自动驾驶_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

理想汽车MindVLA自动驾驶架构核心技术梳理 MindVLA通过。

阅读 1.4k

10赞

【数字孪生】Carla 自动驾驶仿真平台全攻略指南 | 学习资料汇总大全本篇博客是博主在学习 Carla 仿真平台的过程中参考过的学习资料，这些资源不仅质量高，而且实用性强，亲身体验后觉得非常有效。因此，博主整理了这些资料，希望与大家分享，共同学习和进步。本篇博客汇总了 Carla 的安装过程、与 ROS 的集成以及如何导入自建地图和车辆模型等学习资料，分享给大家共同学习，帮助大家快速上手 Carla 。

阅读 5.2k

176赞

【Occ感知】自动驾驶 Occupany network占用预测网络现在自动驾驶中的 Occupany network 到底是什么呢？为什么在如今的自动驾驶的感知算法中显得如此重要？它的优势是什么？Occupany network 与3D目标检测有什么区别？Occupany network 与3D语义分割有什么区别？

阅读 1.1w

85赞

【自动驾驶技术】自动驾驶汽车AI芯片汇总——地平线篇地平线公司自动驾驶SoC芯片介绍，重点是征程6芯片产品的介绍。

阅读 10.0k

82赞

自动驾驶视觉感知：车道线检测与障碍物识别自动驾驶视觉感知：车道线检测与障碍物识别，人工智能，计算机视觉，大模型，AI，在人工智能与汽车工业深度融合的当下，自动驾驶技术成为科技领域的热门焦点。自动驾驶系统的正常运行依赖于多模块协同工作，其中视觉感知作为车辆 “观察” 外界环境的核心模块，承担着获取道路信息的重任。车道线检测能够帮助车辆确定自身在车道中的位置，规划行驶路径；障碍物识别则可及时发现潜在危险，保障行车安全。本文将深入探讨自动驾驶视觉感知中的车道线检测与障碍物识别技术，结合丰富的代码示例和详细的概念解析，带您揭开其神秘面纱。

阅读 3.0w

61赞

在Carla上应用深度强化学习实现自动驾驶（三）该区域用于存储一系列的经验（或称为转换、transitions），每个transition通常包含四个或五个元素：当前状态（state）、采取的动作（action）、获得的奖励（reward）、新状态（next state），以及一个布尔值表示该状态是否是终止状态（done）；模型的所有权重（即，网络中的连接参数）将被随机初始化（根据层的默认初始化策略，除非你在层定义中指定了不同的初始化器）。的第三篇文章，主要讲述如何编写Agent类，它将与我们设计的强化学习环境交互，并容纳我们实际的强化学习模型。

阅读 1.5k

18赞

【自动驾驶】控制算法（十二）横纵向综合控制 | 从理论到实战全面解析本文是自动驾驶控制算法系列的第十二节，也是本系列的收官之作。这一节综合运用了前十一节的知识，详细讲解了如何实现横向和纵向控制，并介绍了规划接口的重要性。首先，文章介绍了轨迹规划的定义和重要性，强调了规划轨迹与路径规划的区别，以及其在自动驾驶中的关键作用。接着，通过直角坐标系下的轨迹规划示例，详细解释了如何设计满足特定条件的轨迹。文章随后深入探讨了横向控制和规划接口，包括匹配点的更新、规划点与时间的关系，以及如何通过横向控制和规划接口实现车辆的横向运动控制。在纵向控制部分，文章详细解释了横向误差的计算方法

阅读 4.7k

84赞

【自动驾驶】汽车智能驾驶计算芯片本文介绍汽车智能驾驶计算芯片的软硬件要求、可靠性和安全性要求、性能要求，和相应的试验方法。除了用于汽车智能驾驶，其他领域的计算芯片可参照执行。

