自动驾驶

从深度学习的角度看自动驾驶A Survey of Autonomous Driving from a Deep Learning Perspective 我们探讨了深度学习在自主驾驶中的关键模块，例如感知，预测，规划以及控制。我们研究了自主系统的体系结构，分析了如何从模块化，基于管道的框架到综合端到端模型组织的知识和信息。通过详尽地概述自动驾驶的进步领域并桥接各个研究领域，我们的调查旨在将各种研究线程综合为统一的叙述。

小庞在加油

Apollo源码架构解析---附C++代码设计示例Apollo是由百度开源的自动驾驶平台，其源码架构设计复杂且高度模块化，是学习大型软件工程设计的绝佳案例。本文将以通俗易懂的方式，结合C++伪代码示例，解读Apollo的核心架构设计思想，帮助初学者理解如何从零构建一个可扩展、高可靠的自动驾驶系统。

地平线开发者

地平线走进武汉理工，共建智能驾驶繁荣生态7月3日，武汉理工大学汽车工程学院与地平线联合启动“智驭未来：智能驾驶技术解析与实践初探”暑期卓越学堂项目**。该项目聚焦智能网联与智能驾驶技术前沿，通过校企协同授课、真实产业场景实践，深化“新工科”人才培养模式，为学生提供从理论到工程落地的全链条能力提升。

小lo想吃棒棒糖

自动驾驶的“安全基石”：NVIDIA如何用技术守护未来出行作为一名计算机视觉方向的学生，我常常思考一个问题：自动驾驶技术究竟如何在复杂多变的现实环境中实现“零事故”？在深入研究NVIDIA的自动驾驶解决方案后，我发现答案藏在一个名为Halos的全栈安全系统中。它不仅是技术堆叠的产物，更是对“安全优先”理念的极致诠释。今天，我想从一名大学生的视角，拆解NVIDIA如何通过硬件、软件和验证体系的协同创新，为自动驾驶筑起一道坚固的“安全护城河”。

【自动驾驶】经典LSS算法解析——深度估计论文题目：Lift, Splat, Shoot: Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D

YOLO在自动驾驶交通标志识别中的应用与优化【附代码】随着自动驾驶技术的快速发展，交通标志识别（Traffic Sign Recognition, TSR）作为环境感知的关键组成部分，其准确性和实时性直接关系到行车安全。YOLO（You Only Look Once）作为一种高效的目标检测算法，因其出色的速度和精度平衡，在自动驾驶领域得到了广泛应用。本文将深入探讨YOLO在交通标志识别中的应用，并提供详细的代码实例，展示如何优化YOLO模型以适应这一特定任务。

阿里云大数据AI技术

10倍处理效率提升！阿里云大数据AI平台发布智能驾驶数据预处理解决方案阿里云大数据AI平台重磅发布智能驾驶数据预处理解决方案，可帮助汽车行业客户实现构建高效、稳定的数据预处理产线流程，数据包处理效率相比自建可提升10倍以上，数据处理推理任务优化提速1倍以上，相同资源产能提升1倍[1]，从源头提高了自动驾驶模型产出的效率，有效支撑智驾技术落地。目前，80% 以上中国车企的辅助智能驾驶跑在阿里云大数据AI平台上。

自动驾驶安全技术的演进与NVIDIA的创新实践自动驾驶技术正以前所未有的速度发展，从高级驾驶辅助系统(SAE L2级)到完全自动驾驶出租车(SAE L5级)，这一技术革命正在重塑全球交通运输行业。然而，随着自动驾驶系统复杂度的提升，如何确保其在各种道路条件下的安全性成为行业面临的核心挑战。NVIDIA作为自动驾驶计算平台的领导者，通过其DRIVE平台和一系列创新技术，为行业提供了从数据中心到车辆的全栈式安全解决方案。

