自动驾驶标签_2048 AI社区

自动驾驶

数据荒漠中的绿洲：利用大模型自动生成合成数据以缓解低资源领域的数据稀缺o 亮点：提出解决高质量数据枯竭困境的创新方案

为了让你真正“手上有泥”，我们用一个真实低资源场景中国基层法院民间借贷纠纷判决书的“事实认定”段落生成。背景：公开裁判文书网虽有海量数据，但结构化摘要稀缺，且隐私脱敏后很多细节丢失。我们只有200份人工标注的高质量“事实摘要”，但需要训练一个能处理新案件的摘要模型。合成数据不是万能灵药，更不是人类数据的替代品。它是桥梁——让我们能在数据最匮乏的地方，架起通向模型能力的通道。合成数据的上限，由种子数

 网络爬虫大揭秘
2026-08-19 22:16:01

 6

#汽车 #python #自动驾驶 +1
不是自律不够，是认知负担太重——为什么自由职业者需要 AI 认知托管系统

一项针对自由职业者的调研显示（N=1,247，2025），67% 的自由职业者每天至少花费 30 分钟在"决定今天做什么"上，而不是真正在做事。它不假设你有充足的前额叶能量来做规划，用户只需要一句话输入——比如"这个月要把三个项目交付完"——Elisi 的 AI 调度器会自动识别任务优先级、预估时间、拆解为可执行的微行动。这也是为什么很多自由职业者换了五六款效率工具，最后还是回到原点——不是工具不

 weixin_51470057
2026-07-29 16:45:37

 198

 5

#lua #自动驾驶 #开发语言
GitHub 热门：commaai/openpilot，当开源代码接管方向盘

想了解开源代码如何接管方向盘吗？本文深入解读 GitHub 热门项目 openpilot，带你探索自动驾驶背后的感知与规划技术。这不仅是代码库，更是连接软件与物理世界的“活教科书”，让你见证几万行代码如何驾驭钢铁巨兽！🚗

yweng18
2026-07-06 14:00:37

 331

 6

#github #自动驾驶 #人工智能
从“辅助驾驶”到“驾驶智能体”：截止2026年6月中国无人驾驶汽车发展现状综述及未来方向

华为是中国智驾领域最具代表性的企业之一。2026年4月23日，华为乾崑技术大会正式发布乾崑智驾ADS 5系统。ADS 5并非简单的版本迭代，而是对底层技术架构进行了全方位重构，被华为定位为“为自动驾驶而来”。技术突破：ADS 5采用WEWA 2.0架构，进化为面向自动驾驶的AI智能体。硬件层面搭载896线激光雷达，算法层面实现端到端全AI大模型。功能上实现了不依赖高精地图的“有路就能开”无图全场景

 小清河505
2026-06-24 15:36:08

 413

 11

#人工智能 #自动驾驶
3DGS+合成数据，真能让自动驾驶告别“长尾场景焦虑”吗？

真实世界数据红利见顶，长尾场景获取成本高昂，传统虚拟仿真又面临Sim-to-Real鸿沟。3DGS神经渲染将世界拆解为“可计算资产”，实现实时渲染、场景可编程与自动标注，域差距压缩至<5%。本文带您看懂：3DGS如何串联三大仿真层级，让合成数据成为AI训练的新语料。

康谋自动驾驶
2026-05-18 16:03:13

 429

 5

#自动驾驶
从FBX到可运行虚拟车辆：一种标准化的仿真模型转换流程

自动驾驶仿真的核心目标，是将各类车辆模型转化为可计算、可交互、可验证的数字资产，而非单纯积累模型资源。通过Blender + Unreal Editor + aiSim 的组合，可以建立一条标准化、可复用的车辆接入流程：从多源模型导入（支持.fbx、.blend）到结构重构与规范化建模再到UE中的蓝图组装与动力学配置最终进入aiSim完成闭环验证这一流程不仅解决了模型“能不能用”的问题，更提升了“