阅读 2.2k

80赞

白云千载尽

LMDrive大语言模型加持的自动驾驶闭环系统原理与复现过程记录本环境使用的carla_leaderboard 1.0 ，使用的carla版本是0.9.10.1。此时,export CARLA_ROOT=carla才能链接到这里,所以最后的sh修改为。这里面有很多是ros的依赖项,所以不能直接去安装,请对照一下关键的python依赖就好。安装完后创建一个虚拟环境，官方使用的3.8，支持torch cuda的版本。这里需要提供三个模型,vision,llm和lmdrive模型。请自行下载模型,下载有问题的可以找我.直接下载x86的sh，然后运行。这两个模型和我的大模型。

阅读 941

24赞

端到端自动驾驶nuPlan数据集-入门使用最近在了解端到端自动驾驶，接触到了nuPlan数据集，在跑官方demo时遇到些坑，发现相关的资料不多，记录一下。最直接就是看nuplan官网的介绍，和paper。如果只想大概扫一眼这里还有篇中文翻译的自动驾驶轨迹规划之nuplan数据集。一句话总结就是：和nuScenes同一家公司发布的，nuPlan是首个面向planning的大规模自动驾驶基准数据集，不仅包括大量的1200小时多城市的实车驾驶数据，还提供了一整套开环/闭环仿真、多种评价标准、ML规划器开发工具及可视化工具。

阅读 6.1k

30赞

汽车电子实验室

智能汽车自动驾驶发展趋所谓鸡汤，要么蛊惑你认命，要么怂恿你拼命，但都是回避问题的根源，以现象替代逻辑，以情绪代替思考，把消极接受现实的懦弱，伪装成乐观面对不幸的豁达，往不幸上面喷“香水”来掩盖问题。无人问津也好,技不如人也罢,你都要试着安静下来,去做自己该做的事.而不是让内心的烦躁、焦虑、毁掉你本就不多的热情和定力。

阅读 1.2k

27赞

一文带你上手AUTOWARE自动驾驶框架本文是笔者大学时期学习autoware框架的学习笔记，主要分为概述、定位、建图和感知进行讲述，可供参考~

阅读 2.0k

29赞

自动驾驶“大模型+端到端”整理笔记：DriveVLM(理想), Senna(地平线)，EMMA(Waymo), LeapAD[NIPS2024] VLM+端到端模型方法详解和整理：DriveVLM(理想), Senna(地平线)，EMMA(Waymo), LeapAD[NIPS2024]

阅读 3.2k

53赞

2024自动驾驶(多模态)大模型综述：从DriveGPT4、DriveMLM到DriveVLM、DriveMM 本文主要涉及以下4篇paper的解读(按发表的时间顺序排列)DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language ModelDriveMLM: Aligning Multi-Modal Large Language Models with Behavioral Planning States for Autonomous DrivingDriveLM: Driving with Graph Visual

阅读 1.8w

71赞

FPGA 学习系列（19）：FPGA 在自动驾驶中的应用 FPGA 在自动驾驶中的应用前景广阔。通过加速环境感知、深度学习推理、传感器数据融合以及路径规划等关键任务，FPGA 不仅提高了计算效率，还能够降低功耗，成为自动驾驶技术中不可或缺的硬件平台。尽管 FPGA 开发具有一定的挑战性，但随着开发工具和平台的不断进步，未来 FPGA 在自动驾驶领域的应用将进一步深化，助力智能交通和自动驾驶技术的快速发展。下一期：《FPGA 学习系列（20）：FPGA 在智能制造中的应用》

阅读 1.0k

7赞

LeapVAD：通过认知感知和 Dual-Process 思维实现自动驾驶飞跃——论文阅读现有自动驾驶技术中，数据驱动方法依赖大量标注数据且缺乏复杂场景下的推理能力，而知识驱动方法（如基于视觉语言模型VLM）虽具备一定推理能力，但评估方法多为开环测试，无法反映动态交互环境。框架，融合认知感知（人类注意力机制）与双过程思维（分析过程System-II + 启发式过程System-I），结合记忆库和反射机制，实现闭环环境下的持续优化。记忆库（CARLA训练）跨域迁移有效，ADS（驾驶分数）达45.52%，优于端到端方法（如VAD、UniAD）。

