..........前言...........2025 年 2 月，国家标准 GB/T 45312-2025《智能网联汽车 自动驾驶系统设计 运行条件》正式实施，首次以国标形式明确了 ODC（设计运行条件）的定义与框架。这一标准的落地，填补了此前国际主流 ODD（设计运行范围）定义的短板，为自动驾驶系统的设计、开发、测试及用户使用建立了统一标尺。当前自动驾驶的一些悲剧仍在敲响安全警钟，ODC 的明

# 01 为什么需要相机标定?.在图像测量和机器视觉领域,相机标定是无法绕开的基础环节。标定的核心目标是建立三维真实世界与二维图像平面之间的数学映射关系,获取相机的几何成像参数。接下来,我们从成像机制出发,逐步剖析标定的必要性和常用方法。相机如何完成成像?相机成像本质上是一个光学-电子转换流程:光线穿过镜头(可视为凸透镜),在感光芯片(CCD或CMOS)上形成投影,芯片将光信号转为电信号,再通过D

.为确保自动驾驶安全，很多技术方案中都会采用感知冗余的方式来兜底，即在车辆上加装多个传感器，以实现更多的信息感知。其实对于自动驾驶汽车来说，每个传感器都有自身的优势和劣势，所能应对的交通场景也不一样。.摄像头看得清楚，能分辨颜色、识别交通标志和车道线，但遇到夜晚强逆光、雾霾或暴雨就容易丢失信息。毫米波雷达在雨雪或尘雾里还能给出速度和距离信息，但对物体形状的分辨率比较差，不能很好判断行人的姿态。激光

..原文信息：.https://hgao-cv.github.io/RAD/.TLDR.il：imitation learning ; rl：reinforcement learning.做了什么？.第一个提出基于 3dgs 来进行 rl 用来做 e2e policy。分以下三步走：...训练一个基础的 bev 和 perception model...freeze感知，用 il 方式训练一个 p

.很多从事自动驾驶的小伙伴应该对VLA这个概念已经非常熟悉了。VLA即“Visual-Language-Action”（视觉—语言—动作）模型，它的核心是将视觉信息、语言表达和动作控制这三者整合到一个统一的模型框架中。.与传统自动驾驶系统将感知、预测、规划、控制拆解为多个独立模块的做法不同，VLA可以缩短“看见什么”和“如何行动”之间的鸿沟，构建一个能直接将视觉输入和语言描述映射到具体动作或策略的

.每当提到具身智能，第一反应可能就是一个人型机器人，拥有和人类一样的外貌，可以行走、奔跑，甚至可以承担人类的一些简单的重复工作，那具身智能就一定要像人吗？. ..什么是具身智能？.具身智能强调的不仅是大模型思考的能力，还包括用身体去感知、去试错、去碰环境的过程。举个简单的例子，你拧瓶盖、用筷子夹菜、在拥挤的人群里穿行，这些动作背后不仅有脑子在算，手指的形状、皮肤的触觉、关节的可动范围这些“身体属性

.2025年9月12日，阜时科技发布“万向光控™”技术（车载长距主雷达迎来全固态纪元，阜时科技发布“万向光控™️”技术），这是一种纯固态激光扫描技术，通过电磁控制而不是机械转动的方法，让激光束实现大角度的偏转。...这种新型的激光扫描方案，将会使得纯固态、大角度、长距离激光雷达成为可能，并且扫描灵活性更高，成本降低空间更大，或许会引发新一代激光雷达的形态变革。.本文介绍常见的激光雷达扫描方案，纯固

.最近在一篇讨论高精度地图的文章中，有位小伙伴提到一个非常有趣的观点“如果人在陌生的目的地，只依托纯视觉（眼睛）去辨别道路，若没有导航，就只能摸瞎”。对于纯视觉自动驾驶来说，是否也是如此？..图片源自：网络. ..人和机器用“视觉”导航的差异.在讨论这个话题前，先简单聊聊什么是“纯视觉”。所谓“纯视觉”，就是只用摄像头（单目或多目）来完成感知的方案。不管是把图像直接送入一个端到端的神经网络输出控制

# 地平线 J6 部署踩坑记：一次由 stride 引发的推理不一致问题..在把深度学习模型部署到地平线 J6 芯片时，我遇到了一个非常隐蔽、但又极其重要的问题——**量化模型的板端推理结果与编译工具链（bc 推理）的结果不一致**。 .经过一整天的排查，罪魁祸首竟然是输入张量的 **stride（内存对齐）**。..这篇文章将完整记录我的排查思路、对地平线工具链推理理论的理解，以及最终的解决方

.在自动驾驶领域，一提到L3，很多人首先想到的是由美国汽车工程师学会对自动驾驶进行的分类，其根据自动驾驶系统的智能化程度，分为了L0～L5共6个等级。..SAE自动驾驶分级，图片源自：网络.L3为有条件自动化，其具体含义为由无人驾驶系统完成所有的驾驶操作，根据系统请求，人类驾驶者提供适当的应答。这一定义更着重于自动驾驶汽车在汽车行驶功能上的要求。.但最近，某车企在发布会上，提出了“座舱率先进入L3

... . . . . . . Normal. 0. false. . . 7.8 磅. 0. 2. . false. false. false. . EN-US. ZH-CN. X-NONE. . . . . . . . . . . . . . . . . . . . . . .

