登录社区云，与社区用户共同成长
邀请您加入社区
整体的技术路线是通过4D重建实现点云级别或object级别的重建，人工标注积累原始数据，随着数据积累到一定程度，可训练云端大模型逐步替换人工标注，提升80%+的标注效率。BEV感知算法的发展，从2015年的手工透视变换到2025年的端到端VLA模型，不仅体现了计算机视觉技术的飞速进步，更标志着自动驾驶系统从”被动识别”向”主动预判”的演进。百度的端到端联合训练架构将感知网络与决策规划网络一起进行联
摘要：国际化多语言回归验证机器人(IMRVR)通过自动化与AI技术解决软件全球化测试痛点。该工具结合Selenium/NLP等技术，实现多语言版本的高效验证，可缩短测试周期70%，有效识别字符编码、界面布局等问题。案例显示，IMRVR帮助金融和游戏行业规避本地化风险，但面临初始配置复杂等挑战。未来将向预测性分析和低代码方向发展，建议测试团队提升自动化技能，共建国际化测试用例库，以适应全球化软件开发
典型基于优化的SLAM问题来说：Pose-SLAM的目标是在给定闭环和里程约束条件下估计机器人的轨迹(相对姿态)。这些相对姿态测量通常通过IMU、lidar、camera或GNSS获得，使用ego-motion、scan-registration、ICP等构建损失函数。利用最流行的优化框架g2o、Ceres、GTSAM、SE- Sync等进行求解。但是目前没有论文在同一条件下对这些框架算法进行评估
自动驾驶芯片市场呈现多元化竞争格局，Mobileye EyeQ系列覆盖ADAS到全自动驾驶（2.2-176TOPS），地平线J6P双芯片方案达256TOPS，特斯拉AI5芯片或将突破2500TOPS。高通推出舱驾一体方案（640TOPS/芯片），英伟达Thor系列（730-2000TOPS）瞄准L3+市场。2025年L2.9级车型渗透率超50%，主流方案包括Orin-X（254TOPS）、Asce
智能座舱芯片是由汽车E/E架构演化出来的一个概念，其为域控制架构（按照功能划分不同控制区域的方法，也被称为Domain架构）的重要组成部分，而对座舱域进行控制的芯片，被称为座舱芯片。座舱芯片相当于座舱的大脑，负责处理和控制座舱内各类设备的信号。智能座舱域的外部硬件设备还包含有连接子系统，音频子系统，摄像头子系统，显示子系统，存储子系统，功能安全子系统等。传统座舱的转型关键词是“智能”。智能座舱将融
利用混合精度和分布式训练提升训练效率；结合数据增强与调度策略提升模型泛化；采用 TensorRT 等推理加速手段极大降低推理延迟；构建可扩展部署架构满足自动驾驶系统实时性要求。本方案展示了从训练到部署的端到端优化路径，为工程落地提供了可执行、细粒度的参考。后续可结合更先进的模型架构（如 BEV 4D Transformer）以及车辆传感器融合（LiDAR + Camera）技术推进更高层次的感知能
OpenAI 11位联创只剩3人，Ilya出走创办SSI，John Schulman跳槽Anthropic……而Anthropic的7位创始人至今无人离队。稳定，才是最大的竞争力。AI巨头中，员工留存率最多有多高？这是去年曝出的数字。而且，不是巨头谷歌DeepMind，不是Meta，也不是OpenAI，而是Anthropic:根据风投公司SignalFire的研究，在2021年到2023年初之间入
注意：根据你的cuda版本选择相应的版本，并注意它们之间的版本依赖关系。把Mini的压缩包都放在同一个目录，例如名为v1.0-mini，然后解压，解压的时候会有一些目录合并。把全量的压缩包都放在同一个目录，例如名为v1.0-full，然后解压，解压的时候会有一些目录合并。把v1.0-mini改名为v1.0-trainval，这样得到的目录是。需要下载TrainVal, Test和can_bus，得
自动驾驶技术在过去十年（2015-2025）实现了从规则驱动到AI驱动的范式革命，核心演进包括：1）算法架构从模块化转向端到端大模型；2）感知系统从依赖高精地图发展到实时无图方案；3）数据训练从人工采集升级为大规模数据飞轮；4）底层平台从CAN总线升级为车载以太网。2025年自动驾驶已成为汽车的"灵魂"，标志着AI首次在复杂物理世界中实现高安全自主决策，是具身智能在出行领域的重
在自动驾驶技术迅猛发展的当下，自动驾驶赛车作为该领域的前沿应用，对路径规划算法提出了极高要求。赛车运动具有高速、动态、竞争激烈等特点，要求路径规划算法不仅能快速响应复杂多变的赛道环境，还要在保证安全的前提下，实现最优的行驶路径规划，以提升赛车在比赛中的竞争力。快速探索随机树（RRT）算法作为一种基于采样的路径规划算法，凭借其快速探索高维空间、概率完备性等优势，在机器人路径规划、自动驾驶等领域展现出