地平线开发者

征程 6M 部署 Omnidet 感知模型服务器端或者本地电脑 git clone github.com/valeoai/Woo…进入 omnidet 下的 models 文件夹下面找到 onnx 文件夹，会找到 export_onnx.py 文件。根据文件顶端说明，需要去配置相关的文件。进入 data/params.yaml 中，在配置文件的最下 main 可以找到# -- ONNX MODEL EXPORT --相关配置。choices 中可以选择你需要的任务，加入你只需要分割，就将 onnx_modelg 更改为 segmentic，假如

UE实现路径回放、自动驾驶功能简记1.路径回放是多个经纬度点位组成的历史数据2.实现方式: ·使用多个点位数据绘制样条线·使车辆等模型根据已绘制的样条线移动

自动驾驶ROS2应用技术详解在自动驾驶系统中，感知节点输出的各种Topic会被下游的不同模块消费和处理：用途: 为其他感知模块提供底层特征后续处理:

地平线开发者

征程 6｜工具链量化简介与代码实操将网络参数从 32 位浮点数据映射到更低位数（int16/int8/int4 等）的数据，这个过程称之为量化。反之，称之为反量化。

自动驾驶关键算法深度研究自动驾驶的关键算法深度研究揭示了该领域依赖于环境感知、决策规划、控制执行以及系统集成与验证等多个层面的复杂技术协同。核心算法包括用于精确识别交通元素的计算机视觉算法，融合多源信息的传感器融合技术，理解复杂动态场景的语义解析方法，实时安全的路径规划与行为决策算法，以及鲁棒的车辆控制算法。深度学习、强化学习等人工智能技术在其中扮演核心角色，而传统控制算法则在执行层面提供坚实基础。不同应用场景，如城市道路、高速公路和泊车，均面临独特挑战，需要针对性的解决方案。

[vroom] docs | 输入与问题定义 | 任务与运输工具 | json链接：https://github.com/VROOM-Project/vroomVROOM 是专为解决**车辆路径问题**设计的项目。

【ROS2 自动驾驶学习】02-安装ROS2及其配套工具目录一、设置语言环境二、添加存储库三、添加软件源四、安装ROS2五、配置环境六、测试ROS2七、安装一些工具

轨迹优化 | 基于激光雷达的欧氏距离场ESDF地图构建(附ROS C++仿真)在机器人路径规划与自主导航领域，欧氏符号距离场(Euclidean Signed Distance Field, ESDF)是一种用于高效表示环境几何信息的关键数据结构。它通过量化空间中每个点到最近障碍物的有符号欧氏距离，将复杂的障碍物分布转化为连续的数值场，为轨迹优化、碰撞检测等任务提供了强大的数学工具。本文将从数学定义出发，结合轨迹优化的具体场景，阐述ESDF的核心思想与应用

自动驾驶感知模块的多模态数据融合：时序同步与空间对齐的框架解析多传感器数据融合是自动驾驶系统的神经中枢，而时序同步与空间对齐的精度直接决定了感知结果的可靠性。本文提出时空联合校准架构（ST-JCA），通过三层级处理解决传感器时空异构性问题：

障碍感知 | 基于3D激光雷达的三维膨胀栅格地图构建(附ROS C++仿真)在机器人环境感知领域，传统2D激光雷达通过单层扫描平面提供高效的二维轮廓信息，在室内导航、仓库AGV等结构化环境中表现出色。其优势在于数据量小（通常每秒数千个点）、处理简单，且成本相对低廉。然而，这种"切片式"感知存在根本性局限：当遇到多层货架、悬空障碍物或复杂地形时，单平面扫描会丢失关键的三维信息。更严重的是在物体遮挡场景中——例如机器人前方的低矮障碍物被较高物体部分遮挡时，2D雷达只能返回最近物体的距离数据，无法区分垂直方向上的空间关系，导致"盲区效应"。

数字芯片实验室

特斯拉HW5要上3nm工艺，自动驾驶芯片的军备竞赛据最新消息，特斯拉正在与台积电合作，准备用N3P工艺生产下一代自动驾驶芯片HW5（内部代号AI5）。如果消息属实，这颗芯片的算力将达到2000-2500 TOPS，比现在的HW4强4到5倍。2026年开始量产。