康谋自动驾驶
2026-05-13 11:20:43

 409

 7

#仿真 #自动驾驶 #机器人
ROS2 + EM Planner 开发记录（一）：Visualizer 模块

背后的机制是 RViz2 内部维护了一个"黑板"——你把 Marker 写上去，它就存在那里。我的场景就是典型的"先发后收"——main 函数里在初始化完成后立刻发布，但这时候我还没打开 RViz2。——消息发了就发了。如果发布的时候没有订阅者，消息直接丢弃，后来连上来的订阅者什么也收不到。的含义是：发布者把最后一条消息保存起来，之后有新的订阅者连上来，自动补发一份。后面把这段替换成 EM Pla

2301_77288416
2026-05-11 18:11:28

 497

 8

#自动驾驶 #c++
aiSim 5.11.0 正式发布：动态落叶、HiL工具链、资产库全面升级！

新增了洛杉矶 La Canada Flintridge、Culver City、圣地亚哥铁路道口、Steyr 环岛、环形测试跑道，以及装饰版 West Valley North 地图。的支持得到增强，DistanceCondition 新增了 freespace 参数，使动作触发基于物体之间的实际间隙而非中心点，并且支持纵向与横向距离测量，让。情况，本次更新带来动态落叶特效、全新 HiL 测试工具

 康谋自动驾驶
2026-05-07 14:05:50

 383

 7

#自动驾驶 #汽车
自动驾驶系统的测试挑战：AI可靠性的边界

测试人员需要从“寻找缺陷”转向“评估风险”。这意味着测试用例的设计必须从功能覆盖转向场景覆盖和边缘案例挖掘。例如，不仅要测试在晴天识别行人的准确率，更要测试在暴雨、逆光、传感器部分污损等复合恶劣条件下，系统识别失败的概率及其后果严重性。测试评估指标也从“缺陷数量”演变为“预期功能安全（SOTIF）”指标，如误触发率、漏检率以及在危险场景下的系统行为可预测性。

2501_94449311
2026-04-22 10:15:56

 371

 4

#人工智能 #自动驾驶 #机器学习 +3
为什么高端AI GPU在密码破解中不占优？从NVIDIA H200到RTX 5090的负载适配与实测分析

在密码破解（hash计算）这类场景下，把NVIDIA H200 、AMD Instinct MI300X和NVIDIA GeForce RTX 5090放在一起对比，结果有点出乎意料：在一些高并发计算任务里，5090反而跑得更快。

昊源诺信
2026-04-17 15:18:09

 566

 8

#人工智能 #服务器 #深度学习 +3
【论文笔记】GaussianPretrain: A Simple Unified 3D Gaussian Representation for Visual Pre-training in Auton

【论文笔记】GaussianPretrain: A Simple Unified 3D Gaussian Representation for Visual Pre-training in Autonomous Driving

byzy
2024-12-08 16:37:49

 1451

 27

#论文阅读 #自动驾驶 #深度学习 +1
香港科技大学破解自动驾驶难题：让AI在虚拟暴风雨中学会驾驶

香港科技大学破解自动驾驶难题：让AI在虚拟暴风雨中学会驾驶

 至顶头条
2026-04-08 22:16:22

 151

 3

#自动驾驶 #计算机视觉
ARM SCP入门-AP与SCP通信

SoC中异构核间通信采用SCMI协议实现AP与SCP的交互。当Linux需要执行电源管理等特权操作时，通过SMC指令触发PSCI协议，经ATF处理后再通过SCMI协议转发给SCP执行。SCMI协议分为传输层（如mailbox）和协议层，支持同步/异步通信。整个过程涉及用户空间、内核、ATF和SCP的多层协作，形成"用户进程→内核→ATF→SCP→硬件"的完整调用链。该机制既保证

