SparseDriveV2 提出因子化词表与分层打分框架：先将轨迹拆成几何路径和速度剖面，再用 K-Means 构建超密候选集，并通过 coarse-to-fine 机制逐级筛选与重评分，在更低计算开销下扩大动作空间覆盖。实验上，模型在 NAVSIM v1 取得 92.0 PDMS、NAVSIM v2 取得 90.1 EPDMS，在 Bench2Drive 达到 89.15 Driving Sco

本文围绕 **det（3D 检测）** 与 **map（MapTR 实时地图生成）** 两个感知任务并行模型设计，系统梳理 Apollo-Vision-Net 中 det+map 多任务模型的“设计 → 配置 → 源码实现 → 评测闭环 → 复现结果”。目标是让读者能够对照文档完成模型复现、测试，并明确每个 cfg 字段对应的源码位置、推理输出的接口规范与设计理由。

本文介绍了在 Apollo-Vision-Net 项目中引入 MapTRv2 机制的技术方案。文章重点阐述了 MapTRv2 在现有 BEVFormer det+map 基线中的实现方式，包括配置层变化、模块组织和核心机制。

本文系统阐述了MapTRv2风格地图真值在线生成流程。生成过程需要三类数据：nuScenes原始地图JSON、中间格式infos和样本位姿信息。核心流程包括：离线整理样本生成infos文件；训练时根据位姿从JSON中裁取局部地图；将地图元素转为向量监督信号。代码实现涉及数据集预处理、位姿处理、地图裁剪和向量转换等模块，最终输出包含四类地图元素的向量化监督信号，用于模型训练。

本文提出了一套自动驾驶数据筛选方案，旨在从海量原始日志中高效选取高价值标注样本。方案采用六阶段流程：质量过滤、场景切片、价值打分、分层抽样、去重和人工复核。通过定义Log、Scene、Keyframe三级数据单元，结合传感器质量、目标丰富度、交互复杂度等评分维度，并引入分层抽样和相似场景去重机制，确保筛选出的数据质量可靠、场景多样且标注成本可控。最终输出候选场景表、关键帧索引等结构化结果，为自动驾

KnowVal提出了一种知识增强与价值引导的自动驾驶系统，通过模块化架构整合知识图谱检索与价值评估。系统采用三阶段流水线：感知引导知识检索、检索引导开放世界感知、基于价值评估的规划决策。知识图谱包含1,324个节点和2,785条边，严格保留原始法规条款以确保保真性。价值模型对候选轨迹进行社会规范评估，形成闭环决策。论文提供了详细的复现指南，包括知识图谱构建流程、检索机制、价值模型训练方法及关键参数

地平线OE3.7版本上线了一个J6M可跑的多任务感知模型，其qat后det任务mAP高达41，比OE3.2各类3D目标检测模型高近10个点，并且支持目标检测（推测为Sparse4D系列）、实时地图生成（MapTR）、Occ占据栅格预测（FlashOcc）三个任务并行，并且在J6M上FPS跑到了35，虽然测试的是在数据集上，但该模型已经十分接近量产，非常值得研究，因此本文从配置出发，对该多任务模型进

本文深入解读了自动驾驶前沿框架 DIVER，它通过融合 扩散模型 与 强化学习，解决了端到端自动驾驶中因模仿学习导致的 行为保守 与 轨迹模式崩溃 难题。文章剖析了其核心组件 PADG（策略感知扩散生成器） 与 GRPO（群组相对策略优化） 的工作原理，并结合开源代码结构说明实现细节。实验表明，DIVER 在 NAVSIM、Bench2Drive 等主流仿真与真实数据集上，在 轨迹多样性、安全性与

ubuntu20.04系统地平线OE3.2.0 GPU Docker、J6M交叉编译arm镜像使用过程

本文梳理基于 BEVFormer 的检测与语义分割多任务实现，复现并验证 BEV 表示经 reshape、rot/flip、feat_cropper(grid_sample) 到 SegEncode 的张量流与空间对齐。文章包含关键配置摘录、轻量化单元测试与输出样例，提出可加入的 CI 断言（批次与空间尺寸对齐）和可视化诊断步骤（对比 seg_pred.argmax 与 rasterized se