- 博客(57)
- 收藏
- 关注
RSS订阅原创 从实验室到街头，自动驾驶的“真玩家”只剩这几家了
每天跟大家聊智驾，聊前沿技术，但是大部分呢还是L2级别家用车。今天带大家了解下另一个更加可能称得上“智驾”的L4级别市场。那便是Robotaxi，不管你承认还是不承认，这个行业觉得是真正意义的智驾。
2025-08-29 13:34:57
1098
1
原创 WePilot AiDrive——文远知行再次携手博世将一段式端到端走到量产
8月21日文远知行WeRide日前正式推出与博世合作的一段式端到端辅助驾驶解决方案：WePilot AiDrive，距离双方合作的“两段式端到端”方案量产上车仅半年，据了解该方案目前已完成核心功能验证，将于2025年内量产上车。这对我们来说也是一个挺振奋的消息的，毕竟小编也说过，更加希望能看到更多我们的企业，走在世界前沿。接下来带大家一起了解下什么是“一段式端到端”。
2025-08-25 13:07:39
779
原创 你愿意为NOA多花1万元吗
周末逛商场，坐在各家车企最新款车型上体验下最新功能，早就已经成了我们打工人的一个必逛项目了。鸿蒙智行也好，蔚小理也好，在你试驾，购车时候，销售都会跟你提到：“我们的高阶辅助驾驶功能，能自动变道、上下匝道、跟车、超车。不仅高速上能辅助减少疲劳，上下班能辅助你开车，减少堵车焦虑（当然这是现在收敛一点的话术，要是放在以前，“解放双手”，“睡一觉就到”等等都会给你推荐上）仅需xx元选配。”当然也有的车是高配车型标配高阶智能辅助驾驶。对有些人来说，NOA是“救命稻草”。
2025-08-22 13:36:31
744
原创 国产芯片上车了，但还没能开走智能汽车
上一期给大家讲了下我们智驾芯片主要的头部几家，也有人私信我说可以讲一下车上的芯片应用。那么这一期来给大家讲一下车规级芯片现在的格局。。这个就不过多讲了，跟我们电脑上的RAM和ROM概念一样，主要是存储作用。这已经是一个相当成熟的市场了。就跟我们的电脑市场一样。大部分都是在高性能 LPDDR5、UFS、PCIe SSD 等车载应用中占据主导地位。
2025-08-21 13:17:05
421
原创 油车为什么很难“智能化”
当你还在开着15年的尼桑，手动调节空调的时候。坐在你副驾的兄弟会说：“你这啥年代的古董了啊，怎么连个语音助手都没，能不能有自动驾驶功能啊？”虽然你很不服气，但是这是现在大部分油车车主面临的现实问题。虽然一些新款油车会加大屏幕，加360等等。但是不得不说同价位的新能源车，还是会比它智能化强上一点。那么这究竟是为什么呢，今天我就带大家来聊一聊。
2025-08-19 20:05:03
416
原创 国内首个端到端强化学习量产智驾大模型—— Momenta 飞轮 R6
8月18日，上汽通用汽车与智能驾驶公司Momenta签署战略合作协议，双方将在辅助驾驶领域展开深度合作。别克高端新能源子品牌“至境”旗下的首款智能豪华轿车至境L7，将全球首发搭载基于端到端的“强化学习”大模型——Momenta R6飞轮大模型。我将带大家看下这一合作带来了哪些性能提升。
2025-08-19 16:41:10
1098
原创 开上全新小鹏P7，智驾体验到底有多“卷”？
图灵 AI 芯片采用特定领域架构（DSA），硬件级支持 BEV、Transformer 和端到端推理，单颗算力约 700 TOPS，三颗组合超过 2250 TOPS，理论上远超双 Orin 的 508 TOPS。这意味着，小鹏的“自研”是真实的，但属于“架构自研 + 外包流片”的模式，含金量在于。在智能驾驶行业，芯片一直是“皇冠上的明珠”。全新 P7 的语音交互、导航切换、智驾状态提示几乎无卡顿，原因是三颗图灵芯片中有一颗专门负责座舱 AI，与高通 8295P 协同，保证舱驾一体的流畅体验。
