让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )

一、基于规则技术架构1、基于规则技术架构简介2、规则表示示例3、基于规则技术架构优点4、基于规则技术架构缺点二、端到端技术架构1、端到端技术架构简介2、端到端技术架构实现形式① 数据采集② 多模态数据融合与预处理③ 主流模型架构④ 三阶段训练法⑤ 总结3、端到端技术架构优点4、端到端技术架构缺点三、自动驾驶的两种核心技术架构总结1、基于规则技术架构 与 端到端技术架构 对比2、基于规则技术 + 端到端技术 混合架构

一、高精地图构建1、高精地图构成2、点云地图 Pointcloud Map3、矢量地图 Vector Map二、点云地图 与 矢量地图 关系1、点云地图作用2、矢量地图作用3、点云地图 与 矢量地图 二者关联

小型团队开发自动驾驶技术的核心原则是控制成本、快速迭代和聚焦场景。技术选型应优先复用开源生态（如ROS 2、Autoware），避免自研基础算法，重点适配业务场景（园区巡检/低速物流）。硬件选用标准化设备（Jetson Orin计算平台、国产激光雷达），成本控制在10-20万元/车。算法开发基于成熟框架：感知用YOLOv8+PointPillars，定位采用NDT-MCL或RTKLIB，规划控制基于Apollo或Autoware模块。开发语言以C++（核心算法）和Python（工具链）为主，采用轻量化部署方

Autoware.Universe自动驾驶系统架构分析 该系统包含车端和云端两大模块：车端系统由硬件（传感器、计算单元）、操作系统（Ubuntu）、感知决策算法（定位、识别、规划）构成；云端系统提供高精地图、仿真训练等功能。硬件通过ROS 2驱动接入，核心开发技术涉及Docker、ROS 2、C++/Python和Autoware框架。软件架构基于Ubuntu 22.04+ROS 2 Humble，各功能模块（定位、感知、规划等）作为独立ROS节点运行。开发需重点关注传感器驱动集成、算法模块实现及系统联调。

一、百度 Apollo 开发概述1、开发文档① Apollo Studio 开发工具② 地图制作工具③ 传感器标定工具2、Apollo 在线课程3、Apollo 企业解决方案4、D-Kit 开发者套件5、Apollo 硬件选择① 计算单元② 激光雷达③ 摄像头硬件④ 定位设备⑤ 毫米波雷达⑥ 远程代驾平台⑦ 线控车辆

一、Autoware.Universe 安装简介1、Autoware Universe Docker 安装方式2、Autoware Universe 源码 安装方式3、Docker 与 源码 安装方式对比二、Autoware.Universe 仿真 / 评估 教程1、仿真概述2、数字孪生仿真 - CARLA 仿真

一、自动驾驶整体架构1、车端系统2、云端系统3、硬件架构① 硬件接入方式② 硬件接入步骤③ 自动驾驶技术点4、软件架构5、开发方向6、高精地图 + 定位系统 重要性二、Autoware.Universe 开发文档1、Autoware 文档介绍① Autoware Universe 各组件文档② Autoware Core 文档③ Autoware Tools 各组件文档

一、Autoware 三大版本1、版本简介2、Autoware 技术栈3、学习路径建议二、Autoware 各版本详细解析1、Autoware.AI① Autoware.AI 技术特点② Autoware.AI 优缺点③ Autoware.AI 适用场景2、Autoware.Core/Universe① 版本简介② Autoware.Core/Universe 特点③ Autoware.Core/Universe 应用场景

一、ROS 编译系统简介1、ROS 编译需求2、ROS 编译层级3、ROS 对 CMake 扩展4、ROS 编译系统相关文档5、下载 Ubuntu 16.04.7 LTS ( Xenial Xerus )二、ROS 编译相关概念1、Package 包2、package.xml 配置文件3、CMakeLists.txt 配置文件4、Catkin Workspace ( Catkin 工作空间 )三、ROS 运行相关概念1、ROS Node ( 节点 )2、ROS Parameter