 thatway1989
2026-04-08 16:10:02

 123

#arm开发 #安全 #服务器 +2
电源管理入门-18 Power Domain管理

SoC中的电源域(Power Domain)管理框架通过将功能相关的IP划分为同一电源域，由同一PMIC模块供电，实现统一电源管理。Linux内核的PM Domain框架提供硬件操作封装、DTS配置解析和运行时电源管理支持，通过引用计数机制控制电源域的开关。该框架简化了多设备电源管理，支持父子电源域约束关系，并提供调试接口。使用时需在DTS中定义电源域节点并实现power_on/power_off

thatway1989
2026-04-08 15:43:57

 374

 9

#物联网 #嵌入式硬件 #机器人 +2
SAM十年演进

SAM十年演进：从专用分割到通用视觉的革命性跨越 2015-2025年见证了图像分割技术从CNN主导的专用任务向Transformer驱动的通用视觉范式的根本转变。Meta AI于2023年发布的Segment Anything Model（SAM）成为这一变革的里程碑，通过1100万图像和10亿掩码的SA-1B数据集预训练，实现了提示式交互的零样本分割能力，彻底解决了传统分割技术标注依赖强、泛化

 jzwspace
2026-03-27 10:36:28

 151

#神经网络 #人工智能 #自动驾驶 +4
L3 vs L4：自动驾驶2026年最大的路线之争，车企不敢说的秘密......

地平线副总裁苏箐曾表示，新的范式到来以后，再做2-3年的工作，就有极大机会把MPI（平均接管里程）干到5万甚至10万公里的水平，达到L4标准。这也是为什么在AI大模型时代，越来越多的技术派认为：既然大模型已经具备了处理复杂逻辑的潜力，与其耗费巨大精力去设计一套不完美的L3人机交接机制，不如直接将算力和数据投入到彻底解决长尾问题的L4端到端架构中。而一旦跨越到L3及以上，在系统激活期间，责任主体将转

 深蓝学院
2026-03-25 16:39:15

 742

 7

#自动驾驶 #人工智能 #机器学习
【Generative AI For Autonomous Driving】6 生成式AI在具身智能领域的拓展：从自动驾驶到通用机器人的技术迁移

从自动驾驶到通用具身智能，生成式AI正在打通感知、决策与执行的任督二脉。图像与传感器生成模型丰富了智能体的感知能力，生成式规划器和轨迹模型提供了适应新情境的灵活动作生成，基于大语言模型的架构赋予智能体强大的推理引擎，而生成式数据增强与仿真则为训练鲁棒、可泛化的智能体提供了燃料，并确保其在关键罕见场景中得到充分测试。这种技术的双向流动正在加速：自动驾驶中的世界模型技术正在赋能家用机器人和工业自动化，

小清河505
2026-03-21 13:05:30

 414

 5

#人工智能 #自动驾驶 #机器人 +3
像 L4 自动驾驶一样，用 Agent 破局网络变更之痛

写单和审单如此耗费人力又极易出现错误，智能变更的首要目标就是通过 AI 让写单变得足够简单，让审单变得足够可靠。我们不仅要让工程师从繁琐的「填空题」中解放出来，更要在风险最前置的环节筑牢第一道防线。写单、审单智能化的目标非常清晰写单智能化：将「工程师适应系统」转变为「系统理解工程师」，支持自然语言直接生成标准化变更单据，将单次变更的写单耗时从天级压缩到分钟级审单自动化：实现变更方案的全维度自动审核

 百度智能云技术站
2026-03-12 15:55:46

 493

 11

#自动驾驶 #人工智能 #机器学习
解读代码Dftpav-main（3.3规划核心traj_optimizer.cpp # 轨迹优化器26.3.8）

是DFTPAV 轨迹规划系统的后端优化核心输入KinoAstar的离散状态序列 + 时间猜测。处理：通过 MINCO 多段五次多项式拟合，平滑轨迹，满足车辆动力学约束。约束静态障碍物（多边形约束）动态障碍物（周围车辆预测轨迹）速度、加速度、曲率、侧滑角速率限制输出：平滑、安全、时间最优的轨迹供控制器跟踪。优化方法：L-BFGS + 平滑 L1 惩罚，高效可微。它与KinoAstar形成前端搜索 +

