登录社区云，与社区用户共同成长
邀请您加入社区
25年12月来自华中科技和小米电动的论文“DriveLaW: Unifying Planning and Video Generation in a Latent Driving World”。世界模型对于自动驾驶至关重要，因为它们能够学习场景随时间演变的方式，从而应对现实世界中长尾分布的挑战。然而，目前的方法将世界模型的作用限制在有限的范围内：它们在看似统一的架构中运行，但仍然将世界预测和运动规
25年12月来自清华、香港中文大学、Voyager Research和滴滴出行的论文“ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving”。自动驾驶需要从复杂的多模态输入中生成安全可靠的轨迹。传统的模块化流程将感知、预测和
摘要：太空食品营养配比软件是保障宇航员健康的关键系统，其验证面临微重力、资源限制等独特挑战。测试需分阶段实施：单元测试覆盖核心算法（如JUnit/Pytest）、集成测试验证模块交互（Postman）、系统测试模拟太空环境（Selenium）。推荐AI辅助工具（Testim.io）和风险驱动测试（OWASP ZAP），并通过案例表明早期测试介入可降低缺陷率。随着商业太空旅行发展，自动化与跨学科协作
本章详细介绍了iceoryx的通知平面机制，包括信号量、WaitSet和回调等同步原语的实现与应用。通过对比轮询和事件驱动两种模式，分析了事件驱动在CPU利用率、延迟和功耗方面的优势。重点讲解了UnnamedSemaphore的实现，包括其POSIX底层封装、Builder设计模式和CRTP技术。内容涵盖从基础概念到性能调优的完整知识体系，并提供了三种学习路径（快速上手/深入理解/按需查阅）以满足
极米（XGIMI）推出的MemoMind品牌,作为国内投影仪巨头，极米这次正式跨界进入AI眼镜市场，一口气发布了三款产品：Memo One（旗舰款，双眼显示，内置扬声器）、Memo Air Display（轻量款，约28.9克，单眼显示）、Memo Air Audio（纯音频款）。2026年1月6-9日，国际消费电子展（CES 2026）在美国拉斯维加斯开幕，海内外厂商集中展示人形机器人、AI硬件
CES 2026:英伟达新架构亮相,AMD发布新芯片,Razer推出AI奇异产品
DiffusionDrive 针对扩散模型在端到端自动驾驶规划中“多样性生成”与“实时推理”的根本矛盾，提出了高效的解决方案：通过引入多模态驾驶锚点作为结构化先验，并结合截断扩散日程，将模型从传统的多步去噪简化为仅需 2-4 步 的快速生成，在保持动作分布多样性与合理性的同时，实现了45 FPS的实时性能（基于4090）。该模型仅依赖视觉输入，通过共享表征学习，使同一个网络既能完成闭环驾驶，又能进
据黄仁勋透露，双方的合作耗时五年，投入数千人，构建了从芯片到软件的全栈解决方案，而安全是核心考量 ——“当你操控一辆重 4000 磅、时速 50 英里的机器时，‘差不多’是行不通的，必须做到绝对稳健。” 这场近一个半小时的演讲里，名为 “Alpamayo” 的自动驾驶 AI 系统成为绝对主角，它不仅是英伟达在智驾领域的又一次技术跃迁，更标志着自动驾驶从 “数据驱动” 向 “推理驱动” 的关键转折。
本文探讨了测试反馈循环在敏捷开发中的关键作用及其对迭代开发的多维影响。测试反馈循环作为连接测试与开发的纽带，通过及时性、精准性和协作性三大机制，能显著缩短迭代周期（达40%）、提升代码质量（缺陷率下降35%）并增强团队信心。然而，低效的反馈可能造成延迟瓶颈（占迭代延迟的40%）、信息过载和文化摩擦。为此，测试从业者应通过自动化工具整合、提升反馈质量、流程优化（如测试左移和BDD）以及强化团队协作来
