FOV 表示相机能看到的角度范围，常分水平/垂直/对角厂商多标对角 FOV，工程标定常用水平/垂直广角 FOV 大、长焦 FOV 小变焦、裁剪、去畸变裁剪都会改变有效 FOVFOV2arctan⁡S2fFOV2arctan2fS​FOVx2arctan⁡W2fxFOVy2arctan⁡H2fyFOVx​2arctan2fx​W​FOVy​2arctan2fy​H​。

Camera：给自动驾驶“理解世界的语义能力”——车道、灯、牌、类别、规则LiDAR：给自动驾驶“可靠的三维几何能力”——距离、结构、建图与定位特征Radar：给自动驾驶“全天候的动态感知能力”——远距、速度、雨雾冗余IMU：给自动驾驶“高频连续的运动状态”——姿态、去畸变、短时连续性GNSS：给自动驾驶“全局绝对基准”——全球坐标与长期不漂的参考关键能力有冗余退化模式可控标定与同步可靠融合策略能

深度结合，迈向。

自动驾驶端到端大模型VLM/VLA论文笔记：ORION，ReCogDrive。

自动驾驶端到端大模型VLM/VLA论文笔记：ReCogDrive。

提高几乎任何机器学习算法性能的一种非常简单的方法是，在相同数据上训练许多不同的模型，然后对它们的预测结果取平均值[3]。遗憾的是，使用整个模型集成进行预测较为繁琐，并目计算成本可能过高，难以部署给大量用户，尤其是在各个模型都是大型神经网络时。Caruana及其合作者[1]已表明，可以将一个集成中的知识压缩到单个模型中，从而使其更易于部署；我们使用一种不同的压缩技术进一步发展了这种方法。

测试02测试02测试02测试02测试02。

测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03测试02测试03。

要让一个人工智能模型控制汽车、机械臂、人形机器人和灵巧手，需要同时解决两个相互独立的问题。第一个问题是：这属于动作接口或动作表示问题。典型方案包括：第二个问题是：这属于模型主干架构问题。典型方案包括：这两个问题是正交的：动作表示≠Transformer 架构\boxed{\text{动作表示}\neq\text{Transformer 架构}}动作表示=Transformer 架构​例如：本文先

Cosmos 3 希望用一个模型同时理解和生成语言、图像、视频、音频以及机器人动作。要做到这一点，它必须解决两个问题：第一，不同机器人、汽车和人体的动作格式完全不同，怎样把它们统一起来？第二，语言推理和视频、动作生成需要的计算方式不同，怎样把它们放进同一个 Transformer，又尽量避免互相干扰？Cosmos 3 对第一个问题给出的答案是“统一动作接口”：把各种原始控制信号转换为主体位姿、末端