2301_81976437
2026-03-09 00:30:11

 369

 7

#自动驾驶 #人工智能
论大模型应用架构（RAG/Agent）的设计与应用——以自动驾驶数据闭环平台为例

本文介绍了基于RAG和Agent技术构建的新一代自动驾驶数据闭环平台。该平台通过多模态向量数据库实现自然语言检索PB级驾驶数据，利用智能体集群自动化完成数据清洗、标注和仿真场景生成。关键技术包括CLIP+VectorDB+LLM检索架构、基于ReAct范式的标注流水线以及仿真场景生成Agent。系统显著提升了CornerCase挖掘效率（500%提升）和自动标注准确率（达95%），大幅降低了人工成

 击水三千里
2026-03-07 16:48:48

 1277

 19

#架构 #自动驾驶 #人工智能
企业级智能体平台需要哪些核心能力？一文看懂完整评估 Checklist

在数字化转型进入“深水区”的阶段，企业对AI的期待已从“是否可用”转向“是否可规模化、可治理、可持续创造业务价值”。在这一背景下，企业智能体平台（Enterprise Agent Platform）正逐步取代单点AI工具，成为连接数据、流程、决策与执行的关键基础设施。与传统AI应用不同，企业智能体平台的本质并非“一个更聪明的机器人”，而是一套具备“感知—决策—执行—进化”闭环能力的系统工程，需要同

 infodator
2026-03-06 15:49:52

 428

 10

#人工智能 #自然语言处理 #自动驾驶 +2
提效 77%：GooseFS 写缓存及其在自动驾驶数据处理中的应用

该客户原有架构采用计算节点直写对象存储，单 GPU 节点的中间数据写入对象存储需要耗时 33s，在此期间，下游依赖的仿真及二次处理任务被迫处于 iowait 状态，无法处理下一帧数据。因此，AI 基础设施需要一种轻量级、低成本且自动化的解决方案。无论是自动驾驶的数据清洗、大模型的 Checkpoint 备份、KV Cache 的卸载，还是大数据 ETL 的中间数据缓存，GooseFS 写缓存形态都

 云存储小天使
2026-03-06 15:36:43

 621

 7

#缓存 #自动驾驶 #人工智能
自动驾驶赛道竞争激烈，谁能突围？

蘑菇车联通过全栈自研的软硬件体系，实现了从功能级向类人级自动驾驶的跨越。其混合架构、端到端 AI 模型、物理世界的认知模型以及先进的硬件设备，共同构成了领先的技术体系。此外，蘑菇车联在量产能力、运营规模和国际化布局上的优势，使其成为定义下一代 RoboBus 技术标准的重要力量。通过前装量产模式，蘑菇车联不仅提升了产品的可靠性和一致性，还大幅降低了成本，加速了自动驾驶巴士的规模化商用进程。同时，其

 AInsight
2026-03-06 14:41:43

 355

 5

#自动驾驶 #人工智能 #机器学习
美国或将建立AI芯片全球许可证制度，NVIDIA H200传出停产：AI算力供应链再现新变量

摘要：美国政府正讨论建立AI芯片"全球许可证制度"，可能对高性能GPU实施全球销售审批。同时，NVIDIA调整H200加速器产能，转向下一代GPU架构。这两大变化凸显AI算力产业正进入新阶段：政策监管加强、技术迭代加速与算力需求持续增长。企业需更灵活规划算力方案，考虑异构架构以应对供应链风险。AI基础设施发展正面临政策、技术和需求三重变量的共同塑造。

