自动驾驶标签_AI Agent技术社区

自动驾驶

保姆级教程：用Python从Waymo Open Dataset里提取3D点云和标签（附可视化代码）

本文提供了一份详细的Python教程，指导如何从Waymo Open Dataset中提取3D点云和标签，并实现可视化。内容涵盖环境搭建、数据加载、点云处理、标签解析以及3D可视化技术，帮助开发者高效利用这一自动驾驶领域的重要数据集。

阿猴HOSEA
2026-06-07 11:06:32

 290

 7

#自动驾驶
DAIR-V2X转KITTI格式避坑指南：解决Python3.7环境下的pypcd安装问题

本文详细介绍了将DAIR-V2X数据集转换为KITTI格式的完整流程与避坑指南。重点解决了在Python 3.7环境下安装pypcd库时遇到的兼容性问题，并提供了从环境配置、数据预处理到坐标转换、批量处理的完整代码实现，帮助开发者高效完成自动驾驶多模态数据集的格式转换。

cheese
2026-03-01 15:16:43

 205

 3

#自动驾驶
NuScenes数据集实战：如何用Python SDK快速可视化激光雷达与相机数据（附代码）

本文详细介绍了如何使用NuScenes Python SDK快速可视化激光雷达与相机数据，涵盖环境配置、数据加载、基础可视化技巧以及多传感器数据融合方法。通过实战代码示例，帮助开发者高效处理NuScenes数据集，实现自动驾驶研究中的关键数据可视化任务。

w1x2y3
2026-02-20 06:05:19

 171

 2

#自动驾驶 #数据可视化
Alpamayo-R1-10B快速部署：Conda Python 3.12环境+依赖自动安装脚本详解

本文介绍了如何在星图GPU平台上自动化部署Alpamayo-R1-10B自动驾驶专用开源视觉-语言-动作（VLA）镜像，实现自动驾驶研发环境快速搭建。该镜像支持多模态输入处理和轨迹预测，可应用于自动驾驶系统的实时决策和场景模拟，显著提升开发效率。

AAAsuan
2026-03-20 00:45:12

 182

 4

#自动驾驶
别再死记硬背公式了！用Python/Simulink动手推导车辆动力学方程（附代码）

本文通过Python实战演示如何从零推导车辆动力学方程，重点解析轮胎侧偏特性与二自由度车辆模型。结合SymPy库进行符号推导，并实现状态空间方程转换，为自动驾驶控制算法开发提供理论基础和代码实践。

寒泊
2026-05-01 09:09:08

 101

#自动驾驶
自动驾驶路径规划实战：Hybrid A*算法从原理到Python实现（附避坑指南）

本文深入解析了自动驾驶路径规划中的Hybrid A*算法，从核心原理、状态空间搜索到Python工程实现进行了全面阐述。文章重点探讨了算法如何将离散图搜索与连续车辆运动学模型结合，生成平滑可行路径，并提供了转向角离散化、动态障碍物处理、Reeds-Shepp替代方案等关键避坑指南和性能优化技巧，助力开发者快速构建鲁棒的路径规划模块。

蜜糖Py小兔
2026-02-27 10:32:37

 656

 15

#自动驾驶
Nuscenes数据集实战：从数据加载到3D目标检测全流程解析（附Python代码）

本文详细解析了Nuscenes数据集在3D目标检测中的应用全流程，包括数据加载、点云处理、模型训练与评估。通过Python代码实战演示，帮助开发者掌握从数据准备到3D点云检测的关键技术，提升自动驾驶场景下的目标检测能力。

情绪过载
2026-02-25 10:56:23

 793

 7

#自动驾驶
用Python脚本自动转换LiDAR数据到ROS bag：以Velodyne pcap文件为例

本文详细介绍了如何使用Python脚本将Velodyne LiDAR的pcap文件自动转换为ROS bag格式，解决自动驾驶和机器人开发中的数据处理难题。通过环境配置、pcap文件解析、时间同步方案和性能优化等步骤，实现高效的点云数据处理，并探讨了在Rviz中的可视化调试技巧和多传感器数据融合的进阶应用。

lambda
2026-02-15 07:17:14

 570

 7

#自动驾驶
自动驾驶MPC控制器前传：手把手推导车辆模型的离散状态空间方程（Python/NumPy版）

本文详细介绍了如何从车辆运动学模型出发，通过线性离散化方法构建适用于自动驾驶MPC控制器的离散状态空间模型。文章包含完整的数学推导和Python实现，帮助开发者掌握模型预测控制中的关键建模技术，为自动驾驶系统开发提供实用指导。

秦哲祺
2026-03-26 10:08:15

 213

 7

#自动驾驶
自动驾驶开发利器：Vscode中提升Git效率的必备插件

本文为自动驾驶开发者详细介绍了如何在VSCode中利用Git插件提升开发效率。重点推荐了Git Graph和GitLens两款核心插件，前者提供可视化的代码历史地图，便于分支管理和冲突解决；后者则提供代码行级注解与追溯功能，是理解大型项目代码库的利器。这些工具能有效优化自动驾驶开发工具链中的版本管理流程。

