yessunday的专栏

车道检测是自动驾驶和高级驾驶员辅助系统 (ADAS) 的基本组成部分，在实际高阶驾驶辅助应用中，考虑车道保持、转向、限速等相关的控制问题，这种方式通常是通过受限的车辆计算资源为下游任务提供即时感知结果，车道检测算法通常会被大量、快速且高效的执行。此外，车道检测可区分和定位道路上的车道标记。

“生态”本身就是个很宽泛的词，生态本身的定义很容易陷入文字游戏的范畴。「今天更多从一些公认的标的物出发去讨论生态竞争的底层逻辑。」

本文将针对大模型学习中可能遇见的问题进行分析梳理，以帮助开发者在利用大模型在自动驾驶场景处理中学习更好的策略，利用有关大模型性能评价的问题，制定一个科学的标准去判断大模型的长处和不足。

基于演绎法的正向开发理念，能够让智能驾驶产品在充分满足用户需求，保证产品质量的同时，确保开发目标合理且得到落实。

本文档参考自动驾驶计算联盟(Autonomous Vehicle Computing Consortium)关于自动驾驶和辅助驾驶计算系统的概念系统架构。该架构旨在与SAE L1-L5级别的自动驾驶保持一致。本文主要介绍包括功能模块图，涵盖了底层计算单元、示例工作负载和行业标准。

本文档参考自动驾驶计算联盟(Autonomous Vehicle Computing Consortium)关于自动驾驶和辅助驾驶计算系统的概念系统架构。该架构旨在与SAE L1-L5级别的自动驾驶保持一致。本文主要介绍包括功能模块图，涵盖了底层计算单元、示例工作负载和行业标准。

通过克服传统解决方案中的“重影”问题，这种方法在基准测试中一显巨大优势，不仅能像白天一样看清环境的纹理和深度，还能感知到RGB、热视觉以外的各种物理信息，可谓相当利好机器感知尤其是自动驾驶行业。

随着自动驾驶技术的发展，在未知环境中智能汽车的定位技术成为该领域研究的核心。目前定位技术主要的解决方案是基于全球定位系统（GPS），但是在某些特殊的环境中如下车库，没有 GPS 信号如何解决定位问题就是本文研究的关键所在。

自动驾驶系统是一个集环境感知、决策控制和动作执行等功能于一体的综合系统，是充分考虑车辆与交通环境协调规划的系统，也是未来智能交通系统的重要组成部分。本文着重分析自动驾驶决策控制的相关技术，探索未来的发展方向。

本文重点阐述了记忆泊车的地图构建、资源需求和重定位的基础算法。

随着自动驾驶技术的不断演进，要求处理的复杂场景也越来越多，并且在驾驶功能安全下必须考虑的实时性约束下，人们强烈希望提高底层神经形态硬件的处理速度，同时降低其计算能耗。然而，即便是当前行业内最牛逼的芯片公司（如英伟达、高通这些）其目前的方案也主要是基于冯·诺依曼计算范式。

最近可以明显看到或者感受到第一梯队的城市自动驾驶量产已经进入快车道，他们背后所依靠的正是当下最热的大模型和端到端的技术。

自动泊车过程中，运动预测至关重要，因为它决定了规划模块的安全约束，从而决定了运动规划的可行性和平滑性。这其中的规划过程包括了短期规划和长期规划两个方面。特别是，准确的短期运动预测使智驾车辆能够对障碍物做出安全的计划和反应；短期预测的一个主要挑战是估计障碍物的转向角。通常可以使用扩展卡尔曼滤波器 (EKF) 来重建障碍物的 速度，然后求助于自适应观测器进行转向估计。而长期计划/模式预测可以确保智驾车辆在运行过程中更有效、更顺利地进行规划处合理的行驶路径。

在现阶段，自动泊车的种类比较多，技术也越发成熟，大多数情况下车辆的自动泊车功能的确能帮助用户更快的泊车入库，解决用户泊车难的痛点，减少剐蹭发生的机率，提高用户驾驶幸福感。

这里主要介绍了传感器融合（SF）对目标方面的几类任务，除目标之外，传感器融合还能做很多其他对环境建模的任务，例如道路特征的描述、占用栅格地图以及可通行区域表示等等。

乘用车自动驾驶/辅助驾驶按场景分主要包括城区场景、高速场景和泊车场景。泊车场景是用户面对频次高的场景，其用户痛点感受最深，技术实现难度中等，量产落地机会大，用户买单倾向性高，是主机厂和自动驾驶供应商兵家必争之地。伴随着驾驶自动化系统内等级的提升，泊车功能从一个辅助的角色逐渐提升至完全自主，传感器配置越发豪华，系统复杂程度不断加深

本文介绍了一种通过理性逆向规划进行目标识别和多模态轨迹预测的方法。通过将目标识别与MCTS 计划相结合，为自车生成优化计划。

自动驾驶系统在实际应用中需要面对各种复杂的场景，尤其是Corner Case（极端情况）对自动驾驶的感知和决策能力提出了更高的要求。Corner Case指的是在实际驾驶中可能出现的极端或罕见情况，如交通事故、恶劣天气条件或复杂的道路状况。BEV技术通过提供全局视角来增强自动驾驶系统的感知能力，从而有望在处理这些极端情况时提供更好的支持。本文将探讨BEV（Bird's Eye View，俯视视角）技术如何帮助自动驾驶系统应对Corner Case，提高系统的可靠性和安全性。

自动驾驶汽车依靠各种传感器来收集周围环境的信息。车辆的行为是根据环境感知进行规划的，因此出于安全考虑，其可靠性至关重要。有源激光雷达传感器能够创建场景的精确3D表示，使其成为自动驾驶汽车环境感知的宝贵补充。由于光散射和遮挡，激光雷达的性能在雾、雪或雨等恶劣天气条件下会发生变化。这种限制最近促进了大量关于缓解感知性能下降的方法的研究。本文收集、分析并讨论了基于激光雷达的环境感知中应对不利天气条件的不同方面。并讨论了适当数据的可用性、原始点云处理和去噪、鲁棒感知算法和传感器融合等主题，以缓解不利天气造成的缺陷。

通常，端到端驾驶模型使用一个深度神经网络来完成这种映射，网络的所有参数为联合训练而得。这种方法因它的简洁高效而引人关注。

奔驰的Drive Pilot系统的L3功能（TJP），目前是单车道场景，还可以handle，一旦涉及到频繁变道，比较担心基于Radar/Lidar等主动性传感器的能力（反过来说，也很期待以售卖4D Radar + Lidar部件的厂商，尽快能够推出基于Radar/Lidar为主传感器的高端智驾系统，来证明该技术路线的是可行的）。鉴于ICA、LCC这种功能也是L2，为了体现特斯拉NOA良好的高速和城区的变道、匝道汇入汇出、复杂场景通行能力，用“L2+”来形容特斯拉NOA的先进性，也是被行业接受的。

BEV+Transformer彻底终结了2D直视图+CNN时代，BEV+Transformer对智能驾驶硬件系统有着什么样的影响？背后的受益者又是谁？

机器视觉在工业领域中充当了模拟人眼的作用，通过其高效的感知能力、精确的检测准确性、可定制性和较低的人工成本等特点，已逐渐成为工业智能化转型的核心功能。在锂电池领域，机器视觉扮演着许多重要的角色，包括生产质量控制、生产自动化、数据追溯与管理等，随着越来越多的智能工厂建设需求的推动，对先进的机器视觉解决方案的需求日益增加。

国产版ChatGPT究竟如何，还需静待上线后才能见分晓。