算力之外的效率突围
PAI-TurboX为自动驾驶模型训练与推理提供全栈加速方案，通过系统级优化（CPU亲和性/内存管理）、数据侧创新（高效DataLoader/智能样本分组）和模型侧改进（算子优化/设备重映射）三大维度，显著提升BEVFusion等主流模型的训练效率（最高缩短58.5%时间）。该方案有效解决了数据预处理瓶颈与多模态模型复杂度带来的性能挑战，并计划通过Remote Dataloader等新技术进一步释
Imagination Technologies推出 Imagination E-Series GPU IP，重新定义了边缘人工智能和图形系统设计。E-Series凭借其高效的并行处理架构，在提供卓越图形性能的同时，针对人工智能工作负载，其 INT8/FP8 算力可在 2 到 200 TOPS 之间扩展。它为未来的边缘应用提供了一种通用且可编程的解决方案，涵盖图形渲染、桌面和智能手机等领域，可实现
来源：https://www.zhihu.com/question/590322737，编辑：3D视觉工坊作者：maja首先技术不会凭空消失，而是在进步中被人以另一种面目不断发掘出来。对于SLAM，高精地图这样的问题也是这样的。目前低速巡航机器人受限算力还保持一定的架构稳定，但自动驾驶已经天翻地覆的变化了。早在高精地图地图阶段因为对算力，实时性需求差异，导致定位解算前端和特征提取后端（服务器端计算
同时，在“舱驾一体”趋势下，博泰陆续发布“舱行泊一体”方案以及首款整车中央计算平台（即Central Computering Module，以下简称CCM），融合智能座舱功能、高级辅助自动驾驶、车身功能、整车控制功能等。从东软已经交付的两个量产案例来看，其中，DVR（行车记录仪）、DMS（驾驶员监控）、AVM（环视360）等独立模块（也是一种降本）融合进域控制器，构建数字座舱信息显示、人机多模态交
起因：在户外测试时，出现卡顿，因此对各个算法进行了性能测试；初步结论是：lio-sam-based-localization的算力开销比hdl大很多；eband算力需求比dwa大；
RTX 4090 通过架构级创新，正在消除 AI 落地的算力壁垒。从生成艺术到生命攸关的自动驾驶系统，其多元应用验证了“通用计算”向“智能计算”的范式转移。随着工具链的持续完善，该平台将成为跨学科创新的核心载体。注：本文所有实验数据基于 PyTorch 2.0 + CUDA 11.8 环境实测，模型均采用开源实现。
，
自动驾驶地图标注了所有道路特征和驾驶经验轨迹，特别是传统传感器看不到的地方，例如拐弯儿、上下坡的地方，能够为智能网联汽车构建一套完整的长周期地理信息记忆，无形中增强了车辆超视距感知能力，为车辆提供重要的先验信息与人类驾驶经验，弥补普通近距离传感器及模型训练的不足，减少对车端高算力的刚性需求，更好地满足智能驾控决策需求。再比如毫米波雷达，虽然在当前的自动驾驶方案中被应用的非常多，但它的问题是探测角度
智能驾驶进入AI时代，智算基础设施与算法、数据三者协同发展，端到端智驾正成为业内共识，其中VLA模型凭借多模态融合与端到端决策的优势，已成为实现L3及以上高级别自动驾驶的关键路径。“技术-场景-生态”的立体化赋能模式，不仅为车企提供了从算法开发到合规落地的全生命周期支持，更通过虚实结合的仿真验证与车云协同机制，将VLA模型的决策效率实现数量级提升，推动高阶智驾从实验室验证迈向真实道路的规模化应用，
随着科技的飞速发展，高性能计算（HPC）已成为各行业提升核心竞争力的关键。企业通过高性能计算（HPC）资源租赁，能够以低成本获取强大计算力，从而更好地应对复杂的数据分析、科研开发和大规模计算任务。本文将详细探讨HPC资源租赁的优势和应用，帮助企业充分挖掘其潜力。
