【坑NO.2】—每日文章阅读-CSDN博客

本文链接：https://blog.csdn.net/weixin_46861863/article/details/136602089

前言：在程序员鱼皮那看到一个经验分享：“每天读2-3篇文章，可以是行业趋势、技术类的(自己的工作有关的方向)，一年接近1000篇大厂的技术博客，纯技术类，美团技术团队、阿里技术团队。”所以想通过这篇文章落实一下，这篇博客将持续更新。希望能坚持下来。

🧭文章来源

文章来源看后面阅读情况根据质量增减，先就这些。

科技资讯类
- 量子位：量子位 | 追踪人工智能新趋势，报道科技行业新突破 (qbitai.com)
- 差评:公众号
- 新智元:公众号
- 无敌信息差:
- AI导航网站：AI导航网 - 精选AI人工智能工具，发现好用AI (ainav.cn)
技术博客类
- 掘金：稀土掘金 (juejin.cn)
- CSDN
- 知乎
经验分享类

为了降低难度，防止断更，记录的最低要求是要把链接贴上就行。
填坑系列2（也是为了克服拖延，开此坑逼迫自己学习。不要在意格式，先学起来再说，慢慢完善）
我感兴趣的方向：自动驾驶、AI大模型（会用AI工具，拒绝当韭菜）、嵌入式AI、交通调度（学术方向，只求毕业）、效率工具（热衷于找些有趣（看起来）有用的小工具，乐此不疲）
【2024-03-23】竟然坚持了两个星期（对于我这种三分钟热度的人来说真不容易）后面要是能继续坚持下去，需要做出一些调整：避免文章太长，我会按月重开新的记录，记录顺序上也会按时间的倒叙，最新的内容记录在最上面。

📝 文章记录

💡 模板

2024-03-10

文章：【这里放链接】
总结：【这里写总结，尽量一句话】
文章：
总结：
文章：
总结：

【2024-03-10】

文章： 用大视觉模型开车，理想和清华叉院联手了 | 量子位
总结：关键词：DirveVLM、清华叉院联合理想汽车出品。

从端侧来划分，应用于自动驾驶的大模型可以分为云端大模型和车端大模型两类。

比如毫末智行的雪湖·海若DriveGPT、华为盘古大模型、百度文心大模型，就是部署在云端，可以在场景生成、数据标注等方面，训练和优化自动驾驶系统的感知和决策能力。

在车端，现在已经成为行业标配的“BEV+Transformer”，则是主要用于优化车端系统的感知能力。

还有可以应用在车端的感知决策一体化的端到端大模型，比如特斯拉FSD V12、商汤等联合推出的UniAD，以及本文的DriveVLM。

项目地址：https://tsinghua-mars-lab.github.io/DriveVLM/

论文地址：https://arxiv.org/pdf/2402.12289.pdf
文章： Ubuntu系统环境变量配置 | CSDN博客
总结： 在Ubuntu 系统中/etc/profile文件是全局的环境变量配置文件，它适用于所有的shell。在我们登陆Linux系统时，首先启动/etc/profile文件，然后再启动用户目录下的~/.bash_profile、~/.bash_login或~/.profile文件中的其中一个，执行的顺序和上面的排序一样。如果~/.bash_profile文件存在的话，一般还会执行~/.bashrc文件。
文章： 掘金-大模型子站
总结： 掘金的一个板块，介绍了大模型行业全景和最新动态。真的好直观！宝藏。后悔没早点用掘金。

【2024-03-11】

文章：怒斥Sora之后，LeCun放出「视觉世界模型」论文，揭示AI学习物理世界的关键 - 掘金 (juejin.cn)
总结：LeCun 一直认为， GPT 系列 LLM 模型所依赖的自回归学习范式对世界的理解非常肤浅，远远比不上真正的「世界模型」。
JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）相比于重建像素的生成式架构（如变分自编码器）、掩码自编码器、去噪自编码器，更能产生优秀的视觉输入表达。

Lecun 发布了自己关于「世界模型」的新论文《在视觉表征学习中学习和利用世界模型》解释了世界模型如何获得自回归模型一般的性能.
文章： 论文笔记】IntelliLight智能交通灯：一种基于强化学习的智能交通信号灯控制方法_深度强化学习交通灯代码-CSDN博客
总结： 一篇TSC的论文阅读笔记，里面有一点“使用的数据集是基于监控摄像头获取的大规模真实交通数据”，最近有同样的需求，后面要具体去看看论文细节。
文章： 如何通过 Docker 部署深度学习项目环境？ - 知乎 (zhihu.com)
总结： 使用docker部署深度学习项目环境，我的需求更偏重于打包环境备份与分享。我又搜了下conda打包环境，好像也有工具conda-pack conda环境整体打包并在新机器上部署 - 知乎 (zhihu.com) 要是真可以，我就选择conda了，之前的环境都是conda配置的。现在需要对比一下这两种方案。

