登录社区云，与社区用户共同成长
邀请您加入社区
本次培训由**工业和信息化部电子工业标准化研究院（CESI）主办**，严格依据SJ/T 11805-2022行业标准设计，2026年7月30日-8月2日线下（天津）+线上同步授课，完整覆盖**强化学习理论、深度算法、多智能体、仿真实操、RLHF大模型对齐、工业落地案例**全链路，精准匹配央国企智能决策、机器人、自动驾驶、大模型集成项目需求。4. 适配人群：央国企数字化中心、AI研发、自动化、机器人
想了解开源代码如何接管方向盘吗？本文深入解读 GitHub 热门项目 openpilot，带你探索自动驾驶背后的感知与规划技术。这不仅是代码库，更是连接软件与物理世界的“活教科书”，让你见证几万行代码如何驾驭钢铁巨兽！🚗
具身智能（Embodied Intelligence / Embodied AI）起源：图灵构想→布鲁克斯 1986 年奠定理论→2020 大模型时代爆发；构成：硬件本体 + 多模态感知 + 大模型决策 + 运动控制四层技术栈；区别：ChatGPT 是离身智能；机器人、无人车、四足设备才是具身智能；现状：工业场景小规模落地，人形通用机器人处于实验室到量产过渡阶段，是全球未来产业核心赛道。
无论你是玩过大疆无人机、戴过 VR 头显、还是了解过自动驾驶和机器人，你都绝对绕不开一个至关重要的核心传感器——IMU（Inertial Measurement Unit，惯性测量单元）。如果说摄像头和激光雷达是机器人的“眼睛”，那么 IMU 就是机器人的**“小脑”。即使在蒙上眼睛（失去视觉和 GPS 信号）的情况下，IMU 依然能让机器感知到自己的姿态、方向和运动状态。今天，我们就来扒一扒 I
本文作为前序J6平台QAT精度调优教程的补充，总结地平线J6系列工具链QAT训练环节的各类典型异常问题以及定位解决的流程和思路。
两台电脑，一台Win10的电脑跑虚拟仿真环境（[LGSVL simulator 2021.3），另一台Ubuntu1804电脑跑自动驾驶框架（Autoware 1.14），通过无线或有限两种连接方式。仿真、计算分开部署，减轻单台计算机性能压力。
第八届全球校园AI算法精英大赛“算法应用赛道”启动报名。
本文详细介绍了如何使用Python实现Frenet与Cartesian坐标系的相互转换，特别适合自动驾驶和机器人领域的开发者。通过分步代码示例和完整实现，帮助读者克服数学恐惧，掌握坐标系转换的核心技术，提升路径规划和控制算法的开发效率。
本文通过几何直觉和Python实现，深入解析Frenet坐标系在自动驾驶中的应用。从道路参考线的视觉化拆解到坐标系转换的几何图解，帮助读者摆脱公式死记硬背，直观理解Cartesian到Frenet的坐标转换原理，并附有代码验证与典型应用场景分析。
运动物体分割是自动驾驶感知中的关键技术，旨在从动态环境中精准分离出运动目标，以保障行车安全。其核心原理在于分析连续帧点云数据的时空变化，识别属于同一物体的点集并判断其运动状态。这项技术的价值在于为车辆规划与控制模块提供可靠、实时的动态障碍物信息，是构建安全、高效自动驾驶系统的基石。在工程实践中，如何在资源受限的车载嵌入式平台上实现高精度、低延迟的运动分割是一大挑战。传统方法往往在鸟瞰图与距离视图的
本文提供了一份详细的AWS DeepRacer 2024赛季调参指南，重点解析奖励函数的核心架构与调参技巧。通过Python代码示例和赛道适应性策略，帮助开发者优化自动驾驶赛车模型，提升在不同赛道上的表现。特别适合希望深入理解DeepRacer奖励函数调参的开发者。
本文深入解析nuScenes数据集的多传感器数据融合技术，涵盖数据架构、时间同步策略和跨模态坐标变换。通过Python代码示例，展示如何高效处理激光雷达、摄像头等异构数据，实现精准对齐，为自动驾驶算法开发提供实用指导。