随着汽车智能化、网联化技术快速发展，研制满足高级别自动驾驶的高算力、高能效比以及具备高功能安全等级要求的自动驾驶域控制器成为行业争相攻克的前沿核心技术之一。为进一步探究技术路径与开发思路，电动汽车产业技术创新战略联盟汽车电子电气架构工作组和中国智能网联汽车产业创新联盟共同发起《高级别自动驾驶域控制器硬件通用设计规范》研究工作，在国家智能网联汽车创新中心、中国第一汽车股份有限公司、德赛西威汽车电子股
本文探讨了GPU（图形处理器）在现代计算中的角色转变，从最初的图形渲染到如今成为人工智能和高性能计算的重要组成部分。我们将通过几个具体的案例研究，包括游戏渲染、虚拟现实(VR)以及自动驾驶系统，来展示GPU是如何推动这些领域的进步和发展。
【代码】openharmony中使用I2C
摘要：近几年，随着人工智能技术不断取得突破性进展，汽车智能化形成趋势，AI辅助驾驶功能渗透率越来越高。我国无人驾驶车载芯片的研发起步晚于美、日、欧等发达国家，在国家智能汽车芯片政策利好形势下，车载芯片产业将迎来高速发展时期。本文主要从国内外无人驾驶车载芯片的现状及国内政策进行分析。智能汽车芯片在汽车智能化、网联化等趋势下，车载芯片作为自动驾驶最关键的部件之一，芯片的性能和算力直接影响自动驾驶系统的
3月2日，也就是吉利发布会的前一天，吉利汽车控股发布公告，宣布将成立一家合资公司，主要从事智驾业务，并计划未来使用其智驾解决方案。类似于比亚迪的天神之眼分成ABC三挡，对应不同级别车型，吉利的千里浩瀚智驾方案更加多元化，分为 H1、H3、H5、H7和H9共5个不同层级的智驾方案。而从车企的策略来看，则主要强调基础功能（如高速NOA）的普及，并同时借助不同等级方案的成本差异，实现全品牌、全价位车型的
智能座舱的“进阶战”正在激烈的上演着。近日，吉利全新汽车机器人品牌极越旗下首款车型极越01正式上市并同步开启交付。新车搭载了高通5nm工艺制程的8295座舱芯片，并首次完全启用双NPU。在强大的算力支持下，极越01配备了35.6英寸6k超清一体屏，并率先实现业内首家AI算法全量本地化，能给用户提供毫秒级全域全离线语音、顶级画质全屏竞速游戏以及全沉浸休闲舱的交互体验，同时还做到了语音、手势、视觉识别
算力决定上限通信决定能否落地高速率 + 高可靠 + 高集成 + 系统级降本谁就掌握了下一代汽车电子架构的话语权 🎯。SerDes，不是配角，而是架构核心。
5 月 24 日，嬴彻科技接受媒体采访时表示，在数据智能系统领域，公司与阿里云展开深度合作——以云计算为基础，嬴彻构建了业界领先的高并发、高弹性的数据存储、计算及调度基建平台，加速自动驾驶仿真，降低计算资源消耗。
随着整车电子架构的升级，域控制器也逐步从智能驾驶、智能座舱向其他传统分布式ECU功能集成进行延伸，也打开了新的增长赛道。域控制器从功能角度划分，可分为5大类：动力域（安全）、底盘域（车辆运动）、座舱域/智能信息域（娱乐信息）、自动驾驶域（辅助驾驶）和车身域（车身电子），这五大域控制模块将是未来很长一段时间智能汽车的主流电子架构布局。其中，车身域控制器（传统BCM、PEPS以及网关等独立ECU集成）
在这条赛道上，几乎所有玩家都绕不开几个名字：英伟达、地平线、黑芝麻智能，还有后来者爱芯元智。它们分别扮演着不同的角色——有人凭借全球生态称霸高端，有人靠本土化和性价比突围，有人专注特定场景深耕，还有人以极致成本打开入门市场。从算力和制程的角度来看。可粗略划分高端，中端，低端。实际情况可能有所差别：也就是Nvidia占领了高端芯片的大片江山，但是地平线征程6P凭借560TOPS，也成功挤进高端行列，