【2024-03-12】

文章：LimSim++：多模态大模型在自动驾驶中的新舞台 - 微信
总结：上海人工智能实验室的智能交通平台组推出了LimSim++：一款专为(M)LLM设计的自动驾驶闭环仿真平台。

LimSim++为LLM创造了一个持续学习的环境，通过评估决策结果并提供反馈，帮助LLM不断优化驾驶策略，提高Driver Agent的驾驶性能。

项目主页：https://pjlab-adg.github.io/limsim_plus/

GitHub：PJLab-ADG/LimSim at LimSim_plus (github.com)
文章：四、Linux设备树 - Feishu Docs
总结：Linux设备树。之前看正点原子的手册，太多了没看下去，这个立创泰山派的手册讲得要简略些，可以靠这个构建起一个框架，再看正点原子的。
文章：如何在RT-Thread Studio中使用Pico开发板
总结：在raspberry pi pcio上跑rtthread。之前尝试想通过rtt在pico上跑lvgl，但是没成功，最近想再搞一下，借机学习一下rtt。

【2024-03-13】

文章： 刚刚，马斯克xAI官宣开源自家大模型Grok！网友：现压力给到了OpenAI (qq.com)
总结： 马斯克宣布要在本周开源自己的大模型Grok。
文章：SUMO利用OSM(OpenStreetMap)导出地图生成路网并生成交通流教程(超详细！！！)-CSDN博客
总结： 使用地图数据自动生成sumo的路网配置文件。对于大规模的仿真，这可以帮助很方便地进行环境配置。（但我试了下，存在的问题是OpenStreetMap的数据不是很全，而且存在一定误差，像我测试的一条双向道路，地图里显示的是两条分开的道路。
文章： OpenCDA代码学习笔记（1）——CARLA-SUMO联合仿真demo-CSDN博客
总结： 一个开源的全栈式自动驾驶仿真平台。实现了CARLA-SUMO的联合仿真。而这篇博客利用思维导图进行代码分析方式感觉挺高效的，可以学习。我之前使用的xmind，但我有跨平台的需求，所以需要一款可以上云的，最后选择飞书里的思维笔记，也可以借机学习一下飞书。

【2024-03-14】

文章： OpenAI大模型上身机器人，原速演示炸场！
总结： Figure 01：OpenAI+人形机器人。“开发能够取代人类进行体力劳动的人形机器人”。具身智能。端到端训练。十几天前Figure刚宣布与OpenAI合作。
文章： python知识点——【__init__.py 的作用】 | 文心一言
总结： __init__.py 是 Python 中的一个特殊文件，它主要用在包（package）和模块（module）的组织中。当你在一个目录中创建一个 __init__.py 文件时，该目录就被 Python 解释器识别为一个包。__init__.py 文件的主要作用包括：
1. 标识包：当你试图从包中导入模块时，__init__.py 文件告诉 Python 这个目录应该被当作一个包来处理。即使 __init__.py 是空的，只要它存在于目录中，该目录就被视为一个包。
2. 初始化代码：你可以将初始化代码放在 __init__.py 文件中，当包被导入时，这些代码会自动执行。例如，你可以在这里设置包的某些全局变量或执行某些设置。
3. 简化导入：你可以在 __init__.py 文件中使用 from . import some_module 语句来导入包内的模块，这样用户就可以通过包名直接访问这些模块，而不需要使用更长的路径。
例如，假设你有一个名为 mypackage 的包，其中包含 module1.py 和 module2.py 两个模块。在 mypackage/__init__.py 文件中，你可以这样写：
```
python复制代码
from . import module1from . import module2
```
然后，其他代码可以通过以下方式导入 module1 和 module2：
```
python复制代码
import mypackagemypackage.module1.some_function()mypackage.module2.some_other_function()
```
1. all 变量：__init__.py 文件可以包含一个 __all__ 变量，它是一个模块名的列表。当使用 from package import * 语句时，只有列在 __all__ 中的模块才会被导入。这可以帮助你控制从包中导入的内容。
综上所述，__init__.py 文件在 Python 的包和模块结构中起到了标识包、执行初始化代码、简化导入以及控制导入内容的作用。
文章： python知识点——【__pycache__文件夹的作用】 | 文心一言
总结： __pycache__ 是 Python 中的一个特殊目录，其主要作用是存储已编译的字节码文件（.pyc 文件）。当 Python 解释器执行一个模块时，它会首先检查是否存在对应的 .pyc 文件。如果存在，并且 .pyc 文件的时间戳比源代码文件（.py 文件）新，那么解释器将直接加载该 .pyc 文件，而不是重新编译源代码。