本文详细介绍了如何使用Python高效提取nuScenes数据集中的3D目标检测与跟踪训练标签。从环境配置、数据结构解析到标注数据提取与转换，再到高级处理技巧和性能优化方案，提供了完整的实战指南。通过API使用技巧和坐标系转换，帮助开发者快速处理复杂标注数据，提升模型训练效率。
本文详细介绍了如何使用nuScenes数据集的Python SDK进行数据可视化与3D标注查看。从开发环境配置、数据加载到3D标注可视化，提供了完整的实战指南，帮助自动驾驶研究者快速上手这一多模态数据集，提升算法开发效率。
guanheRobotMachine.urdf：传给节点的参数，即机器人描述文件（URDF 格式）
本文深入解析AVM环视算法中的核心组件‘拼接系数表’，详细讲解其在自动驾驶全景俯视图像生成中的关键作用。通过C++/OpenCV代码示例，展示如何生成和可视化这些决定图像拼接质量的权重表，帮助开发者理解并实现高效的环视系统图像融合技术。
本文深入解析自动驾驶决策模块的代码实现，通过Python伪代码演示轨迹处理、避障逻辑与安全指标计算的全过程。重点介绍了轨迹抖动抑制、避障策略及安全指标MPI监控，帮助开发者理解自动驾驶底层逻辑并提升实操能力。
本文详细介绍了如何使用Python和Open3D处理激光雷达点云数据，包括ROI裁剪、降采样和离群点去除等核心预处理技术。通过实战代码示例，帮助开发者快速掌握激光雷达点云处理的关键步骤，适用于自动驾驶感知系统的开发与验证。
本文深入探讨了Voronoi图（泰森多边形）在自动驾驶路径规划中的应用，详细介绍了如何将Voronoi图转化为连续的势场函数，并集成到Hybrid A*算法中。通过Python代码实现，展示了如何构建Voronoi势场、优化路径规划，并解决实际应用中的挑战，为自动驾驶系统提供更安全的路径选择方案。
本文详细介绍了如何使用AirSim 1.3.1 Python API控制仿真环境中的天气、时间与碰撞检测，帮助开发者构建动态仿真环境。通过代码示例和配置参数，展示了如何实现气象模拟、时间加速和精确碰撞检测，适用于自动驾驶和机器人算法的安全测试与开发。
本文详细解析了AirSim Python API开发中的三大核心难题：多线程控制、坐标转换与天气系统实战。通过实际案例和代码示例，揭示了异步任务管理、NED与UE坐标系转换技巧，以及动态天气参数组合策略，帮助开发者避开常见陷阱，提升无人机和自动驾驶仿真项目的开发效率。特别适用于使用AirSim 1.3.1版本进行复杂系统开发的工程师。
本文深入浅出地解析了高斯投影技术及其在现代导航和自动驾驶中的应用。通过趣味比喻和实用代码示例（Python/Matlab），帮助读者理解坐标转换原理，并掌握从地理坐标到高斯坐标的转换方法，为地图APP和自动驾驶系统开发提供技术支撑。
本文深入探讨了C++中usleep和sleep函数在百度Apollo自动驾驶项目中的应用与优化策略。通过对比不同延时函数的精度和适用场景，分析了多线程环境下的常见陷阱及解决方案，并提供了高精度时间测量和自适应延时控制的实用技巧，帮助开发者实现更精确的时间控制。
本文深入探讨C++中sleep、usleep和delay延时函数的选择与优化策略，从Apollo自动驾驶系统的高精度需求到嵌入式项目的实际应用。通过对比分析不同延时方法的性能特点、适用场景及实现技巧，帮助开发者根据项目需求选择最佳方案，提升代码效率与可靠性。
本文为自动驾驶初学者详细介绍了如何使用Python从零实现运动学自行车模型（Kinematic Bicycle Model）。通过后轴、前轴及质心三种参考点的代码实现，结合完整示例代码和可视化轨迹，帮助读者快速掌握车辆运动建模的基础原理与实践技巧。