2025-08-15 16:17:41
1419
原创 智驾SoC江湖，谁主沉浮
在这条赛道上，几乎所有玩家都绕不开几个名字：英伟达、地平线、黑芝麻智能，还有后来者爱芯元智。它们分别扮演着不同的角色——有人凭借全球生态称霸高端，有人靠本土化和性价比突围，有人专注特定场景深耕，还有人以极致成本打开入门市场。从算力和制程的角度来看。可粗略划分高端，中端，低端。实际情况可能有所差别：也就是Nvidia占领了高端芯片的大片江山，但是地平线征程6P凭借560TOPS，也成功挤进高端行列，成为国产替代不可或缺的力量。中低端几乎是由地平线+黑芝麻平分秋色，让更多平价家用车拥有行泊一体功能。
2025-08-15 12:51:11
1126
原创 自动驾驶与人形机器人的技术分水岭
维度自动驾驶人形机器人算力架构云端+车端协同本体为主，云端受限模型规模可部署大模型受限于硬件资源算力调度弹性、集中分散、受限实时性云端推理可容忍延迟本体控制必须毫秒级响应维度自动驾驶人形机器人落地阶段工程优化期原型验证期商业模式明确，已形成闭环模糊，仍在探索场景成熟度高，城市/高速/泊车等已落地低，任务场景不统一技术人员需求系统优化、数据闭环架构创新、任务定义。
2025-08-14 14:25:08
1105
原创 机器人“ChatGPT 时刻”倒计时
维度自动驾驶人形机器人任务定义明确、结构化模糊、开放式执行目标可量化评估难以标准化语义理解基于规则和地图需要多模态推理泛化能力高，场景可扩展低，任务需重训维度自动驾驶人形机器人算力架构云端+车端协同本体为主，云端受限模型规模可部署大模型受限于硬件资源算力调度弹性、集中分散、受限实时性云端推理可容忍延迟本体控制必须毫秒级响应当前机器人智能的提升，更多依赖于硬件设计和工程优化，而不是数据驱动的智能迁移。
2025-08-14 13:56:55
1376
原创 把 7B 模型塞进车规级芯片：LoRA 在自动驾驶中的极限调参指南
虽然 LoRA 在训练阶段表现出色，但真正的挑战在于如何将其部署到资源受限的车载环境中，尤其是车规级芯片（如 NVIDIA Orin-X、华为 MDC、地平线征程系列）上。LoRA 已经在自动驾驶中展现出强大的微调能力，但它的潜力远不止于此。小鹏的 XNGP 系统强调“全国都能开”，通过 LoRA 插件实现 BEV 感知模型的城市级别微调，并结合任务调度系统进行插件管理。小米 SU7 在语音座舱中部署了 7B 规模的语言模型，通过 LoRA 插件实现个性化语义理解与导航推荐，适配不同用户的语音习惯。
2025-08-13 12:55:36
1392
原创 从华为到小米，它们都在用这项“小模型外挂”把城市 NOA 塞进你的老车里
在自动驾驶的世界里，车企们正在悄悄使用一种叫做的技术，把原本只能在高端车型上运行的大模型，塞进你家的“老车”里。想象一下：你有一辆三年前买的车，芯片算力不高，但突然它能在城市里自动变道、识别红绿灯、甚至听懂你说“去最近的咖啡店”并自动导航过去。这不是换了硬件，而是靠一种“外挂式”的 AI 微调技术 —— LoRA。LoRA 的本质是一种轻量级的 AI 模型微调方法。传统的大模型训练需要动用大量算力和数据，而 LoRA 只需要“插入”少量参数，就能让原始模型学会新技能。
2025-08-13 12:20:37
1125
原创 Self-Attention→BEVFormer：一张图看懂注意力在自动驾驶的十年进化史
