发式的粗解。

智能汽车人

自动驾驶---如何打造一款属于自己的自动驾驶系统在笔者的专栏《自动驾驶Planning决策规划》中，主要讲解了行车的相关知识，从Routing，到Behavior Planning，再到Motion Planning，以及最后的Control，笔者都做了相关介绍，其中主要包括算法在量产上的应用，这是笔者与其他博主非常不同的一点，重点阐述自动驾驶量产相关的算法。

小鹏自动驾驶 xnet 技术细节小鹏汽车的XNet技术是其自动驾驶系统XPILOT的核心感知架构之一，主要应用于XPILOT 4.0及更高版本。XNet的设计目标是实现更高效的多传感器融合、动态环境建模以及实时决策能力。以下是XNet技术的关键细节和特点：

三毛的二哥

BEV:车轮接地点车辆修正3D框位置精度3D目标检测任务中，标注数据（伪标签和人工标注）或模型预测的车辆3D坐标存在位置精度不准（航向角和位置精度）的情况，特别是旁车道车辆位置不准不准造成目标障碍物有压线或切入的趋势，影响行车安全。2D框检测算法非常成熟（yolo系列），考虑在图像上检测车轮2D位置，通过相机内外参和车身参数将检测出的车轮接地点（接地点可以利用相似三角形将相机坐标系中的点投影到BEV坐标系下）投影到BEV坐标系下，对车辆3D坐标的yaw角和横向位置进行修复。

地平线开发者

Transformer 模型在征程 6 平台上的高效支持相对于传统 CNN 模型来说，Transformer 模型的最大的一个特点就是灵活性。这个灵活性主要体现在模型中穿插大量的数据重排操作，即 Reshape 和 Transpose。如下图 1 所示，对于一个典型的 Attention 结构来说，Reshape 和 Transpose 操作的数量大概可以占到所有操作的一半。

DeepSeek正重构人形机器人和具身大模型赛道！中国人工智能公司DeepSeek（深度求索）以“低成本、高效率、强开放”的研发范式横空出世，火遍并震撼全球科技圈；DeepSeek展现出来的核心竞争力，除了低成本及推理能力，更重要的是开源模型能力追赶上了最新的闭源模型；而对具身智能领域影响最大的当属于其开源大模型DeepSeek-R1。

数据与后端架构提升之路

自动驾驶数据集三剑客：nuScenes、nuImages 与 nuPlan 的技术矩阵与生态协同目录1、引言2、主要内容2.1、定位对比：感知与规划的全维覆盖2.2、数据与技术特性对比2.3、技术协同：构建全栈研发生态

不知道是谁2

问deepseek自动驾驶模块化or端到端？（总结的时候，要强调不是非此即彼，而是互补和融合的可能性，这样用户能有一个更全面的理解，不会被二元对立误导。）

关于自动驾驶的等级划分自动驾驶技术根据系统接管驾驶任务的程度被划分为不同等级，目前国际通用的标准主要有SAE（国际汽车工程师协会）的J3016分级体系和中国国家标准《汽车驾驶自动化分级》（GB/T 40429-2021）。以下从分级定义和厂商技术进展两方面展开说明：

大语言模型遇上自动驾驶：AsyncDriver如何巧妙解决推理瓶颈？导读这篇论文提出了AsyncDriver框架，致力于解决大语言模型在自动驾驶领域应用中的关键挑战。论文的主要创新点在于提出了大语言模型和实时规划器的异步推理机制，实现了在保持性能的同时显著降低计算开销。通过设计场景关联指令特征提取模块和自适应注入模块，该框架能够有效融合多模态信息并无缝集成到现有规划器中。在nuPlan具有挑战性的场景评测中，AsyncDriver展现出优异的闭环性能，实验结果表明即使在较大的推理间隔下仍能保持稳定表现。对于关注自动驾驶与大模型结合的研究者来说，这篇论文提供了一个实用的解

B站计算机毕业设计超人

计算机毕业设计Python+大模型疲劳驾驶检测系统自动驾驶面部多信息特征融合的疲劳驾驶检测系统驾驶员疲劳驾驶风险检测深度学习机器学习大数据温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！

智能汽车人

自动驾驶---两轮自行车的自主导航无人驾驶汽车最早出现在DARPA的比赛中，从那个时刻开始，逐渐引起全球学者的注意，于是从上个世纪开始各大高校院所开始了无人汽车的研发。直到这两年，无人驾驶汽车才开始走进寻常百姓家，虽然目前市面上的乘用车还不是严格意义的上无人驾驶（只能算作L2级别），做到L4才是真正的无人驾驶。反而无人驾驶自行车因为应用场景很少，出现的更晚一些，本篇博客主要带领读者朋友们熟悉无人自行车的相关知识。