从心理学到自动驾驶:拆解理想汽车快慢思考系统在DriveVLM中的真实应用

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

从认知心理学到自动驾驶:拆解DriveVLM背后的“快慢思考”系统设计

最近和几位做AI产品与算法的朋友聊天,大家不约而同地提到了一个现象:顶尖的技术方案,其灵感往往源于技术之外的学科。比如,当理想汽车在GTC 2025上公布其DriveVLM及后续的MindVLA方案时,最让我眼前一亮的,不是那些炫目的模型参数,而是其架构背后那个清晰而深刻的隐喻——丹尼尔·卡尼曼的“快慢思考”系统。这不仅仅是一个营销话术,它实实在在地为复杂无比的自动驾驶决策问题,提供了一个优雅的认知框架。对于技术决策者和AI产品经理而言,理解这套跨学科的思维如何落地为芯片上的代码,远比单纯比较模型大小更有价值。今天,我们就抛开晦涩的论文,从认知心理学的视角出发,看看这套“系统1”与“系统2”是如何在真实的驾驶场景中协同工作的。

1. 卡尼曼的“快与慢”:一个自动驾驶的绝佳隐喻

丹尼尔·卡尼曼在《思考,快与慢》中提出的双系统理论,早已超越了心理学范畴,成为理解人类决策行为的经典模型。简单来说:

  • 系统1(快思考):快速、自动、直觉化、无需费力。比如看到红灯下意识刹车,或者躲避突然滚到路中的皮球。
  • 系统2(慢思考):缓慢、审慎、需要专注和逻辑推理。比如规划一条避开拥堵的最优路线,或者判断前方施工路牌的具体含义。

将这套理论映射到自动驾驶上,你会发现其契合度惊人。驾驶本身就是一个“快慢交织”的典型活动。绝大部分时间,我们依靠“系统1”进行车道保持、跟车等常规操作;但一旦遇到突发或复杂场景——“前方有车抛锚并打开了双闪”、“交警在路口临时指挥交通”——我们的“系统2”就会立刻被激活,进行深度分析和决策。

传统自动驾驶的模块化架构(感知-预测-规划)试图用一个“系统”解决所有问题,要么为了安全而过于保守(反应慢),要么为了流畅而忽略长尾风险(思考浅)。而理想DriveVLM方案的核心洞见在于:为什么不直接为机器也构建一套“快慢系统”呢? 让擅长快速反应的端到端模型扮演“系统1”,让擅长深度推理的视觉语言模型(VLM)扮演“系统2”。

提示:这种架构分离带来了一个关键优势——可解释性。当车辆做出一个非常规决策时(比如突然减速变道),我们可以追溯是“快系统”的直觉反应,还是“慢系统”经过思维链推理后的审慎指令,这对于调试和信任建立至关重要。

2. DriveVLM架构详解:“系统2”如何慢思考

在理想的架构中,DriveVLM 就是那个专职的“慢系统”(系统2)。它运行在一颗独立的Orin X芯片上,像一个坐在副驾、时刻观察全局的“智囊”。它的工作不是处理每一毫秒的数据,而是在关键时刻被唤醒,进行一场深度的“情景分析”。

2.1 思维链(CoT)在驾驶中的具象化

DriveVLM的核心推理引擎是思维链。这可不是大语言模型聊天时的文字游戏,而是被严格结构化、用于驾驶决策的推理流程。我们以一个经典复杂场景为例:“行驶中,前方右侧车道有一辆警车亮着灯停靠,旁边站着一名警察。”

一个简单的感知系统可能只会输出“检测到车辆、行人”。但DriveVLM的思维链会这样展开:

  1. 场景描述(Scene Description):首先,用自然语言客观“看见”什么。

    天气:晴朗,能见度高。
    道路类型:城市主干道,三车道。
    时间:白天。
    车道状况:最右侧车道被一辆亮着警示灯的静止警车部分占用,警察站在警车左后方。
    关键物体:警车(BBox坐标),警察(BBox坐标),锥桶(可能)。
    

    这一步将原始的像素信息,转化为了机器和人都能理解的语义化描述。

  2. 场景分析(Scene Analysis):然后,分析这些关键物体对“我”(自车)意味着什么。

    警车特征:执行公务中,具有最高路权。
    警察特征:可能正在指挥交通或处理事故,注意力可能在别处。
    影响分析:右侧车道通行受阻,存在潜在风险(警察可能突然移动)。法律要求接近执行任务的警车时应减速并准备变更车道。
    