最早的注意力机制由 Bahdanau 等人在机器翻译任务中提出，用于解决 RNN 编码器在长序列中信息压缩的问题。注意力机制并非始于 Transformer，它的历史可以追溯到序列建模的早期阶段，尤其是在自然语言处理（NLP）任务中。在自动驾驶系统中，注意力机制已经深入多个关键模块，从感知到决策，从多模态融合到轨迹预测。Transformer 并不只用一个注意力头，而是使用多个并行的注意力头，每个头可以学习不同的语义关系。在端到端自动驾驶架构中，注意力机制帮助模型从感知到控制的全过程中提取关键语义。
2025-08-12 12:16:54
771
原创 从刷短视频到开无人车：注意力机制如何悄悄决定你的每一次点击与刹车？
在自动驾驶中，车辆摄像头会捕捉大量画面，但并不是每一帧、每一个像素都同样重要。优先识别行人、红绿灯、其他车辆；忽略不相关的背景，比如广告牌或天空。这就像人类开车时自动忽略路边的风景，而专注于前方的路况。
2025-08-12 11:04:39
669
原创 TopLiDM架构解析：DriveVLM如何融合VLM与E2E自动驾驶
自动驾驶技术近年来在感知、规划、控制等模块上取得了显著进展，尤其是端到端（End-to-End, E2E）方法的兴起，使得从传感器输入到轨迹输出的流程更加紧凑。尽管 TopLiDM 展现出强大的语义推理与规划能力，但在实际部署与持续优化过程中，仍面临一系列技术挑战。，它们通过引入大模型的语言理解能力，使自动驾驶系统具备“解释能力”和“推理能力”，不仅能输出轨迹，还能回答“为什么这么走”。的“思维链”过程，融合视觉语言模型（VLM）与传统 E2E 模型，实现更强的语义推理与决策能力。
2025-08-11 12:53:32
1147
原创 自动驾驶也能“思考”？揭秘TopLiDM大模型
你有没有想过，自动驾驶汽车是怎么“决定”下一步该怎么走的？过去，它们主要依靠传感器收集数据，然后通过算法直接计算出一条行驶轨迹。但这就像是“闭着眼睛走路”，只看眼前，不理解整个场景。而TopLiDM（Top-Level Driving Model）是理想汽车提出的一种新型自动驾驶思维方式。它的特别之处在于：不仅“看得见”，还“想得通”。我们可以把它类比成人类驾驶员的思考过程：👀先观察：这是城市路口，有红绿灯、行人、交警在挥手。🧠再分析：交警的手势是让我们停下，行人正在过马路。🚗最后决定。
2025-08-11 12:53:27
799
原创 AI 也会“翻旧账”？RAG 让自动驾驶秒变老司机
RAG 就像是给自动驾驶装了一个“记忆搜索引擎”，它能在遇到复杂路况时，快速从海量历史数据中“翻旧账”，找出类似场景的处理方式，然后结合当前情况做出更聪明的决策。
2025-08-08 09:45:00
969
原创 从检索到决策：RAG 在自动驾驶的工程化通关秘籍
在自然语言处理领域，RAG（Retrieval-Augmented Generation）常被理解为“检索 + 生成”的组合架构：先从外部知识库中检索相关信息，再将其作为上下文输入给生成模型，用于回答问题或生成文本。随着 RAG 技术在自动驾驶领域的落地，学术界和工业界涌现出多个具有代表性的框架。随着 RAG 在自动驾驶中的应用逐步深入，新的技术瓶颈也开始浮现。RAG 在自动驾驶中的应用，不仅是技术创新，更需要严谨的评估体系来验证其实际价值。RAG 在自动驾驶中的落地，不再是单一模块的优化问题，而是一个。
2025-08-08 09:45:00
1138
原创 0 成本撞 1000 次车？数字孪生让自动驾驶“开挂”练级