这种机制的主要目的是提高 Python 程序的执行性能。由于字节码已经被预先编译并存储在磁盘上，下次执行程序时可以直接加载字节码，而不需要重新解析源代码文件。这种方式可以减少启动时间，并提高程序的整体性能。

每个包或模块的 __pycache__ 目录都位于相应的包或模块所在的目录下。例如，如果有一个名为 my_module.py 的模块，那么它的编译后的字节码文件 my_module.pyc 将存储在与该模块同级的 __pycache__ 目录中。

总的来说，__pycache__ 目录的存在不仅提高了 Python 模块的加载性能，还确保了模块的完整性和一致性，从而提升了 Python 程序的执行效率。

【2024-03-15】

文章：直接干到未来！DriveDreamer-2：世界首个自定义驾驶场景流生成，提升50%！ (qq.com)
总结： 提出了一种仅使用文本提示作为输入的交通仿真管道，可用于生成用于驾驶视频生成的各种交通条件。
文章： 全球首个AI程序员诞生，码农饭碗一夜被砸！10块IOI金牌华人团队震撼打造，996写代码训练模型 (qq.com)
总结： AI软件工程师Devin掌握了全栈技能，能自主学习不熟悉的技术，端到端地构建和部署应用程序，自己改bug，甚至还能训练和微调自己的AI模型！
文章：
总结：

【2024-03-16】

文章：科技爱好者周刊（第 293 期）：一周是一年的2% - 阮一峰的网络日志 (ruanyifeng.com)
总结： 一周是一年的2%
文章： 视野修炼-技术周刊第77期 | JSR 的愿景 - 掘金 (juejin.cn)
总结： 一个值得关注的作者
文章：
总结：

【2024-03-17】

文章：发布高算力配置，「成行平台」为普及城市领航做好准备 (qq.com)
总结： 大疆车载、中国电动汽车百人会论坛、「成行平台」
在已大量量产的「7V+32TOPS」基础版配置上，推出**「7V+100TOPS」及「10V+100TOPS」两个配置，可以实现“无高精地图依赖、无激光雷达依赖”的城市领航以及其他所有L2+智能驾驶功能。其中「7V+100TOPS」配置，有望让15万元级别的乘用车都拥有全国都能开的城市领航功能**，大大加速了高阶智能驾驶的全面标配。以上三个配置今年均有新款量产车落地，为「成行平台」全面覆盖市面主流8～25万多种动力车型提供支撑，满足最广大主流车型消费用户对高阶智能驾驶日益增长的功能体验需求。
文章： AI大模型控制红绿灯，港科大（广州）智慧交通新成果已开源 (qq.com)
总结： LightGPT、香港科技大学（广州）、LLMLight
该框架向智能体提供详细的实时交通状况，并结合先验知识构成提示，利用大模型卓越的泛化能力，采用符合人类直觉的推理和决策过程来实现有效的交通控制。

在九个交通流数据集上的实验证明了LLMLight框架的有效性、泛化能力和可解释性。

论文链接：https://arxiv.org/abs/2312.16044

代码链接：https://github.com/usail-hkust/LLMTSCS

主页链接：https://gungnir2099.github.io/LLMLight-Page/

模型权重链接：https://huggingface.co/USAIL-HKUSTGZ/LLMLight-LightGPT
文章： 车联网V2X通信开发流程详解（RSI…消息集、asn编解码+所有资料）_uper_encode_to_buffer-CSDN博客
总结： 了解V2X各种消息格式

【2024-03-18】

文章：一招查找BitLocker 恢复密钥_bitlocker恢复密钥找不到怎么办-CSDN博客
总结： 因为改了boot security，重启电脑需要恢复bitlocker。登录微软官方账号就可找到密钥。
文章： NetAssist使用-CSDN博客
总结： NetAssist，网络助手，通过AT指令调试OBU
文章：
总结：