阅读 1.3k

19赞

AUTOSAR从入门到精通-【自动驾驶】自动驾驶中常提的“点云”到底是什么？点云（Point Cloud）：就是用很多“点”来表示一个物体或场景的三维形状和结构。（用点描绘的3D画，好比素描，但不是用线条勾勒，而是“点点点点”拼出物体形状）观察这幅图像，你可以注意到以下几点：由“点”构成：整个场景，无论是车辆、建筑还是树木，都不是由连续的面构成的，而是由大量离散的点组成的。每个点代表了激光雷达扫描到的一个真实世界中的位置。三维立体感：尽管是2D图像，但你可以清晰地感知到场景的深度和物体的三维形状。这是因为每个点都记录了精确的 (X, Y, Z) 空间坐标。

阅读 917

19赞

AA-老高(接毕设)

基于深度学习的自动驾驶目标检测系统（Yolov8，毕业论文，高质量）本课题提出了一种基于深度学习的自动驾驶目标检测系统，该系统通过集成实时摄像头检测、图片检测和视频文件检测功能，为用户提供多种目标检测方式。这种清晰的类别定义和精准的标注，使得模型可以有效地学习目标的特征，并在实际应用中作出正确反应，数据集如3.1所示。本系统提供了多种灵活的检测选项，支持实时、图片及视频检测，满足不同使用场景的需求。基于深度学习的自动驾驶目标检测系统的设计目标是开发一个能够实时、准确地识别和检测各种道路环境中的目标物体（如行人、车辆、交通标志等）的智能系统。2.5 PyCharm开发工具。

阅读 3.0k

17赞

Gartner预测2025年关键基础设施的CPS安全：确保机器人、无人机、自动驾驶汽车、人工智能等前沿技术应用和新场景安全增强人类能力技术、无人机、自动驾驶汽车、人工智能和量子集成资产等技术创新正在推动网络物理系统在所有行业中进入新领域。本报告可帮助安全和风险管理领导者预测并为 CPS 安全的未来做好准备。

阅读 1.3k

17赞

作者推荐

Akaxi-1: CQU | 大四交流ing | 智能网联汽车专业 | 重庆两江

关注

自动驾驶实战(AIFighting): 自动驾驶算法工程师公众号：Aifighting 全网第一且唯一分享自动驾驶实战，以代码、项目的形式讲解自动驾驶感知方向的关键技术，从算法训练到模型部署。主要致力于3D目标检测，3D目标追踪，多传感器融合，Transform，BEV，OCC，模型量化，模型部署等方向的实战

关注

一点.点: 悟已往之不谏，知来者之可追

关注

创客智造: 专注于ROS1/ROS2机器人系统为核心的开源硬件、开源软件的整理和分享。覆盖Turtlebot2，Turtlebot3，Turtlebot4，无人机，无人船，无人车，机械臂，嵌入式，操作系统，开发语言，Arduino，Raspberry Pi，树莓派，UAV， Pixhawk，Paparazzi等

关注

青衫弦语: 自动驾驶算法从业人员

关注

自动驾驶simulation: 自学Carla中，同时也有VTD、Carsim、NI联合仿真的经验，欢迎交流，公众号：自动驾驶simulation。微信号：nmmnnom

关注

lonely-stone: 视觉slam定位行业里面的一小撮炮灰

关注

智驾机器人技术前线: 公众号【智驾机器人技术前线】博主

关注

小趴菜_自动驾驶搬砖人: 自动驾驶领域小白，希望跟大家一起学习自动驾驶相关内容。

关注

开MINI的工科男: 决策规划自动驾驶算法工程师

关注