昊源诺信
2026-03-06 14:26:47

 537

 7

#人工智能 #服务器 #科技 +4
【AI地图 Tech说】第八期：智能副驾——从全双工对话到端到端语音语义一体化模型

在科技日新月异的今天，出行方式正经历着前所未有的变革。从传统的机械驾驶到如今的智能辅助，每一次技术的飞跃都在让我们的出行变得更加便捷、安全。尤其是百度地图推出了AI导航副驾之后，它像一个懂你的人，在你出发和停下的每一刻都能察觉你的心情。TA 可以温柔、可以体贴、也可以调皮，总有一种方式正合你意；TA 不仅能带你走向目的地，更能在路上与你轻松交谈、默契回应；TA 会留意你常去的地方，记住你常常提起的

 百度地图汽车版
2026-03-05 16:54:47

 462

 12

#人工智能 #百度 #自动驾驶 +1
构建稳健智能体AI系统的五种基本设计模式

这些模式并非一定彼此独立，一些最稳健的生产系统会将它们结合起来。比如，你可能有一个管理器-控制器图（模式 4），协调一个顺序工作流（模式 2），其中一个步骤涉及并行收集信息（模式 3），而最后一个步骤涉及审查器-评判器循环（模式 5）以确保质量。确保稳健的道路始于承认智能体系统中故障不可避免。如果采用这些结构化模式，特别是利用LangGraph实现的基于状态的检查点编排辅助的模式，你可以避免构建脆

 模型启动机
2026-03-05 14:30:40

 324

 9

#人工智能 #设计模式 #AI +2
智能体工程火爆中美！猎豹CEO亲自开播春节“养龙虾”经历！X疯传：如何成为世界级 Agent 工程师

测试是 Agent 非常理想的里程碑，因为它是确定性的，而且你可以设定极其清晰的标准。规则可以很简单：在 X 个测试全部通过之前，任务不算完成。且不允许修改测试本身。你只需要审核测试。一旦所有测试通过，你就能安心。当然，你也可以把这个过程自动化。但关键在于要记住：“任务结束”这件事对人类来说是直觉性的，对 Agent 来说却不是。

模型启动机
2026-03-05 14:18:54

 445

 10

#自动驾驶 #AI #人工智能 +2
ROS达妙机械臂main函数

翻译过来叫“节点句柄”。你可以把它理解为一部**“公共对讲机”**。有了它，你的程序才能向外发布话题（比如机械臂的实时位置），或者接收外界的指令。，它专门用来读取只属于你这个程序的私有配置文件（也就是我们在 yaml 文件里写的串口号。程序会用红色字体打印一句错误提示，然后直接结束（：这是一个安全检查。如果串口没插好，或者电机没连上，：这是所有 ROS C++ 程序必须写的第一句话。的初始化函数：

芝士丶烤肉746
2026-03-04 11:59:27

 49

#机器人 #自动驾驶 #人工智能
无人驾驶十年演进

2015-2025年，是无人驾驶完成核心范式革命的黄金十年，是全球无人驾驶产业从谷歌Waymo一家独大，到中国全产业链自主可控、全球技术与市场双领跑的历史性逆袭十年。这十年，无人驾驶彻底打破了“封闭场景、人工接管、规则驱动”的核心桎梏，完成了从低速封闭场景测试到开放道路全无人运营、从单车智能到车路云一体化、从示范烧钱到商业化盈利的三级跨越，也与此前系列的RTK、卡尔曼滤波、MPC、大模型、PyBu

jzwspace
2026-03-04 08:23:32

 271

 1

#自动驾驶 #人工智能 #机器学习 +4
Dense、MoE之外第三条Scaling路径：交大提出JTok模块，省1/3算力

Scaling Law 是理解大模型发展的指南针：模型的性能表现往往呈现出一种近乎物理规律般的幂律关系 —— 参数越多、数据越多、计算量越大，损失就越低，准确率就越高。但这个规律，也设下了代价等式：要继续提升性能，就必须同步增加计算量。JTok-M 的出现，打破了这个性能 - 算力绑定逻辑，建立起了对传统 scaling law 的一次横向扩展。在论文中，为了量化 JTok-M 的扩展潜力，作者核