    这里引入了常识、交规和风险预估,是纯视觉感知无法做到的。

  3. 层级规划(Hierarchical Planning):最后,生成可执行的行动计划。

    • 元动作:减速, 向左微调方向, 开启左转向灯。
    • 决策解释:“因前方有执行公务的警车,为确保安全并遵守法规,采取减速并向左车道并线的策略。”
    • 路径点:输出一组未来几秒内车辆应该遵循的(x, y)坐标序列,这个轨迹会刻意远离警车,并平滑地融入左侧车道。

整个过程,就像一位老司机在脑中快速推演了一遍。DriveVLM的输出频率较低(例如每1-2秒一次),因为它进行的是“深思熟虑”。

2.2 VLM的能力边界与挑战

尽管VLM展现了强大的推理能力,但将其用于量产驾驶,必须直面其局限性。理想在实践中最深的两点体会是:

挑战维度具体表现对系统设计的影响
空间精度VLM基于语言描述生成路径点(如“向左偏移一些”),这个“一些”是多少米?语言到几何的映射存在模糊性。不能直接使用VLM输出的轨迹控制车辆,需要后续的轨迹精修模块进行量化、平滑和坐标对齐。
推理速度22亿参数的模型,即使优化后,单次推理也需数百毫秒,无法满足实时控制所需的10Hz甚至更高频率。决定了它只能是“低频”的决策辅助系统,必须与一个高频执行的“快系统”配对工作。
驾驶知识预训练数据多来自通用互联网图文,对“压实线变道的扣分规则”、“洒水车作业模式”等驾驶专属知识覆盖不足。需要大量的驾驶场景数据进行指令微调(Instruction Tuning)和领域适应,提升其驾驶决策的专业性。

这些挑战恰恰解释了为什么需要一个“双系统”架构。慢系统(VLM)负责“想明白”,快系统负责“快速、精准地执行”。

3. System1-Action:端到端模型如何实现“快思考”

与深思熟虑的DriveVLM相对应,端到端(E2E)模型就是那个“系统1”。它部署在另一颗Orin X芯片上,任务纯粹而直接:将传感器数据(主要是摄像头视频流)映射为控制信号或轨迹。

3.1 端到端的直觉式反应

这个系统的设计哲学是“别思考,去感受”。它不试图理解场景中的物体是警车还是救护车,也不推理警察的意图。它通过海量驾驶数据训练出的“直觉”,来应对绝大多数常规驾驶情况。

  • 输入:多摄像头实时视频帧。
  • 内部处理:一个深度神经网络(通常是基于Transformer的架构)直接学习从图像像素到车辆未来轨迹的映射函数。这个过程是高度压缩和抽象的,类似于人学会骑车后,不再需要思考如何平衡,身体自然反应。
  • 输出:一条平滑、安全、符合驾驶风格的未来数秒轨迹。

它的优势极其明显:

  • 极低的延迟:模型前向传播一次仅需几十毫秒,可以实现高频(如10Hz)的轨迹输出。
  • 流畅的体验:由于是数据驱动,其生成的轨迹往往更贴近人类驾驶员的风格,乘坐体验更自然。
  • 不依赖高精地图:完全基于实时感知,适应性更强。

但它的劣势也同样突出:缺乏常识和长尾场景处理能力。遇到训练数据中极少出现的“奇葩”场景(比如路上有只孔雀),它的“直觉”可能会失效。这时,就需要“系统2”介入。

3.2 快慢系统的协同:DriveVLM-Dual

单纯的“快系统”或“慢系统”都无法胜任全场景驾驶。理想的解决方案是 DriveVLM-Dual,它不是一个新模型,而是一套协同机制。

其核心工作流程可以概括为“慢思考指导快执行”:

  1. 低频决策:DriveVLM(慢系统)以约1Hz的频率运行,对复杂场景进行分析,并输出一个高层级的驾驶策略(如“向右变道以绕过障碍物”)和一条粗略的参考轨迹。
  2. 高频精修:端到端模型(快系统)以10Hz的频率运行。它不再仅仅依赖自己的“直觉”,而是将DriveVLM输出的参考轨迹作为一个强大的“提示”或“引导信号”。
  3. 轨迹精修:一个专门的轨迹精修模块会融合两者信息。它利用端到端模型的高频、高精度特性,对VLM给出的粗略轨迹进行实时优化和细化,确保最终执行的轨迹既符合高层语义决策,又满足车辆动力学约束和平滑性要求。

用一个比喻来说:DriveVLM是战略家,看清全局后指出“我们应该向东北方向突围”;端到端模型是战术家,负责在枪林弹雨中规划出每一步具体的奔跑路线和躲闪动作。两者结合,才构成了一个完整的指挥体系。