【2024-03-19】

文章：各方大佬 “大打出手”：Sora是万众期待的“世界模型”吗？_哔哩哔哩_bilibili
总结： Sora 世界模型 OpenAI 争议硅谷 AI业界 AGI 生成式AI视频大模型竞争未来走向
文章： 程序员自我修养——提问的智慧_tact filters-CSDN博客
总结： 提问是门艺术
文章： https://github.com/labmlai/annotated_deep_learning_paper_implementations?tab=readme-ov-file
总结： 一个简单的PyTorch实现神经网络和相关算法的集合。45k star

【2024-03-20】

文章： 在深圳参加芯片大会，我看到芯片未来已来_哔哩哔哩_bilibili
总结： 深圳的2024玄铁Rise生态大会是中国芯片领域的一次盛会，吸引了众多行业大咖和博主参与，展示了Rise Five（RF）这种开源、开放的指令集架构的热度。大会主题为开放连接，强调了合作与共赢，国内外芯片大厂如新思科技和imagination等都参与其中。
文章： Python处理JSON数据，建议收藏！ - 知乎 (zhihu.com)
总结： Python处理JSON数据
文章： V2X通信发送了些什么东西？ – 一文读懂V2X消息内容 - 知乎 (zhihu.com)
总结： V2X消息标准

【2024-03-21】

文章：元戎启行CEO犀利发言：L4自动驾驶都是骗人的、大模型都是抄的 (qq.com)
总结： 几个比较重要的观点如下：
- 汽车竞争已经进入了下半场，上半场是电动化，下半场是智能化。
- NOA之前都是一些高速、高快场景。其实每天上下班通勤，可能才是需求的痛点
- 高速的NOA，或者是L4，不能被广泛的使用，就在于他不是一个全时全域的，可能只在某个区可以用，或者只在快速路上可以用
- L4自动驾驶都是骗人的，没有任何商业模式
文章： 卡尔曼滤波及其变种有哪些？究竟滤了个啥？ (qq.com)
总结： 基础卡尔曼滤波、扩展卡尔曼滤波、基于四元素的卡尔曼滤波器、状态误差卡尔曼滤波、互补卡尔曼滤波
文章： 一个顶五个H100的B200，老黄这是打破摩尔定律了？ (qq.com)
总结： 英伟达的 GTC 大会由 CEO 黄仁勋领导，展示了新的 Blackwell GPU 架构和 B200 芯片，展示了人工智能技术的进步。会议突出了 GB200 超级芯片的能力，彻底改变了 AI 模型训练的方式。英伟达还推出了用于 AI 应用的 NIM 推理服务和 GROOT 人形机器人模型。会议强调了英伟达在各个领域推动创新的角色。黄仁勋的战略举措将英伟达定位为人工智能行业的关键参与者。

【2024-03-22】

文章：《Advice on how to read papers》—吴恩达CS230随堂笔记_吴恩达 how to read a paper-CSDN博客
总结： 吴恩达-论文阅读建议
文章： 超全！CVPR 2024自动驾驶有哪些值得关注的热点方向？ (qq.com)
总结： CVPR 2024自动驾驶论文
文章： 吴恩达：AI智能体工作流今年将有巨大进展，可能超过下一代基础模型 - 掘金 (juejin.cn)
总结： 人工智能领域正关注智能体工作流的发展，吴恩达指出这将推动人工智能取得重大进步。通过智能体工作流，生成式AI模型可以多次迭代文档，类似人类作家的写作过程，产生更好的结果。吴恩达分享了一个框架，包括反思、工具使用、规划和多智能体协作，以帮助构建智能体。这些设计模式已在多个应用程序中成功使用。

【2024-03-23】

文章：强化学习的历史简介 - 知乎 (zhihu.com)
总结：
- 1954年，明斯基最早在他博士论文中提出强化学习的概念。
- 强化学习的来源与两个领域密切相关：即心理学中的动物学习和最优控制的优化理论。
- 1989年，Chris Watkins提出了Q Learning的模型，它是时间差分与最优控制的结合。
- 2013年，DeepMind提出了基于深度学习的强化学习模型，即Deep Q Network，并在2015年发表了改进版本。至此，强化学习进入了大众的视野。
文章： CS230+deeplearning.ai专项课程笔记及作业目录_cs230n作业-CSDN博客
总结： CS230课程的笔记
文章： 病了一个月，我想明白了四件事_哔哩哔哩_bilibili
总结：
- 生活是冲刺而不是马拉松，人生应该是短跑和冲刺，休息和提升准备迎接下一个挑战
- 主动安排生活，避免被琐碎的事情占据。
- 量化管理的重要性，只有不断被衡量才能被管理和提升
- 成年人要有自己的爱好，持续投入钻研，不断获得提升