 模型启动机
2026-03-03 10:36:34

 868

 13

#自动驾驶 #AI #人工智能 +2
【ROS/ROS2与实时Linux系列】第三十八篇云边协同架构：ROS/ROS 2实时性与数据同步

云边协同是ROS/ROS2系统的关键架构，通过边缘计算处理实时控制（1ms周期）和数据预处理，云端负责AI推理和全局规划，解决算力与延迟的矛盾。典型应用包括：边缘执行机械臂运动控制和点云降采样（带宽降低90%），云端进行焊缝缺陷检测并下发轨迹参数。实现需配置DDS跨域通信、PTP时间同步和分层QoS策略，同时部署实时Linux内核保障边缘节点性能。该架构已成功应用于智能工厂质检场景，使20台机器人

 望获linux
2026-03-03 09:16:56

 698

 15

#linux #架构 #运维 +4
自动驾驶大模型---AutoVLA视觉语言动作大模型

AutoVLA是一种创新的视觉-语言-动作(VLA)模型，通过统一的自回归生成框架解决了自动驾驶中的物理可行性、模型复杂度和推理效率问题。其核心创新包括：将连续轨迹离散化为物理可行的动作token，采用自适应双模式推理机制（快速/慢速思考），以及结合监督预训练和GRPO强化微调方法。实验表明，AutoVLA在轨迹精度、安全性和计算效率上均优于传统方法，实现了视觉感知、语言理解和动作生成的有效结合，

智能汽车人
2026-03-03 07:30:00

 1501

 26

#自动驾驶 #人工智能 #机器学习
Tuning of Gain-Scheduled Three-Loop Autopilot MATLAB_help文档DeepSeek翻译

本示例使用 systune 为三回路自动驾驶仪生成平滑的增益调度。

shallwegzgdj
2026-03-03 00:13:55

 1023

 16

#自动驾驶 #matlab #算法
DSAC-D：用扩散模型重塑强化学习的“世界观“——首个双扩散分布式强化学习算法

DSAC-D 提供了一个简洁而深刻的视角：强化学习中长期被忽视的"单峰偏见"，是制约算法在复杂真实场景中发挥潜力的根本瓶颈之一。通过将扩散模型同时引入值网络和策略网络，DSAC-D 构建了首个双扩散分布式强化学习框架，在理论上建立了可收敛的多峰分布策略迭代框架，在实践中实现了仿真与真实场景的双重验证。这一工作也表明，生成式 AI 与强化学习的深度融合，远不止于"用扩散模型生成动作"这一层面——重新

 唧唧歪歪就爱下资料
2026-03-02 10:12:21

 685

 17

#算法 #人工智能 #机器学习 +3
Serverless架构下冷启动延迟的专业测试方案

本文系统阐述了无服务器架构中冷启动延迟的测试方法论。首先解析冷启动现象及其对业务性能的影响，指出测试需针对不同语言和场景的特性。其次提出多维度测试模型，包括调用频率、资源规格等关键指标。重点介绍了组合工具链实现端到端测量的实践方案，以及验证预热策略、资源调配等优化手段的方法。最后给出测试报告的核心指标体系，并展望AI预测、跨区域测试等前沿趋势。全文为测试工程师提供了从场景建模到效果评估的闭环测试框