不过，即使是像Transformer这样遇强则强的大模型，也需要基于训练效率进行合理分配，因为在突破1亿公里后，自动驾驶的数据集体积也会越发膨胀，即使超算中心应付得了，在加入新的高价值数据后，同时处理一整个数据集，也终究会在占用过多算力资源的基础上，影响正常的训练效率。完全模拟，并替代人类驾驶，是人们对自动驾驶的终极目标，但考虑到当下的公共交通都是建立基于交通规则和人类司机灵活处置的基础上的，所以
智能汽车已经从早期的单一功能数字化、智能联网化，逐步延伸至高算力座舱平台、域控制器融合、人机交互功能多元化以及整车智能化的新阶段。
随着自动驾驶技术从L2向L5发展，车内显示屏数量和像素大幅增长。L3至L4级车辆将配备大型仪表盘屏、AR-HUD及多位置交互屏，推动汽车变为移动生活空间。未来高端车型可能集成上亿像素显示系统，对算力和接口提出更高要求，车载显示正成为人机交互与品牌差异化的核心。
大模型的发展正迅速成为推动技术创新和行业变革的关键力量。然而，随着模型规模的扩大和应用的深入，也面临着一系列挑战和问题。本文深入探讨了大模型目前面临的十大挑战，从能源消耗、算力成本到数据隐私保护等。同时，我们也展望了未来大模型的发展潜力，涵盖算力能力的进步、模型架构的创新及应用的拓展。通过分析这些挑战与展望，旨在为读者提供一个全面的视角，为推动大模型技术的健康发展和广泛应用提供参考。国际能源署预测
产品概述XPU是北京优优工场科技有限公司（YOYOWORKS，以下简称“优优”）推出的容器GPU虚拟化产品。XPU正是采用前文所述的第二种实现方式，核心思想是将GPU在内核层进行切分，向上模拟出统一的XPU设备供容器使用，即多个容器共享一张GPU卡。XPU实现了一套框架能够很好的屏蔽异构GPU和应用（TensorFlow，PyTorch等）之间的耦合，对GPU进行故障隔离，显存隔离，算力隔离，从而
当前，整个汽车半导体的王者之战火已经点燃，包括英伟达、高通、AMD、英特尔等巨头纷纷推出自家的重磅产品和创新技术，一致瞄准自动驾驶芯片领域。一方面，自动驾驶是百年汽车产业的一次重大变革，也是未来数字化社会发展的重要基础技术，未来市场前景巨大。另一方面，在智能驾驶时代，汽车行业的创新和卖点将逐步转移到软件上面。在这其中，基于硬件先行的必然规律，智能汽车大脑——高算力计算芯片将是智能汽车软硬件发展的核
2、ReedSheep曲线产生的轨迹靠近障碍物。1、ReedSheep曲线可能会产生短轨迹。计算时间增加，算力要求高。
摘要：NVIDIA Alpamayo自动驾驶生态系统 NVIDIA推出的Alpamayo生态系统为构建具备推理能力的自动驾驶系统提供了完整解决方案。该系统包含三大核心组件：Alpamayo 1（100亿参数VLA推理模型）、Physical AI AV数据集（全球最大开放自动驾驶数据集）和AlpaSim仿真平台（开源闭环评估工具）。Alpamayo 1通过Transformer架构实现多模态感知和
2026年AI测试自治将迎来关键突破，技术成熟、市场压力和法规强制三重驱动推动变革。AI将独立完成测试全流程，从业者角色转向治理者，需掌握Prompt工程、MLOps等新技能。AI测试自治面临伦理挑战和风险管理问题，需建立人机协作新模式。未来趋势包括智能体驱动的自治流水线、量子计算测试需求增长等。从业者需主动转型，从执行者升级为战略角色，以应对行业范式革命。
Autoregressive 提供 “逻辑骨架”，解决 “生成内容像不像” 的问题；Diffusion/Flow-matching 提供 “效率与细节”，解决 “生成内容好不好、快不快” 的问题。未来的影像、声音生成模型，会越来越难区分纯 AR 或纯 Diffusion—— 融合将成为标配。学习时，建议先掌握单条路线的核心逻辑，再聚焦融合方式的实操，这也是进入生成式 AI 领域的关键敲门砖。
对应传统机器学习的 “模型结构定义”（如 CNN、线性回归），RL 中 “模型” 就是策略 π—— 它规定了智能体在每个状态下如何选择动作。核心逻辑：RL 与传统机器学习共享 “三步学习法”——策略（模型）→ 回报（损失）→ 更新（优化），抓住这一点就能快速入门；关键认知：RL 的核心是 “回报信号的设计” 和 “探索 - 利用的平衡”，这两点直接决定学习效果；学习顺序：入门：先掌握核心组件和 Q