在自动驾驶的世界里，测试是“练级”的关键。但现实中，。不像游戏里可以无限重来，现实中的“撞车”不仅烧钱，还可能伤人。想象一下，如果你是自动驾驶算法的“教练”，你会怎么训练它识别雪天打滑、夜间行人突然横穿马路、复杂十字路口的非规则通行？这些场景在现实中很难复现，更不可能反复测试。于是，自动驾驶行业开始寻找一种“开挂练级”的方式——。
2025-08-07 09:45:00
987
原创 VIL 不是神话：数字孪生在 Orin-X 上的端到端部署 Checklist
tegrastats是 NVIDIA Jetson 平台（包括 Orin-X）自带的轻量级资源监控工具；是专业的性能剖析工具，用于分析 GPU、CPU、内存等资源使用情况。
2025-08-07 09:45:00
1406
原创 自动驾驶的“私教课”曝光：原来叫 SFT！
随着自动驾驶技术的不断进步，相关的术语也越来越多，像“大模型”、“蒸馏”、“DAgger”、“SFT”……除了 SFT，你可能还听过一些类似的词，比如“大模型蒸馏”、“DAgger”。它们听起来都像是在“训练 AI”，但其实各有不同的作用。了解这些，不是为了“炫技”，而是为了更好地理解前沿技术，更高维度上有我们自己的理解。其实，SFT 的应用远不止“开车”本身，它已经渗透进自动驾驶的多个关键模块，帮助系统变得更聪明、更安全、更贴近人类驾驶习惯。通过 SFT，模型不只是“看到”，而是“理解”它看到的内容。
2025-08-06 09:45:00
842
原创 从 RLHF 到 SFT：量产级自动驾驶模型精调的工程范式
在自动驾驶系统中，越来越多的模块开始采用类大模型架构（如 Transformer、BEVFormer、VLM 等），这使得模型训练流程也逐渐向通用 AI 的范式靠拢。SFT 位于整个流程的中间位置，起到承上启下的作用：它既保留了预训练模型的通用能力，又通过人类数据对齐了模型的行为方式。尤其是在 KPI 回灌与在线蒸馏机制的配合下，SFT 正在成为提升 NOA 系统性能的关键驱动。随着大模型架构逐步渗透到感知、决策、交互等环节，SFT 已成为多个关键模块性能提升的核心手段。SFT 的效果高度依赖于数据质量。
2025-08-06 09:45:00
816
原创 自动驾驶为什么“看得懂”？揭秘背后的数据标注工厂
简单来说，数据标注就像是给自动驾驶汽车上的“眼睛”做教学。我们把大量的图片、视频、激光雷达数据等输入给它，然后告诉它：“这个是行人”、“这个是红绿灯”、“这条线是车道”。就像教小朋友认物一样，汽车也需要大量的“看图识物”训练。比如，一张街景图中，标注员会用框框圈出每一个行人、每一辆车，甚至每一个交通标志，并告诉系统它们分别是什么。这些信息会被用来训练自动驾驶的感知系统，让它在真实道路上也能“看懂”周围环境。
2025-08-05 09:45:00
2569
原创 标注，自动驾驶的“燃料”：从像素到点云的技术演进
在自动驾驶系统中，数据标注不仅是感知模块的基础，更是整个闭环学习体系的起点。没有高质量的标注，就无法训练出可靠的模型，也就谈不上安全的自动驾驶。
2025-08-05 09:45:00
1155
原创 老司机带新手：自动驾驶如何“边开边学”
自动驾驶不是一蹴而就的奇迹，而是无数次“试错+纠正”的积累。DAgger，就是让这条成长之路更聪明、更高效、更安全的关键一步。
2025-08-04 09:45:00
928
原创 从模仿到自我纠正：深入理解DAgger在自动驾驶策略学习中的应用
随着端到端自动驾驶、世界模型（World Models）、人类反馈强化学习（RLHF）等技术的发展，DAgger 有望成为它们之间的“桥梁”
2025-08-04 09:45:00
1018
原创 自动驾驶的“第六感”：卡尔曼滤波是怎么帮车看清世界的
