从零到一的转行之路 | 如何从后端开发转行到自动驾驶点云算法？

最新推荐文章于 2025-12-03 15:13:50 发布
转载 最新推荐文章于 2025-12-03 15:13:50 发布 · 239 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247563052&idx=2&sn=501bcfeff7212f06a041b9328bc82848&chksm=ceb9dae5f9ce53f324519fc15f96b7554d2d62baffae5bffc9c82eacb2749b135fb1db891715&scene=126&sessionid=0
文章标签：

#自动驾驶 #人工智能 #机器学习

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

今天自动驾驶之心邀请来到华北电力大学博士生、华为开发者专家孙洋！为大家分享从后端开发到目标检测算法，三年走完博士之路！

如果您有兴趣分享相关学术成果，请联系AIDriver002！

5f363f06a5b8c5c265360d75bd80e1cf.jpeg

2) 哔哩哔哩关注自动驾驶之心，预约直播

fda7128b1e110a77bda68830700e22f5.png

自动驾驶之心B站

【自动驾驶之心】平台矩阵，欢迎联系我们！

42c5c2ee64040405dcd448804a07b92f.jpeg

第9.4章 自动驾驶工程师必学！C++11语法实战手册：从语法到SLAM与定位算法落地
行知SLAM
10-27 622
本文探讨了C++11/14特性在自动驾驶系统中的应用，针对传感器数据处理、算法优化和内存安全等关键问题提供了解决方案。右值引用与移动语义显著提升了激光雷达点云等大型数据结构的传输效率；lambda表达式简化了SLAM特征匹配回调和定位数据滤波逻辑；智能指针确保内存安全，constexpr优化编译期参数计算。此外，范围for循环、nullptr、类型别名和委托构造等特性提升了代码的可读性和维护性，而static_assert和无序容器则分别增强了编译期校验和特征匹配效率。这些现代C++特性为自动驾驶系统的高性
转行自动驾驶之路-领导说我代码写的像大便
2501_93190857的博客
09-30 376
转行自动驾驶之路-领导说我代码写的像大便
从小白到自动驾驶算法工程师的转型
热门推荐
蒋成的博客
05-22 1万+
文章目录1. 转型之路2. 求职之路3. 技能树总结 1. 转型之路 读研究生期间偶然接触到无人物流车项目，从此开始自动驾驶研究之路。刚开始接触的是物流车底层控制这块需要自己编写驱动代码，幸好有些C语言基础便开始学习STM32嵌入式开发板，和实验室的大佬把底层驱动和相关控制模块写完之后，在师兄的建议之下入手ROS的学习。之前没学过linux系统，最先开始是安装ubuntu16.04安装出了很多问题...
一个算法工程师的日常是怎样的？
3D视觉工坊
01-02 581
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达来自 | 知乎链接 | https://www.zhihu.com/question/29692814整理 |王萌(深度学习冲鸭公...
51c自动驾驶~合集55
whaosoft~aiotの开发板商城
05-25 1776
我们研究了标记化和表示技术，关注 VLA 对视觉和语言信息的编码。谷歌在 2023 年推出 RT-2，作为里程碑式的 VLA 模型，统一视觉、语言和动作标记，将机器人控制视为自回归序列预测任务，使用离散余弦变换（DCT）压缩和字节对编码（BPE）离散化动作，使新对象处理性能提高 63%。VLA 模型作为多模态人工智能系统，统一视觉感知、语言理解和物理动作生成，使机器人或 AI 智能体通过端到端学习解释感官输入、理解情境并自主执行任务，弥合早期系统中视觉识别、语言理解和运动执行间的脱节，突破其能力限制。
双非自学！我上岸了，分享下踩过的坑（感知与融合岗）
CV_Autobot的博客
12-07 984
本硕双非院校（考研失利），无名校背景。本科电子信息工程（武汉），硕士计算机技术（上海）。曾经拿过学校的智能汽车竞赛一等奖，参赛过程中受益良多，我想对智能汽车的兴趣就是从那时候开始的。
计算机应届生月薪大多是多少？
3D视觉工坊
05-20 1万+
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达https://www.zhihu.com/question/268886169/answer/500126753本文仅做学术分享，...
SLAM面试题
lxiao428的博客
07-26 1416
这里面详细的介绍了计算机视觉与OpenCV算法（包括算法讲解，案例实战，模型部署，pytorch和TensorFlow的学习），SLAM学习的内容（包括数学基础、SLAM基础、视觉SLAM算法和激光SLAM算法的解读），C++/Python编程等等方向的内容。
刷题半年，终于拿到字节跳动的Offer，特来感谢这几个公众号的资料分享！
飞哥的Python学习笔记
12-27 1508
今年越来越多的技术公众号如雨后春笋般冒出来，质量参差不齐，高质量号哪儿去了？通过我近一个月的观察及统计，发现还是这些长期保持更新的高质量公众号，在我的朋友圈出镜率最高！他们有着高质量的原...
国庆答疑问题收集表单1
08-04
2. 地图在自动驾驶中的作用与前端后端融合： 实际的自动驾驶系统通常基于高精度地图，地图提供环境结构信息，帮助车辆定位和规划路径。前端主要负责感知，如点云匹配；后端则涉及定位和融合，IMU与GPS结合能提高...