 2501_94480392
2026-03-02 09:40:10

 642

 14

#serverless #架构 #云原生 +4
深度学习计算优化十年演进

2015-2025年，是深度学习计算优化完成的黄金十年。它以破解四大核心痛点为核心主线，从底层硬件、编译框架、分布式系统、算法架构四个维度完成了全链路革新，让深度学习从“算力巨头专属能力”变成了全行业可及的普惠技术，也推动AI产业从“算法创新”进入“规模化产业落地”的新阶段。深度学习计算优化的核心本质，是。这十年，计算优化的核心目标从“让模型能跑起来”，升级为“让万亿参数大模型低成本、高效率、全场

 jzwspace
2026-03-02 09:38:04

 729

 10

#深度学习 #人工智能 #microsoft +4
从迷失到全知：SLAM技术全景解析与2026实战入门指南

SLAM不仅是数学公式的堆砌，更是机器人感知世界的眼睛和大脑。从早期的滤波方法到如今的图优化、神经辐射场与大模型融合，SLAM技术正在经历前所未有的爆发。对于入门者，“动手”胜过“空想”。不要畏惧复杂的数学推导，当你在屏幕上看到机器人画出的轨迹与真实路径完美重合，当稀疏的点云逐渐构建出房间的轮廓时，那种成就感是无与伦比的。2026年，SLAM的下半场已经开启：从“构建地图”走向“理解世界”。愿你在

 扫地僧xc
2026-03-02 07:30:00

 2187

 26

#机器学习 #自动驾驶 #自然语言处理 +3
大模型时代自动驾驶标注有什么特殊要求？

自动驾驶数据标注正经历从二维图像向四维时空的深度重构。传统标注聚焦像素点位，如今需在统一坐标系中实现毫米级三维重建，并捕捉时序连贯性。自动化标注流水线成为主流，但面临动静分离、异形障碍物处理等工程难题。遮挡、极端天气等场景对标注提出更高要求，需结合多模态融合与仿真数据。端到端架构更需标注驾驶决策逻辑，引入语言模型解释行为意图。这一变革使标注从简单劳动升级为融合感知、推理的尖端技术，为攻克长尾挑战奠

 瞻邈
2026-03-02 00:15:00

 205

#自动驾驶 #人工智能 #机器学习
Diffusion十年演进

摘要：扩散模型十年演进（2015-2025） 2015-2025年，扩散模型从理论萌芽发展为AIGC核心底座，彻底颠覆生成式AI格局。基于非平衡热力学原理，扩散模型通过加噪和去噪过程实现高质量生成，解决了GAN的痛点。十年演进分为四个阶段：2015-2017年理论奠基，效果不及GAN；2018-2020年DDPM突破，超越GAN；2021-2023年Stable Diffusion开源引爆产业，扩

 jzwspace
2026-02-28 12:39:31

 956

 16

#microsoft #网络 #自动驾驶 +3
VLM十年演进

视觉大语言模型（VLM）十年演进（2015-2025） VLM在2015-2025年间经历了从单任务学术研究到通用AI核心技术的跨越式发展。通过统一语义空间实现视觉与语言的深度融合，以LLM为推理底座，VLM完成了从图像理解到决策执行的闭环，成为AGI的关键路径。四大发展阶段：启蒙期（2015-2017）：CNN+RNN架构实现简单图文对齐，海外垄断核心技术；成长期（2018-2020）：T

jzwspace
2026-02-28 12:21:26

 634

 15

#microsoft #网络 #自动驾驶 +4
视觉大语言模型十年演进

视觉大语言模型十年演进（2015-2025）摘要：过去十年见证了视觉大语言模型（VLM）从单任务学术研究到通用人工智能核心技术的跨越式发展。2015-2017年为启蒙期，基于CNN+RNN架构实现简单图文对齐；2018-2020年Transformer架构和多模态预训练兴起，实现通用图文表征学习；2021-2023年大模型融合期，LLM成为VLM核心底座，GPT-4V等通用模型爆发；2024-2