一、ROS 机器人操作系统框架1、ROS 简介2、ROS 点对点设计3、ROS 分布式设计4、ROS 与 自动驾驶 适配二、ROS 节点间消息传递方式解析1、节点间消息传递2、发布 Publish / 订阅 Subscribe 模式 四大组件3、发布 Publish / 订阅 Subscribe 模式 示例演示① 发布者工作流程② 订阅者工作流程③ ROS 主节点工作流程④ 消息传递工作流程

自动驾驶系统由四大模块组成：感知系统、预测系统、决策规划与控制系统。预测系统负责预测车辆周围交通参与者的未来行为轨迹，包括车辆、行人、骑行者等，其输出为决策规划提供关键输入，直接影响自动驾驶的安全性和平顺性。预测方式分为基于状态预测（物理运动模型和机器学习模型）和基于车道序列预测（概率图模型和深度学习模型）。决策规划层则根据预测结果生成安全、合规、舒适的行驶路径，确保自动驾驶车辆高效运行。控制系统负责执行规划指令，实现精准的车辆操控。

一、感知传感器 - 原始数据1、图像数据2、点云数据3、雷达反射值数据二、基于 感知数据 的 四大基础任务1、语义分割2、目标检测 + 目标分类3、目标跟踪三、感知任务 特征提取 涉及的机器学习算法1、监督学习 ( 核心重点 )① 监督学习 - 图像数据② 监督学习 - 点云数据③ 监督学习 - 雷达反射值数据2、半监督学习3、强化学习四、多传感器融合方案1、前融合、后融合方案2、后融合方案中不同数据的任务权重

一、高精地图 HD Map1、高精地图定义2、高精地图在自动驾驶中的地位3、高精地图 特点4、高精地图中的静态物体信息5、高精地图 与 导航地图 对比6、高精地图常见格式7、高精地图采集制作流程二、定位模块 Localization1、RTK 定位2、INS 定位3、几何定位

一、自动驾驶软件系统概述1、自动驾驶 软件系统 概述2、自动驾驶 软件系统 数据流二、RTOS 操作系统 和 Framework 框架1、RTOS 操作系统简介2、自动驾驶 Framework 层三、AutoWare Universe 和 Apollo Cyber RT 开发框架 与 自动驾驶操作系统1、自动驾驶开发框架2、自动驾驶开发框架 与 自动驾驶实时操作系统 区别3、Autoware Universe 开发框架4、Apollo Cyber RT 开发框架

一、车载计算单元 IPC1、车载计算单元 IPC 简介2、高性能计算3、高安全冗余4、高环境适应性二、车辆线控系统1、自动驾驶线控系统2、线控转向 ( Steer-by-Wire )3、线控制动 ( Brake-by-Wire )4、线控驱动 ( Throttle-by-Wire )5、线控换挡 ( Shift-by-Wire )6、线控悬挂 ( Suspension-by-Wire )7、线控系统举例说明

一、自动驾驶 整体架构1、自动驾驶整体架构图2、自动驾驶 车端系统 架构3、自动驾驶 云端系统 架构二、自动驾驶 硬件概述1、自动驾驶 硬件 简介2、摄像头简介 - 前视摄像头、侧视摄像头、环视摄像头前视摄像头侧视摄像头环视摄像头3、雷达简介 - 激光雷达、毫米波雷达 、超声波雷达激光雷达毫米波雷达超声波雷达激光雷达 、 毫米波雷达 、 超声波雷达 基本参数对比

一、V2X 简介1、V2X 概念2、V2X 在自动驾驶中的生态位3、V2X 基础设施示例二、自动驾驶技术发展方向 - 单车智能主导、V2X 补充1、单车智能主导2、V2X 补充 - 提升车路协同上限三、V2X 通信协议简介1、V2X 通信协议 - C-V2X、DSRC2、C-V2X 蜂窝车联网 - LTE-V2X、5G-V2X / NR-V2X3、C-V2X 技术发展路线📡 C-V2X 接入层 ( PC5 接口 ) 标准演进详解 ( 3GPP主导 )

一、自动驾驶技术路径1、L0 级别 自动驾驶2、L1 级别 自动驾驶3、L2 级别 自动驾驶4、L3 级别 自动驾驶5、L4 级别 自动驾驶6、L5 级别 自动驾驶

一、自动驾驶 与 无人驾驶1、自动驾驶2、无人驾驶二、自动驾驶 相关岗位 及 技能需求