本文详细介绍了如何使用Python从零实现自动驾驶中的运动学自行车模型，通过NumPy和Matplotlib进行车辆转向模拟。文章涵盖了后轴、前轴和重心参考点模型的实现与对比，并提供了轨迹跟踪控制器等高级应用示例，帮助开发者深入理解自动驾驶基础模型。
本文提供了一份详细的Python教程，指导读者从零开始实现自动驾驶自行车运动学模型（Kinematic Bicycle Model）。通过环境搭建、模型参数定义、状态更新方程实现到轨迹仿真与可视化的完整流程，帮助开发者掌握这一自动驾驶领域的基础模型。教程包含完整代码示例和高级应用场景，适合自动驾驶初学者和实践者。
本文详细介绍了如何使用Python解析OpenDrive格式的高精度地图文件（.xodr），重点讲解车道中心线（参考线）的提取方法与坐标系转换技术。通过实战代码演示了直线、弧线等几何元素的处理，以及ST到XY坐标系的转换算法，为自动驾驶和智能交通系统开发提供实用解决方案。
本文提供了一份详细的Python教程，指导如何从Waymo Open Dataset中提取3D点云和标签，并实现可视化。内容涵盖环境搭建、数据加载、点云处理、标签解析以及3D可视化技术，帮助开发者高效利用这一自动驾驶领域的重要数据集。
本文深入解析Livox激光雷达CustomMsg格式中的Tag和Line字段，详细讲解如何通过C++代码提取和处理这些关键信息。文章涵盖二进制位操作、多回波滤波策略、动态噪点过滤技术以及基于线号的分层处理，帮助开发者实现高效的点云数据预处理，提升自动驾驶和机器人感知的准确性。
本文详细介绍了如何利用CARLA仿真平台的Waypoint API实现自动驾驶小车的精准寻路功能。通过解析道路网络基础、核心API方法实战以及构建完整导航系统，帮助开发者掌握从简单路径跟踪到复杂决策的全套技术，并附有Python代码示例，特别适用于多车道环岛等复杂场景的自动驾驶开发。
本文为C++开发者提供了一份详细的ARS548毫米波雷达数据解析指南，涵盖从环境配置到目标数据解析的全流程。通过实战案例和避坑技巧，帮助开发者快速掌握RDI SDK的使用，提升自动驾驶环境感知系统的开发效率。
本文详细介绍了如何在Windows本地高效搭建Carla自动驾驶仿真环境，涵盖硬件要求、开发工具链安装、网络优化及Python 3.7配置。通过两种安装方案（快速部署和源码编译），帮助开发者避开常见坑点，提升仿真性能和稳定性。特别针对国内网络环境提供了优化建议，适合需要快速验证算法或自定义功能的开发者。
本文详细介绍了如何利用Carla预编译版快速搭建Python自动驾驶测试环境，大幅缩短部署时间至30分钟内。通过精准配置Python 3.7和Conda环境，结合官方预编译包，开发者可以轻松实现车辆控制、传感器模拟等核心功能，特别适合算法测试和教学演示场景。
本文详细介绍了如何在VSCode中配置Apollo开发环境，实现BUILD文件的自动化格式化，解决自动驾驶开发中常见的缩进和语法问题。通过安装Bazel插件、Prettier等工具，并结合EditorConfig统一代码风格，开发者可以高效处理BUILD文件，避免编译错误，专注于核心业务逻辑。
本文提供了一份详细的Python教程，教你如何使用nuscenes-devkit从零开始处理nuScenes数据集。通过环境配置、核心数据结构解析、多模态数据可视化等步骤，帮助自动驾驶研究者高效管理和分析多模态传感器数据，并附有Colab实战代码。
智能驾驶C++开发是一条技术门槛高但回报丰厚的赛道。随着行业合规化与商业化加速，具备扎实技术功底与项目经验的开发者将迎来更多机遇。建议从业者持续深耕核心技能，关注政策与技术演进，把握行业红利。
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
DAMO开发者矩阵
2048 AI社区
AtomGit AI 社区
地平线开发者
深开鸿 技术专区
亚马逊云科技技术品牌专区