4. 从架构到芯片:工程落地的现实考量

再优美的理论,也需要在现实的约束下工程化。对于车载系统而言,最大的约束就是算力、功耗和成本。理想选择双Orin X的架构,是一次精明的权衡。

4.1 芯片级的功能安全隔离

将“快系统”和“慢系统”分别部署在两颗独立的Orin X芯片上,带来了一个关键好处:功能安全隔离。

  • 故障容忍:如果运行VLM的芯片因复杂推理负载过高出现异常,快思考的端到端系统依然可以独立工作,执行最基本的安全策略(如减速、靠边停车),提供了冗余安全保障。
  • 确定性:端到端模型的运行周期和延迟是高度确定的,这对于需要严格实时性的车辆控制至关重要。VLM的推理时间则允许有一定的波动。

这种物理隔离的架构,使得两个系统可以各自采用最适合自己的优化策略,互不干扰。

4.2 内存、带宽与模型压缩的挑战

即便强如Orin X,其内存带宽和算力与云端GPU服务器相比仍有数量级差距。将数十亿参数的VLM塞进车规级芯片,是一场硬仗。工程团队需要在模型能力、推理速度和精度之间做艰难取舍:

  • 模型剪枝与量化:移除VLM中对驾驶任务不重要的神经元,并将模型权重从FP32精度降低到INT8甚至更低,以大幅减少模型体积和加速推理。
  • 知识蒸馏:用一个大而全的云端“教师模型”来指导一个小而精的车端“学生模型”,试图在缩小模型的同时保留其核心推理能力。
  • 算子级优化:针对Orin X的Tensor Core进行深度定制,让每一份算力都发挥最大效能。

这些优化工作,其技术难度不亚于模型设计本身,是决定方案能否量产的关键。

4.3 数据驱动的闭环:如何让系统越开越聪明?

“快慢思考”系统最终的性能上限,取决于它从数据中学习的能力。这里涉及两个层面的数据闭环:

  1. 感知-决策闭环:车辆在实际行驶中,会不断遇到新的场景。系统如何处理,结果如何(是否舒适、安全),这些数据被收集回来,用于持续优化端到端模型和VLM的微调。例如,当VLM多次对“路边临时停靠的工程车”做出“无需变道,稍作减速即可”的正确判断后,这种经验会被沉淀到模型中。
  2. 人机共驾闭环:在辅助驾驶模式下,驾驶员的接管行为(尤其是纠正性接管)是极其宝贵的反馈信号。它直接告诉系统:“你刚才的决策我不满意,应该这样做。” 如何高效地利用这些稀疏的、带有强烈主观偏好的反馈数据来改进模型,是当前研究的热点。

驾驶行为本质上是多模态的——同样一个宽敞的右转弯,有的司机喜欢切着弯心快速通过,有的则喜欢走一个更大的弧线。端到端模型如何学习并拟合这种多样性,而不是输出一个折中但“平庸”的轨迹,是提升驾乘体验的关键。一些前沿方法开始引入扩散模型(Diffusion Model)来生成多样化的、合理的轨迹分布,供后续模块选择。

从卡尼曼的书房,到飞驰在高速公路上的理想汽车,这条连接认知科学与人工智能的路径,为我们解决复杂问题提供了全新的视角。DriveVLM的“快慢思考”架构,其意义不仅在于它多有效地处理了几个Corner Case,更在于它示范了一种系统设计方法论:面对开放世界的复杂性,与其追求一个万能但脆弱的单一智能体,不如构建一个分工明确、优势互补的协同系统。 这或许将是下一代AI系统,无论是自动驾驶还是其他领域,一个重要的演进方向。

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar 立即下载

相关推荐

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

DRIVEVLM(快慢系统)

为了全面评估模型的性能,我们关注其对驾驶场景的理解和做出的决策。因此,我们的评估包括两个方面:场景描述 / 分析评估和元动作评估。

qq_35975367的博客 1401

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

从心理学到自动驾驶:揭秘理想汽车快慢思考系统在DriveVLM中的设计哲学

本文深入解析了理想汽车DriveVLM系统中借鉴心理学快慢思考理论的设计哲学。通过端到端模型与视觉语言模型(VLM)的协同,实现自动驾驶的即时反应与深度决策,结合ORIN X芯片的异构计算能力,为复杂路况提供智能解决方案。

alice7model的博客 857

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

量产VLM是怎么工作的?聊聊DriveVLM和自动驾驶大模型~

国内端到端的技术路线已经明确:就是端到端+大模型!据自动驾驶之心了解,除了理想,像长安/小鹏都宣称大模型上车了。智能座舱和具身智能这块也是当下非常火爆的方向。未来大模型除了指导快系统外,像数据挖掘、标注等等应该都值得进一步探索。拼团优惠立减130!这里也推荐下平台最新的多模态大模型课程,课程从通用多模态大模型,到大模型微调,最终在聚焦在端到端自动驾驶多模态大模型,基本上面试的东西课程里面都有介绍。...

