本文综述了深度学习在自动驾驶中的关键应用，系统梳理了感知、定位、决策与控制四大模块的技术进展。文章首先介绍了SAE自动驾驶分级标准，指出当前L2向L5演进面临的技术与伦理挑战。重点分析了目标检测算法（如DETR、Swin Transformer和SAM）在复杂环境下的性能优化，探讨了3D目标表示对导航安全的重要性。研究强调，实现高阶自动驾驶需要算法突破与系统级解决方案的协同，包括传感器融合、计算效

[Repose]gpustat : Linux下面监控GPU状态转载自：gpustat

Straight-Through Estimator (STE)Gumbel-SoftmaxReinforceConcrete / Relaxed SoftmaxContinuous RelaxationsTemperature AnnealingDifferentiable ArgMax

在过去的一年中，多模态大型语言模型 (MM-LLM) 取得了长足的进步，通过经济高效的训练策略增强了现成的 LLM 以支持 MM 输入或输出。由此产生的模型不仅保留了 LLM 固有的推理和决策能力，而且还支持各种 MM 任务。 在本文中，我们提供了一项全面的调研并总结，旨在促进对 MM-LLM 的进一步研究。

Straight-Through Estimator (STE)Gumbel-SoftmaxReinforceConcrete / Relaxed SoftmaxContinuous RelaxationsTemperature AnnealingDifferentiable ArgMax

图像生成（文生图）发展脉络梳理

本文对265个自动驾驶数据集进行了全面综述，系统分析了传感器类型、数据规模、任务类型和环境多样性等关键特征。研究提出了评估数据集影响力的新指标，结合引用分数、数据维度和环境多样性等因素。通过对比分析主流数据集（如Argoverse 2、KITTI、nuScenes等），深入探讨了不同传感器（RGB摄像头、激光雷达、毫米波雷达等）的数据特性与适用场景。文章还重点研究了数据标注流程、质量评估以及地理因

Straight-Through Estimator (STE)Gumbel-SoftmaxReinforceConcrete / Relaxed SoftmaxContinuous RelaxationsTemperature AnnealingDifferentiable ArgMax

CUDA out of memory解决办法当使用Pytorch GPU进行计算时经常遇到GPU存储空间过满，原因大致有两点：1.Batch_size设置过大，超过显存空间解决办法： 减小Batch_size2.之前程序运行结束后未释放显存解决办法： 按住键盘上的Win+R在弹出的框里输入cmd，进入控制台, 然后输入命令nvidia-smi查看GPU的使用情况，和占用GPU资源的程序，我们看到

[Repose]gpustat : Linux下面监控GPU状态转载自：gpustat