2、读取csv文件、对数据进行预处理，成为可以转成tensor张量的数据；创建目录为../data/house_tiny.csv（../代表上一级目录，即data/house_tiny.csv应该在此代码目录的上一级目录中会有data/目录）5、 对于inputs中的类别值或离散值，我们将“NAN”视为一个类别；以及对于字符串的处理；把这一列里面所有出现的不同种类的数值都变成一个特征（Alley有

19、矩阵与矩阵乘法 MN可以看作是简单地执行m次矩阵向量积，并将结果拼接在一起，形成一个nxm矩阵。6、给定具有相同形状的任何两个张量，任何元素二元运算的结果都将是相同形状的张量。18、矩阵向量积 Ax 是一个长度为m的列向量，其每个元素是点积。17、可以通过执行按元素乘法，然后进行求和来表示两个向量的点积。20、范数：L1、L2范数用于向量；7、两个矩阵的按元素乘法称为 哈达玛积。16、点积是

华中科大与地平线团队提出RAD框架，通过3D高斯泼溅(3DGS)构建高真实感数字孪生环境，结合强化学习(RL)与模仿学习(IL)混合训练范式，解决传统自动驾驶方法存在的因果混淆和开环差距问题。创新性地采用解耦动作空间设计（横向/纵向各61档离散动作）和四元奖励机制，在4305个高风险场景数据集上验证，碰撞率(CR)较基线降低3倍至0.089，轨迹偏离距离(ADD)达0.257米。该方法首次实现基于

《VLM-MPC: Model Predictive Controller Augmented Vision Language Model for Autonomous Driving》是威斯康星大学于2024年8月发表的一篇论文，提出了一种结合视觉语言模型（VLM）和模型预测控制器（MPC）的自动驾驶控制器VLM-MPC。该控制器通过异步分层架构，上层VLM生成驾驶参数，下层MPC实时控制车辆，

汽车驾驶自动化分级》GB/T 40429-2021。

《DriveGPT4: Interpretable End-to-End Autonomous Driving via Large Language Model》是由＊＊＊大学、浙江大学、华为和悉尼大学联合研究，于2024年10月发表的一项创新性研究。该研究提出了一种基于大型语言模型（LLM）的新型可解释端到端自动驾驶系统——DriveGPT4。该系统能够处理多帧视频输入和文本查询，不仅能够解释车

DriveGPT4：将传感器数据（如摄像头图像）投影为语言模型的输入，利用LLM生成驾驶控制信号（如转向、加速、刹车）和解释性文本。DriveLM：通过图结构的视觉问答（GVQA）任务，将感知、预测和规划阶段的问答对连接起来，利用视觉语言模型VLM进行多步推理。优点：LLM能够处理复杂的推理任务，生成人类可理解的驾驶决策，增强系统的可解释性。方法：将LLM用于生成车辆的轨迹或控制信号，利用其推理能

发现自己写的博客文章名复制，然后粘贴到百度进行搜索，发现搜索不到自己的，但是会显示其他人的CSDN博客。于是查找相关资料，整理出以下搜索引擎资源收录入口，把自己的文章链接输入进去，然后经过审核通过后，便可以在相应的搜索引擎上搜索到自己的CSDN博客了。链接提交_加快网站内容抓取，快速提交数据工具_站长工具_网站支持_百度搜索资源平台。如下图所示，将CSDN博客链接输入，并提交，然后完成。提交后，审

实时操作系统（RTOS）是一种专门设计用于在严格时间限制内处理事件和执行任务的操作系统。与通用操作系统（如 Windows、Linux、macOS）主要关注整体吞吐量、公平性和用户交互体验不同，RTOS 的核心设计目标是可预测性和确定性。这意味着它必须保证关键任务能在已知的、预先确定的时间限制内完成，否则可能导致系统失效或产生严重后果。确保关键任务在硬性时间限制内完成，这是其最核心的价值。高效、可

如果此文章对您有所帮助，那就请点个赞吧，收藏+关注 那就更棒啦，十分感谢！！！