CV_Autobot的博客 649

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

弯道超车!理想汽车快慢双系统会是端到端自动驾驶的答案么?

编辑| 理想TOP2点击下方卡片,关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『端到端自动驾驶』技术交流群本文只做学术分享,如有侵权,联系删文理想今天下半场发布会的受众是自动驾驶从业人员与技术爱好者,可以类比苹果的WWDC与特斯拉 AI Day。如果你作为普通用户或股东感到沉闷无趣是非常正常的。TOP2 917字总结版:系统一是...

CV_Autobot的博客 1635

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

快慢双系统评测!Bench2ADVLM:专为自动驾驶VLM设计(南洋理工)

点击下方卡片,关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近30个方向学习路线>>自动驾驶前沿信息获取→自动驾驶之心知识星球论文作者 | Tianyuan Zhang等编辑 | 自动驾驶之心视觉-语言模型(VLMs)最近已成为自动驾驶(AD)中一个有前景的范式。然而当前对基于VLM的自动驾驶系统(ADVLMs)的性能评估协议主要局限于具有静态输入的开环设置,忽略了更具现实性和信息性的闭环设置,后者能够捕捉交互行为、反馈弹性和真实世界的安全性。为了解决这一问题,我们引入了BENCH2ADVLM,这是一个统

CV_Autobot的博客 298

Modbus 通信协议详解

Modbus是由 Modicon(现为施耐德电气公司的一个品牌)在 1979 年发明的,是全球第一个真正用于工业现场的总线协议。ModBus网络是一个工业通信系统,由带智能终端的可编程序控制器和计算机通过公用线路或局部专用线路连接而成。其系统结构既包括硬件、亦包括软件。它可应用于各种数据采集和过程监控。为更好地普及和推动Modbus在基于以太网上的分布式应用,目前施耐德公司已将Modbus协议的所有权移交给 IDA(,分布式自动化接口)组织,并成立了 Modbus-IDA 组织。

Projectsauron 的博客 7万+

康谋矿山机械多传感器数采方案:矿山自动驾驶数据采集落地实践分析

矿山自动驾驶的算法迭代高度依赖真实工况下的原始感知数据。矿卡、挖掘机等工程机械长期处在粉尘大、强振动、昼夜温差大的作业环境,想要拿到高质量、时序对齐的多传感器数据集,相比乘用车场景难度会大幅提升。

KeymoteK的博客 281

手搓ZLMediaKit实现拉流推流系列3(RK3588上YOLO系列拉流、MPP解码+编码、推流全流程)

 前段时间比较忙,一直没有时间补充后续的内容。今天终于抽出空来,立马进入码字环节:手搓ZLMediaKit实现拉流推流系列在本篇也终于迎来了完结篇,在本篇文章中,你将看到以下一整套完整流程:使用ZLMediaKit拉流---MPP解码---Yolo模型进行推理---MPP编码并推流。

m0_46303486的博客 2179

python中frida的安装+frida-server(雷电模拟器)保姆级安装教程

frida的安装,安卓逆向,adb

2301_80224944的博客 4590

从实体空间到虚拟空间:拉孚 Larfe 以 MView 虚拟空间推演引擎,构建自动驾驶仿真的“空间智能“底座

拉孚是专注存量空间的全栈自研 AIoT 基础设施产品商,以 AIoT 基座、LAR 软件架构通用模型、MView 虚拟空间推演引擎、Larfelabs 场景 Skill 生态为核心,为建筑、园区、酒店、医院、学校、工厂、交通等空间提供从感知接入、数据治理、本体建模到智能体决策的完整能力。解决了"结果不可比"。空间从"被记录的对象",变成"被构造的变量"。在建筑、园区、酒店、医院、学校、工厂这些存量空间里,拉孚做的事情是把冷机、阀门、照度、人流、能耗、设备状态,变成带语义、可计算、可下发的数据。