NVIDIA DRIVE AGX系列平台在硬件设计上实现了从L2+辅助驾驶到L5完全自动驾驶的跨越。以最新一代的DRIVE AGX Orin为例，其芯片支持高达254 TOPS（每秒万亿次运算）的计算性能，为复杂的深度神经网络和多传感器数据融合提供了强大算力。DRIVE AGX Thor则整合了最新的NVIDIA Blackwell GPU架构，不仅支持高精度的计算任务，还兼顾了能耗和系统成本，为
从自动驾驶、智能家居到生物仿真、材料仿真等等领域都能够看到AI的身影，在这背后到底是什么在支撑人工智能快速发展呢？
【摘要】AI算法模型的开发，测试和训练是自动驾驶公司最重要的工作之一，它们都需要大量GPU算力来支撑。然而，“一人一卡”的简单独占式GPU分配方式会导致GPU分配率高但实际利用率低，造成大量算力的浪费。基于远程GPU的GPU池化技术能够做到动态分配和自动释放GPU资源，是解决这个问题的关键方法。当前业界在GPU虚拟化和池化方面的实践主要集中在三个层次：（1）硬件层；（2）内核层；（3）运行时层。在
大模型在自动驾驶上的应用，其实早已有之。尤其是毫末，最早认识到源自NLP领域的大模型在视觉领域同样具有巨大的潜力，通过超大规模模型、超大算力实现自动驾驶系统的快速迭代。顾维灏2021年提出Transformer的应用，一直踏实于技术。毫末智行可以算是中国的自动驾驶大模型先驱。大模型的应用，自然要求大算力，于是，毫末又成为国内第一个选择自建超算中心的自动驾驶公司。毫末从来不是一个循规蹈矩的AI公司，
这场路线之争的本质，并非技术对错的判定，而是行业在 “当下可行性” 与 “未来可能性” 之间的理性选择 —— 随着算力成本的降低与模型效率的提升，语言模型的抽象优势很可能终将跨越算力消耗的门槛，成为高阶自动驾驶的核心支柱。而 VLA 则遵循 “具身智能” 的认知逻辑，将视觉编码器提取的环境特征（如道路标线、行人状态）转化为 “视觉 Token”，再与语言模型的语义知识进行对齐融合 —— 例如将 “
地铁调度系统容错测试需满足严格安全标准（EN50128 SIL-4、IEC62279），覆盖99.99%故障模式，响应时间≤500ms。测试采用故障注入矩阵和混沌工程方法，构建数字孪生平台实现1:1时域仿真，通过RAFA等工具进行硬件级验证。关键指标包括系统韧性指数和MTTF/MTTR比，需通过EN50159-2等认证。AI调度系统新增对抗样本测试维度，确保在攻击下维持基础运行能力。测试难点在于平
25年12月来自上海科技大学、清华、同济、上海交大、旷视科技和迈驰智行的论文“OmniDrive-R1: Reinforcement-driven Interleaved Multi-modal Chain-of-Thought for Trustworthy Vision-Language Autonomous Driving”。在自动驾驶（AD）等安全关键领域部署视觉-语言模型（VLM）面临着
25年12月来自华中科技大学和小米电动汽车的“MindDrive: A Vision-Language-Action Model for Autonomous Driving via Online Reinforcement Learning”。目前自动驾驶领域的视觉-语言-动作（VLA）范式主要依赖于模仿学习（IL），但这会带来诸如分布偏移和因果混淆等固有挑战。在线强化学习提供一种有前景的途径，
自动驾驶
——自动驾驶
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
openvela
DAMO开发者矩阵
2048 AI社区
九章云极普惠算力
深开鸿 技术专区