而这正是卡尔曼滤波等技术大显身手的地方——它能在这些“碎片信息”中找出规律，去噪声、补缺失，让车子“看得更清、想得更准”。现实世界的传感器（比如摄像头、雷达、GPS）都不是完美的，它们会受到光线、天气、遮挡、电磁干扰等各种因素的影响，导致测量结果“抖一抖”、“偏一偏”。在这个 AI 和自动驾驶飞速发展的时代，卡尔曼滤波依然在默默支撑着感知系统的“底层稳定性”，就像一位经验丰富的老工程师，始终站在最关键的位置上。摄像头可能看到前车的位置，雷达可能测到它的速度，但这些信息都有噪声，甚至会“跳来跳去”。
2025-08-01 09:45:00
943
原创 “自动驾驶的眼睛”：语义分割是怎么让车“看懂”世界的
语义分割是计算机视觉中的一种任务，它的目标是将图像中的每一个像素都分类到一个具体的语义类别中，比如“道路”、“行人”、“车辆”、“建筑物”、“天空”等
2025-07-31 09:45:00
969
原创 语义分割：从像素级感知到决策闭环
未来的语义分割将不再是一个孤立的视觉任务，而是深度嵌入到自动驾驶系统的每一个环节中，从感知、建图，到预测、决策，甚至人机交互。它将成为理解世界的基础语言，也是构建智能驾驶系统的关键拼图
2025-07-31 09:45:00
2931
原创 安全防护-LDWS车道偏离预警系统
LDWS 虽然是一个“老功能”，但它并没有被淘汰，反而在不断进化。从提醒到理解，从单一感知到多模态融合，它正在变得越来越聪明，也越来越值得我们信赖。
2025-07-29 10:38:03
931
原创 “无图”自动驾驶真相揭秘：高精地图到底有没有被淘汰
在“无图自动驾驶”成为主流口号的今天，高精地图似乎正逐渐被边缘化。但真相远比“有图 vs 无图”二元对立更复杂。我们需要从技术、成本、场景、演进趋势等多个维度，重新审视高精地图的价值与未来。
2025-07-28 12:53:27
1627
原创 VLA：自动驾驶的“新大脑”？
VLA 是自动驾驶系统的一次范式转变，它让车不只是“能动”，而是“能懂”。但要真正实现“像人一样开车”，我们还需要更多的数据、更强的算力、更成熟的工程能力——以及时间。
2025-07-25 13:06:46
3171
原创 ROS-Base：自动驾驶的“传统功夫”
自动驾驶为何千篇一律？ROS架构仍是量产主流 目前多数车企的自动驾驶系统采用ROS-base架构，将功能拆分为感知、预测、规划和控制等模块，通过ROS（机器人操作系统）协调运行。该架构工程成熟、易于调试，但存在误差累积、泛化能力弱等局限。尽管大模型和端到端方案兴起，ROS仍因高可靠性成为主流选择。 高精地图是关键依赖，提供精准定位和道路信息，但也带来高成本、更新慢等问题，促使车企探索“轻地图”方案。国内厂商如华为、小鹏通过优化模块和引入BEV感知提升性能，但核心仍是ROS架构。 未来，端到端自动驾驶可能取代
2025-07-24 13:48:34
904
原创 端到端-未来还是现实
端到端自动驾驶：特斯拉的独门秘籍 自动驾驶技术正经历从模块化到端到端的革命性转变。传统架构如交响乐团分工明确但易出错，而端到端系统则像独奏家，直接通过AI模型将图像转化为驾驶指令。特斯拉凭借三大优势独占鳌头：海量数据、强大模型和快速迭代的闭环系统。FSD v12成为目前唯一量产落地的端到端方案，完全摆脱对高精地图的依赖。相比之下，国内车企虽在数据采集和模型训练上发力，但仍受限于法规、安全验证和系统闭环等瓶颈，停留在"类端到端"阶段。这场技术变革昭示着未来已来，但全面普及尚需时日。
2025-07-24 13:12:55
898
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人