2601_96544574的博客 304

单细胞测序避坑指南:为什么你的免疫组库数据总出问题?5‘转录组7个关键细节

本文深度解析了5'端单细胞测序技术在免疫组库研究中的应用与常见问题。文章从5'端建库的分子机制入手,重点剖析了其在捕获TCR/BCR序列上的独特优势,并系统梳理了从样本处理、文库构建到数据质控全流程中7个最易出错的细节,为研究者提供了一份实用的避坑指南,旨在帮助提升免疫组库数据的质量和可靠性。

weixin_29208327的博客 484

网联域控制器深度剖析:低速自动驾驶的通信枢纽与工程落地误区

网联域控制器(C‑DCU)是面向自动驾驶场景,融合无线通信、车内总线管理、边缘预处理、远程运维的车载专用硬件。它不参与自动驾驶决策运算,智驾域控制器才负责感知、规划、行驶决策;网联域只做数据中转、预处理、链路管理,承担“桥梁”角色。

rtu遥测终端机 289

【Unity的HDRP渲染管线下用Steam VR串流结合使用遇到的各种问题_SteamVR 插件和Pico串流助手】

当你启用"Mock Runtime"选项后,Unity将模拟一个虚拟的OpenXR运行时环境,并提供一些虚拟的设备和功能,让你能够进行开发和调试。在Unity中,SteamVR插件是一个由Valve提供的Unity插件,它允许开发者在Unity项目中集成SteamVR功能,以便支持SteamVR设备。OpenXR是一个跨平台的虚拟和增强现实(VR/AR)开发接口,它为开发者提供了一个统一的接口,用于访问不同VR/AR硬件设备和平台的功能。这个选项是用于模拟OpenXR运行时环境的功能。

暴走约伯的博客 2800

Android开发工程师(IOT)面试指南与参考答案

【摘要】绿联科技招聘Android开发工程师(IOT方向),要求5年以上Android开发经验,精通Kotlin/Java,熟悉IOT设备交互及跨平台开发。岗位职责包括客户端开发维护、技术调研及性能优化等。核心考察点包括:Kotlin协程在IOT低功耗场景的应用、多协议设备连接层设计、音视频性能优化及离线架构实现。重点技术涉及蓝牙Mesh群控、BLE功耗优化及ReactNative混合开发。需具备GooglePlay合规经验,熟悉Android13+权限管理,并能提供量化性能优化案例。

郑伟强dev的专栏 724

车载服务器如何选型|康谋自动驾驶实车测试硬件评估指南

车载服务器选型不能简单比对 CPU 和显卡参数,应当先明确业务场景,围绕**环境可靠性、IO 整机带宽、GPU 扩展、时间同步、存储架构、软件生态、后期可扩展**七大维度综合评估。

KeymoteK的博客 291

ROS2入门到精通—— 1-1 Linux和ROS2基础

本文介绍了Linux的一般指令以及ROS2的常见理论和操作

BigDavid123的博客 3816

【LLM推理与Serving⑨】业务模型推理引擎开发:以BEV自动驾驶为例的专用推理实践

系列文章索引:本系列从基础概念到工程实践,系统梳理LLM推理与Serving的核心知识。本文为第9篇,跳出通用LLM框架,看看业务专用推理引擎是怎么打造的。

Dawson Zhu的博客 367

【数据湖仓】:Iceberg、Hudi 和 Paimon 对比

适用于需要多计算引擎支持和复杂查询的离线批处理场景。其中立性和灵活性使其成为构建新型数据平台的理想选择。:在需要高频数据更新和高效小文件管理的场景中表现出色,适合实时数据处理和增量数据更新的业务需求。:专为实时流式数据处理设计,适用于对数据实时性要求高的业务场景,如实时数据分析和实时指标监控。通过以上分析,可以看出 Apache Iceberg、Apache Hudi 和 Apache Paimon 各有其独特的优势和适用场景。企业应根据自身业务需求和技术栈选择合适的数据湖仓方案,以充分发挥其价值。

欢迎来到我的博客,一起探索代码里的世界! 1612

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

自动驾驶:可移动支架式大尺寸标定板的全场景工程化应用

可移动支架式大尺寸标定板解决自动驾驶多传感器标定中固定板部署僵化、适配性差等痛点,集成高精度碳纤维基材与工业级可调支架,实现360°旋转、±90°俯仰调节及全车型兼容。其哑光低反光表面与复合图案设计保障复杂光照下特征提取稳定,支持产线快速标定、测试场动态验证及售后便携校准,满足从研发到量产全生命周期需求,成为智能驾驶系统精度保障的核心基础设施。

2601_95895381的博客 536

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

上一篇: 利用ReadableStream.getReader实现前端动态流式渲染与中断控制
下一篇: Dell服务器PERCCLI工具详解:从安装到实战RAID管理
lambda
博客等级 码龄23年 49粉丝 1303原创
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  | 博主筛选后可见
 
 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