... . . . . . Normal. 0. false. . . 7.8 磅. 0. 2. . false. false. false. . EN-US. ZH-CN. X-NONE. . . . . . . . . . . . . . . . . . . . . . .

# 一、研究背景与意义.近十年来,智能驾驶领域经历了突破性进展。凭借海量数据的积累、先进算法的革新以及计算资源的飞跃,无人驾驶技术已经突破实验室限制,正在向产业化方向稳步推进。这一转变标志着人工智能在交通领域的深度应用进入了新阶段。.尽管技术层面取得显著成果,但公众接受度仍然面临挑战。症结在于系统决策过程的"黑箱"特性——当车辆做出某项操作时,乘客往往无从知晓背后的逻辑依据。因此,构建透明化的决策

## ✍️ 写在前面的.我在做算法工具链支持的过程中，会不断用到各种数据存储，有的是用户数据分享，有的是为了中间结果对比，有的是为了问题DEBUG等等， **在数据存储、模型权重交付和网络结构迁移上遇到过一些问题，也踩过不少坑**，.比如： .- 用 `torch.save(model, "xxx.pth")` 给客户交付，结果对方一加载就报错，版本不兼容； .- 用 `np.savez` 保

# 1. 研究背景..本工作面向“地面视角生成空中视角图像”这一跨视角图像合成问题，即依据街景图生成对应的鸟瞰或卫星影像。该任务在城市建设规划、应急救援评估、旧城区数字化重建等应用方向具有潜在价值。.由于地面视角与卫星视角在成像角度、遮挡情况以及场景表达上存在显著差异（如建筑立面 vs 屋顶）、城市密集环境中目标被遮挡、不同来源数据的统计分布差异等因素，使得生成结果在结构一致性与真实感方面仍难以兼

.目录：.一、Tesla FSD V14的发布.二、三大要点：自回归transformer，音频感知，内存优化.三、FSD和Robotaxi 网络的关系.四、总结. .. .一、Tesla FSD V14 的发布. .2025 年 10 月 7 日深夜（美国时间），特斯拉正式向北美地区搭载 HW4.0 硬件的车主推送 FSD（完全自动驾驶）V14 版本（具体是14.1版本），这场被业内视为 “近一

.最近有一位小伙伴提出：一直说无人驾驶难实现，但已经有很多无人快递车和无人送餐车投入使用了，他们不是无人驾驶吗？对于这个问题，智驾最前沿想说的是，对于乘用车要求的高速自动驾驶和无人快递车这类的低速自动驾驶，在技术上是趋同的，但并不完全一致。..图片源自：网络.乘用车的高速自动驾驶要面对的是载人的出行场景，速度高、路况多变、驾驶员和乘客的安全感和舒适性是设计核心。而送外卖、送快递的低速无人车只是在封

.2024年7月，理想汽车发布的基于端到端模型、VLM视觉语言模型和世界模型的全新自动驾驶技术架构标志着其全栈自研的智能驾驶研发进入了新阶段。该架构的算法原型创新性地受到了诺贝尔奖得主丹尼尔·卡尼曼提出的“快慢系统”理论启发，旨在让自动驾驶系统模拟人类的思考与决策过程。理想汽车结合端到端与VLM模型，推出了业界首个在车端部署的双系统方案，并成功将VLM视觉语言模型部署于车端芯片上。这套“系统1”与

.自动驾驶的发展并非一成不变，在传统自动驾驶系统中，通常采用分层的体系架构。最底层是感知层，负责将摄像头、雷达、激光雷达等传感器数据转化为车辆能够“看到”的环境信息；其上是跟踪与状态估计层，负责在时间维度关联感知结果，推断目标的速度与运动趋势；预测层则基于当前状态，估计其他道路使用者的未来可能轨迹；决策与路径规划层综合所有信息，生成车辆执行的行动策略；最后，控制层将规划结果转化为具体的油门、刹车和

..........前言...........2025 年 2 月，国家标准 GB/T 45312-2025《智能网联汽车 自动驾驶系统设计 运行条件》正式实施，首次以国标形式明确了 ODC（设计运行条件）的定义与框架。这一标准的落地，填补了此前国际主流 ODD（设计运行范围）定义的短板，为自动驾驶系统的设计、开发、测试及用户使用建立了统一标尺。当前自动驾驶的一些悲剧仍在敲响安全警钟，ODC 的明