自动驾驶秋招大批量开始了（蔚小理/博世/地平线等）

最新推荐文章于 2025-12-03 18:56:16 发布
转载 最新推荐文章于 2025-12-03 18:56:16 发布 · 96 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247677703&idx=4&sn=4795be978591d5641c9196c32232a4ce&chksm=cf400dda70e506803ed2a73e0356b5d2611f288df603cbc564ca9d9bd19c2ecdce001f3aeb65&scene=126&sessionid=0
文章标签：

#自动驾驶 #人工智能 #机器学习

自动驾驶行业的秋招大批量开始了，蔚小理、博世、地平线、Momenta等等都已经官宣了招聘会。我们筹备了自动驾驶秋招互助群，欢迎大家加入一起交流。添加小助理微信进群：AIDriver005，备注：昵称+VLA加群。

自动驾驶大模型---聊聊地平线的HSD
智能汽车人的博客
10-02 1354
本文介绍了地平线在自动驾驶领域的技术进展，重点分析了其HSD（Horizon SuperDrive）系统。HSD基于2023年CVPR最佳论文UniAD的端到端架构，通过BEV特征提取、智能体跟踪、轨迹预测等模块实现从图像输入到轨迹输出的全流程处理。系统采用强化学习训练，具备低延时响应、防御性驾驶和拟人化操控等特点，能智能应对施工区绕行、复杂路口等场景。相比传统模块化方案，HSD的一段式端到端设计显著提升了自动驾驶的安全性和舒适性，展现了接近DeepSeek R1的"智能涌现"能力。
自动驾驶秋招大批量开始了（理想/小鹏/小米/地平线/博世/mmt等等）
CV_Autobot的博客
09-04 153
自动驾驶之心在此开学季，给大家提供了各类学习教程和科研平台，如果您想自动驾驶方向更上一层楼，或者希望快速入门，可以来看看我们的教程和平台。诚意满满，是近段时间最大的优惠力度。很多同学还在陆续咨询柱哥关于就业、申博方向的问题，自驾领域还有很多问题没有被解决，甚至还没有有效的方案，所以招聘需求才会持续存在。近期，小鹏、蔚来、理想、地平线、华为车BU、博世中国、小米汽车、Momenta等等公司都宣布了2026届校园招聘启动的消息~我们的知识星球也推出最大优惠了，续费5折，新人加入立减88，开学季最好的入手机会。
51c自动驾驶~合集57
whaosoft~aiotの开发板商城
06-03 1397
多目标多头蒸馏模块：我们看到轨迹模仿学习之后的轨迹还过了其他的MLP，这就是其他头，它的目标也是不一样的，第一个是跟碰撞相关的，第二个是跟行驶区域相关的，第三个是跟舒适度相关的，也就是说不同的评判指标都有一个teacher，之前的模仿学习就是人类的teacher，那么这些teacher是怎么来的呢？本文作者提出的新的范式，就是规划模块是多模的输出，同时，目标也是多样性的，即不仅是GT的轨迹也同时引入了更多的正样本，由不同的专家给出的。还是那句话，小米汽车的成功，是小米价值观，小米模式，和小米方法论的成功。
D2 王昊 地平线 助力自动驾驶的软件实践
11-18
5. 软件在自动驾驶量产中的作用：包括软件如何做好这些工作、软件在自动驾驶量产中的作用、软件算法协同等。 6. 自动驾驶开发工程师能力要求：包括体系结构、CICD、性能优化、数据压缩、标定算法等。 7. 软件开发...
2021秋招IC验证面经-ARM中国/中科芯/飞腾/地平线/中兴
weixin_48014653的博客
05-24 6151
中科芯 （央企福利待遇好，但是百分百不解决户口，适合当地人进去躺平。） 现场面试，三个面试官，时间大约40min 首先介绍一下自己，介绍一下项目。所做项目用到了FIFO吗，深度是多少，位宽是多少，仲裁算法是什么？ 验证环境中的reference model是自己写的还是本身就有的，仲裁怎么在参考模型中实现，参考模型怎么获取寄存器的值？ 怎么配置RTL寄存器，通过平台的寄存器模型进行寄存器配置，寄存器模型里边的方法，写一个寄存器或读一个寄存器怎么实现？ 寄存器如何实现前门访问和后门访问，后门访问时
智驾SoC芯片赛道的主要参与者包括英伟达、Mobileye、高通、华为、地平线和黑芝麻智能等
09-10
智驾SoC芯片赛道的主要参与者包括英伟达、Mobileye、高通、华为、地平线和黑芝麻智能等。英伟达可以提供从驾驶到座舱、从软件到硬件完整的解决方案。Mobileye为全球自动驾驶解决方案领导者之一，从基础辅助驾驶走向...
0187-极智芯-解读自动驾驶芯片之地平线征程系列
06-03
0187_极智芯_解读自动驾驶芯片之地平线征程系列
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
12-02 748
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。
基于perscan、simulink、carsim联仿的自动驾驶避障模型：动态工况下的边界约束...