jzwspace
2026-02-28 12:18:43

 1181

 21

#语言模型 #人工智能 #自然语言处理 +4
云端工程十年演进

2015-2025年，是云端工程完成跨越式发展的黄金十年。行业定义的，是以云计算、云原生架构为核心，融合数字孪生、AI大模型、高性能计算（HPC）、工业互联网技术，实现工程领域（机械、汽车、建筑、能源、航空航天等）的技术与产业体系。它不仅是工程软件的部署形态迁移，更是彻底重构了传统工程研发的组织模式、流程逻辑与价值边界，是智能制造、新质生产力建设的核心支撑，更是中国工业软件实现“换道超车”的核心赛

 jzwspace
2026-02-28 12:06:57

 574

 19

#microsoft #网络 #自动驾驶 +3
高性能计算十年演进

2015-2025年，是高性能计算完成跨越式发展的黄金十年。高性能计算（HPC，俗称“超算”），核心是通过并行计算、异构加速、高速互联等技术，构建具备千万亿次（P级）、亿亿次（E级）浮点运算能力的计算系统，是支撑基础科学研究、高端工程仿真、气象气候预报、生物医药研发的“国之重器”，更是AI大模型训练、自动驾驶仿真、工业数字孪生、具身智能训练的核心算力底座，其算力水平、自主化程度直接决定了国家的科技

 jzwspace
2026-02-28 12:02:38

 943

 14

#microsoft #人工智能 #目标检测 +4
企业 AI 数据标注：从人工标注到半自动化标注的实践

当前，很多企业在 AI 数据标注环节陷入了两难困境：一方面，人工标注依赖大量人力投入，效率低下、成本高昂，且易受主观因素影响，出现标注偏差、标准不一等问题，难以满足大规模 AI 模型训练的需求；另一方面，全自动化标注技术尚未成熟，对数据质量、场景适配性要求极高，企业盲目尝试易导致标注精度不足，反而拖累模型训练进度。

heimeiyingwang
2026-02-27 05:30:00

 1047

 14

#人工智能 #机器学习 #自动驾驶
白盒测试架构深度解析：互联网后端与车载嵌入式的全面实践

本文系统探讨了白盒测试的理论与实践。首先阐述了白盒测试的本质及其认识论意义，强调其通过代码透视验证系统执行流的独特价值。随后详细分析了结构覆盖率的层级演进、控制流图与复杂度分析、数据流分析等核心理论方法。文章对比了互联网行业（Java/Python）与车载嵌入式（C/C++/C#）两大领域的白盒测试实践差异，包括工具链选择、测试策略和行业标准要求。最后展望了AI辅助测试和软件定义汽车等前沿趋势，并

 leovum
2026-02-26 11:39:59

 864

 21

#自动驾驶 #人工智能 #单元测试 +1
以安全为核心、具备类人特性的自动驾驶体验，畅行城市道路

所提供的内容仅供参考之用，而并不意味着高通技术公司或任何其他方的赞同或表述。这些人工定义、基于逻辑的规划器依赖于预先指定的规则，但无法对这类规则进行扩展，以包含足够多的潜在场景，以便规划器在任何给定交通情况下做出适当的反应。结合传统规划和AI规划为汽车制造商提供了一个强大的解决方案，以应对密集城市环境带来的挑战，使他们能够微调和定制先进辅助驾驶系统功能，以满足独有的市场需求。经过模拟和现实场景的双

 csdnsqst0046
2026-02-26 10:58:28

 2

#自动驾驶 #人工智能 #机器学习
语义分割十年演进

摘要：2015-2025年是自动驾驶语义分割技术跨越式发展的黄金十年，完成了从2D像素分类到4D时空建模的演进。核心技术历经四次范式跃迁：FCN开启深度学习时代（2015-2017）、轻量级实时模型量产（2018-2020）、BEV+Transformer重构3D语义建模（2021-2023）、端到端大模型普及（2024-2025）。分割精度从mIoU 60%提升至85%，实现车端实时运行，国产方

 jzwspace
2026-02-25 21:10:16

 664

 7

#自动驾驶 #架构 #人工智能 +4