SLAM常见面试题集锦
青箬笠，绿蓑衣
09-30 6156
前言 在备战秋招时，发现SLAM相关的知识点比较庞杂零碎，网上对于常见的面试题也没有全面的集锦可以参考复习，所以参考我找到的一些面试题，自发整理了一些常见的问题及参考答案。参考答案是博主参考大佬的回答及自己的理解给出的，用于自己秋招备战使用的，所以答案都力求准确、简洁。但奈何能力有限，答案仍可能存在错误或者瑕疵，欢迎留言批评指正。 当然这里整理的也不全面，只是略尽绵薄之力，希望对大家有所帮助。另外...
Co-MTP：面向自动驾驶的多时间融合协同轨迹预测框架
m0_65010824的博客
12-02 1050
本文是对论文《Co-MTP: A Cooperative Trajectory Prediction Framework with Multi-Temporal Fusion for Autonomous Driving》的深度解读。在自动驾驶领域，V2X技术虽能突破单车感知局限，但现有研究难充分利用帧间时间线索支撑轨迹预测。同济大学团队提出Co-MTP框架，创新实现历史与未来双时间域融合，以异构图Transformer处理不完整历史轨迹、扩展至未来域捕捉交互，在V2X-Seq数据集获最优性能。
《自动驾驶与大模型融合新趋势：端到端感知-决策一体化架构分析》
nmdbbzcl的博客
12-01 716
从规则工程到大模型，从模块堆叠到端到端一体化。过去依赖工程师“穷举规则”的时代，已经无法支撑未来复杂城市交通与全球化扩张的需求；而以大模型为核心、端到端感知-决策一体化的架构，则在可扩展性、泛化能力和迭代效率上展现出巨大的潜力。特斯拉 FSD V12/13 用大规模端到端模型在量产车上完成了“从 perception-heavy 到 behavior-heavy”的范式转变；UniAD、DriveGPT4 等研究工作证明了，在学术基准数据集和模拟环境中，端到端一体化可以显著提升整体闭环表现；
FSD入华“加速”中国自动驾驶产业的推动与重构
最新发布
lmj1689120的博客
12-03 590
FSD入华将促进中国自动驾驶产业从"跟跑"到"并跑"甚至"领跑"的转变，为中国智能网联汽车产业的高质量发展注入新的活力
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载
极智视界
12-01 426
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载「包含VOC、COCO、YOLO三种格式」
自动驾驶场景驾驶员注意力安全行为睡驾分心驾驶疲劳驾驶检测数据集VOC+YOLO格式5370张6类别
FL1623863129的博客
12-02 223
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["DangerousDriving","Distracted","Drinking","SafeDriving","SleepyDriving","Yawn"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注数量(xml文件个数)：5370。标注数量(txt文件个数)：5370。
Don’t Shake the Wheel: 端到端自动驾驶中的动量感知规划（MomAD）
m0_65010824的博客
12-02 1076
本文是对论文《Don’t Shake the Wheel: Momentum-Aware Planning in End-to-End Autonomous Driving》的深度解读。在端到端自动驾驶领域，多模态规划易受单帧感知局限，存在时间不一致、遮挡敏感等问题。论文团队提出 MomAD 框架，引入轨迹与感知动量，通过 TTM 模块（豪斯多夫距离选轨迹）、MPI 模块（融合历史查询）及鲁棒去噪，结合 Turning-nuScenes 数据集与 TPC 指标，显著提升规划稳定性，降低碰撞率。
自动驾驶之眼：动态目标理解的关键突破
alex1013999的博客
12-02 993
自动驾驶系统中的动态目标理解是保障行车安全的核心技术，涉及目标检测识别、跟踪、状态估计和行为预测等多个环节。当前主流方法采用多传感器融合（摄像头、激光雷达、毫米波雷达）结合深度学习算法，但仍面临长尾场景、复杂交互、遮挡和预测不确定性等挑战。未来发展趋势包括深化多模态融合、发展交互式预测模型、利用高清地图信息以及探索端到端学习等方向。解决这些技术难题将推动自动驾驶在复杂道路环境中的安全应用。
DiffVLA：视觉语言引导的扩散规划在自动驾驶中的创新与实践
m0_65010824的博客
12-03 799
本文是对论文《DiffVLA: Vision-Language Guided Diffusion Planning for Autonomous Driving》的深度解读。在端到端自动驾驶领域，BEV计算昂贵、动作多样性不足及复杂场景次优决策是关键挑战。RB团队（Bosch、清华大学等联合）提出DiffVLA框架，融合VLM引导、混合稀疏 - 稠密感知与扩散规划模块，在NavSim v2私有测试集获 45.0 扩展 PDMS，2025 自动驾驶挑战赛表现优异，为端到端自动驾驶提供高效解决方案。
文科生转行编程：从零基础到项目实战的蜕变之路
现代软件开发技术迭代迅猛，从前端框架React/Vue的更新周期，到后端微服务架构、云原生部署的普及，再到AI辅助编程工具（如GitHub Copilot）的兴起，开发者必须保持高度敏锐的技术嗅觉。文中提及的“薪资飞跃”背后...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值