1.在 20 分钟的通信闭环里，你发出的指令是基于“过去”的状态（10分钟前），执行的动作将发生在“未来”（10分钟后）。因为仿真器里的物理引擎（Physics Engine）是基于简化公式的，它无法完美模拟现实世界中复杂的空气动力学、软体形变、温度对电路的影响，以及延迟和随机噪声。我们在仿真器（Simulation）里训练机器人时，就像在一个没有延迟、没有噪声的完美真空中。你看到敌人，开枪，但什
自动驾驶领域大模型与VLA技术应用及岗位分析 摘要：文章解析了自动驾驶领域大模型与VLA（视觉-语言-动作）技术的关系。大模型通过微调、轻量化等技术适配自动驾驶场景，VLA则作为端到端方案，分为两阶段（大模型+Diffusion）和单阶段（完全大模型）实现方式。同时介绍了三个高薪岗位（30k-100k/月），要求掌握Transformer、多模态等技术，并提供了大模型学习资源包信息。文章指出这是当
本文提出了一种名为SparseOccVLA的自动驾驶模型，利用稀疏查询将视觉语义与语言模型结合，统一解决了场景理解、环境预测和路径规划问题。
禾赛数据集pandaset使用说明1. pandaset数据集介绍1.1 数据集下载1.2 数据集简介1.3 数据集格式说明2. 数据使用说明1. 创建一个`DataSet`对象来搜索序列2. 加载特定的序列3.读取点云数据4. 坐标系转换5.获取标签信息6. 数据展示1. pandaset数据集介绍1.1 数据集下载pandaset数据集下载地址：https://scale.com/resour
NVIDIA发布的Xavier已经在市场上打拼了好几年了，同行竞争者一直在追赶、力图超越，Xavier也在应用中出现了一些问题，NVIDIA也该把Orin这个新武器揭开面纱了。虽然去年的GTC上有一些信息发不出来，但是还是犹抱琵琶半遮面的感觉，对于几年的GTC，关于Orin还是有很多的期待的。一、引言随着智能网联汽车大会的召开，智能网联汽车技术路线图2.0发布，智能汽车技术的发展方向更趋清晰，“三
地平线征程6工具链UCP平台支持模型板端部署，提供图像获取、性能分析、优化工具及前后处理模块。
UniVLA提出了一种创新的跨具身视觉-语言-动作通用策略学习框架，突破了传统具身智能模型的三大局限：通过无监督视频学习减少标注依赖、构建任务中心的隐式动作空间实现跨机器人形态迁移、采用轻量级适配降低部署成本。实验表明，该框架在多个操控和导航基准测试中性能显著优于现有方法，仅用少量数据即可达到SOTA效果，并在真实机器人部署中展现出80%以上的任务成功率与10Hz实时控制能力，为具身智能的通用化发
本文探讨了GCP负载均衡器自动化测试框架的设计与实施。针对传统手动测试无法应对动态DDoS攻击的问题，框架通过测试编排引擎、攻击模拟层和监控系统三大模块实现主动防护验证。重点测试弹性伸缩、协议漏洞防护等核心能力，并采用CI/CD流水线执行测试。该方案将防护测试转为主动验证模式，建议结合AI预测模型持续优化，建立基线指标应对新型威胁，显著提升云原生架构的安全韧性。
本文系统介绍了BEV（鸟瞰图）感知算法的技术发展历程及其在自动驾驶领域的应用。从2015年的传统IPM透视变换到2025年的端到端VLA模型，BEV感知技术经历了从几何变换到深度学习的关键突破。文章重点分析了传感器标定和时间同步两大基础工程挑战，详细解读了Lift-Splat-Shoot、BEVFormer等核心算法的技术原理与创新点，并展望了端到端VLA模型的未来发展趋势。通过统一3D空间表征，
数字孪生技术正推动软件测试领域的革命性变革。该技术通过构建物理实体的虚拟镜像，结合实时数据同步和AI模拟，使测试人员能够在虚拟环境中安全高效地验证复杂场景。相比传统方法，数字孪生测试具有三大优势：显著降低风险、提升测试效率（如西门子案例缩短50%测试时间）和优化成本（波音案例降低15%误差率）。实施过程涵盖需求建模、数据整合、AI注入等关键步骤，并广泛应用于工业制造、智慧城市和医疗设备等领域。尽管
随着区块链应用在金融、供应链等领域的深度渗透，智能合约的安全漏洞导致的损失呈指数级增长。传统人工审计效率已无法应对复杂合约逻辑，而AI技术的介入正重构测试方法论。本文将从测试工程师视角，解析AI驱动的智能合约自动化测试框架设计、实施路径与行业最佳实践。：基于AI的链下数据预言机（Oracles）实时模拟市场波动、网络拥堵等场景，生成压力测试数据集（如每秒10万笔交易峰值场景）：通过强化学习算法自动
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
2048 AI社区
DAMO开发者矩阵
九章云极普惠算力
NVIDIA DRIVE 智能汽车专区
地平线开发者