2508_94198873的博客
11-30 318
从Carsim回传的数据看，车辆轨迹像被磁铁吸着一样紧贴道路中心线，横向位移始终控制在±1.5米内。顺便吐槽下Carsim的方向盘灵敏度，调参这事儿真是玄学，改天得专门写个自适应参数整定模块。这段代码里的road_width*0.8就是给马路边界留的缓冲带，相当于在真实道路边界内侧20%的位置画了条隐形的警戒线。这个clamp函数不仅防了转向过载，其实也暗戳戳守护了道路边界——转向角度越大，车辆横向位移变化率越高，限制转向本质上也是边界防护的手段之一。p1：对边界条件做了约束，避免为了避障而跑出马路。
《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
12-01 665
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；
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
12-01 402
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」
FSD入华“加速”中国自动驾驶产业的推动与重构
lmj1689120的博客
12-03 384
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
挥手示意车辆先行，自动驾驶为何常 “不知所措”？ Alpamayo-R1给出新解法
finehoo_andy的博客
12-02 700
2025 年 NeurIPS 人工智能大会（加利福尼亚州圣地亚哥举办）上，英伟达发布的，被业内称为 “自动驾驶领域首个视觉语言动作模型”。这款开源工具的核心目标，正是解决自动驾驶长期面临的 “常识判断” 难题 —— 而这一切技术落地，都离不开 GPU 服务器的算力支撑。
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
12-02 147
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。
AI驱动的网联自动驾驶汽车网络安全测试方法
最新发布
NewCarRen的博客
12-03 637
本文综述了网联自动驾驶汽车(CAV)网络安全测试面临的挑战与解决方案。随着CAV普及，网络攻击风险加剧，现有渗透测试方法面临测试环境成本高、专业人才匮乏等挑战。研究表明，人工智能(AI)在传统行业渗透测试中展现出缩短时间、提高效率的优势，但在CAV领域应用仍存在明显缺口。文章重点分析了强化学习等AI算法在渗透测试中的应用潜力，指出创建仿真环境是测试AI模型有效性的可行方案。开源工具VEINS被推荐为合适的仿真平台，其Python/C++接口便于AI模型集成。研究认为，若证实AI方法有效，可扩展应用于完整CA
自动驾驶之眼：动态目标理解的关键突破
alex1013999的博客
12-02 646
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。
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
12-02 836
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。
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
12-03 704
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。
将NuScenes自动驾驶数据集导入Xtreme1标注平台
Hi20240217的博客
12-01 833
摘要：本文介绍了将NuScenes自动驾驶数据集转换为Xtreme1标注平台兼容格式的方法。NuScenes数据集包含多传感器数据和3D标注，而Xtreme1平台有其特定的数据组织要求。转换过程包括：1)数据结构映射，建立相机索引对应关系；2)坐标系转换，实现激光雷达与相机数据的对齐；3)点云格式从.bin转为.pcd；4)3D标注信息格式转换。通过Python脚本自动完成这些转换步骤，使用户能够在Xtreme1平台上高效标注NuScenes数据，支持2D/3D融合标注工作。
Scratch2.0/3.0编程项目《飞越地平线》源码素材下载
资源摘要信息:"14--[飞越地平线].zip"是一个压缩包文件，其中包含的是基于Scratch 2.0和3.0平台制作的编程项目源文件、源码以及相关的案例素材。Scratch是麻省理工学院的终身幼儿园团队开发的一个面向儿童和初学者的...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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