丧尸225
2026-03-02 06:16:33

 931

 23

#自动驾驶 #开发工具
Python+Tonic实战：如何用开源代码搭建你的第一个自动驾驶小车（附硬件清单）

本文是一份详细的实战指南，介绍如何利用开源的Tonic框架和Python语言，从零开始搭建一个自动驾驶小车原型。内容涵盖Tonic框架的感知、规划、控制核心模块解析，提供高性价比的硬件清单（如树莓派、摄像头），并逐步讲解环境配置、代码部署与系统集成调试，帮助开发者将算法转化为真实的物理智能体，深入理解自动驾驶系统全链路。

ttt77
2026-03-01 05:04:19

 729

 11

#自动驾驶
nuScenes数据集实战：如何用Python快速提取关键帧点云数据（附避坑指南）

本文详细介绍了如何使用Python高效提取nuScenes数据集中的关键帧点云数据，包括环境配置、数据结构解析、点云提取核心技术及常见问题解决方案。通过实战代码示例和避坑指南，帮助开发者快速掌握nuscenes-devkit工具的使用技巧，优化点云数据处理流程，提升自动驾驶项目开发效率。

pear55
2026-02-21 04:20:17

 545

 4

#自动驾驶
Alpamayo-R1-10B部署教程：conda env export导出可复现的Python 3.12环境

本文介绍了如何在星图GPU平台上自动化部署Alpamayo-R1-10B自动驾驶专用开源视觉-语言-动作（VLA）镜像，实现自动驾驶决策与轨迹预测功能。通过该平台，用户可快速搭建Python 3.12环境并部署模型，应用于自动驾驶研发中的多模态感知与决策场景，显著提升开发效率。

明月清风晓星
2026-03-18 02:03:53

 48

#自动驾驶
自动驾驶变道博弈实战：用Python+SUMO模拟纳什均衡决策（附代码）

本文详细介绍了如何利用Python和SUMO仿真平台实现自动驾驶变道博弈中的纳什均衡决策。通过构建博弈论模型，设计收益矩阵，并实现纯策略与混合策略均衡求解，文章提供了完整的代码实现和性能评估，显著提升了变道决策的安全性和效率。

quiet
2026-02-18 09:01:35

 218

 2

#自动驾驶
GLM-4-9B-Chat-1M应用场景：自动驾驶——解析传感器融合算法论文并生成伪代码

本文介绍了如何在星图GPU平台上自动化部署GLM-4-9B-Chat-1M - 本地百万长文本大模型镜像，高效解析自动驾驶领域传感器融合算法论文并生成可调试伪代码。该镜像支持完整加载28页技术论文与附录，实现跨段落逻辑验证与工程级代码生成，显著提升算法研发效率与内网安全合规性。

如水蜜
2026-01-31 01:44:43

 291

 5

#自动驾驶
[特殊字符] GLM-4V-9B多模态应用：自动驾驶感知结果解释系统

本文介绍了如何在星图GPU平台上自动化部署🦅 GLM-4V-9B镜像，构建轻量化的自动驾驶感知结果解释系统。该系统可将车载摄像头截图实时转化为自然语言描述，支持多轮追问与PDF报告导出，广泛应用于ADAS测试分析、盲区识别与功能安全审计等典型场景。

红钻头机
2026-01-31 02:02:31

 371

 4

#自动驾驶
Qwen2.5-VL视觉定位Chord实战：自动驾驶数据闭环中标注效率提升案例

本文介绍了如何在星图GPU平台上自动化部署基于 Qwen2.5-VL 的视觉定位chord视觉定位模型镜像，显著提升自动驾驶数据闭环中的图像标注效率。该镜像支持自然语言驱动的精准目标定位，典型应用于暴雨、隧道出口等长尾场景下的车辆与障碍物快速标注，大幅缩短人工标注耗时。

三年九班蓝同学
2026-02-01 00:19:14

 251

 7

#自动驾驶
SeqGPT-560M在自动驾驶中的应用：环境感知与决策优化

本文介绍了如何在星图GPU平台自动化部署🧬 SeqGPT-560M镜像，以提升自动驾驶系统的环境感知与决策能力。该模型能高效处理交通标识理解、行人意图识别等任务，帮助车辆实时解析复杂道路信息并优化驾驶策略，增强行车安全与智能化水平。

丛越
2026-02-24 00:35:07

 413

 4

#自动驾驶
基于GPT的PETRV2-BEV模型多模态交互系统开发

本文介绍了如何在星图GPU平台上自动化部署训练PETRV2-BEV模型的镜像，实现多模态交互系统的快速搭建。该系统将自然语言处理与3D视觉感知融合，可应用于智能驾驶助手场景，让用户通过语音指令与车辆进行直观交互，如定位特定车辆或识别道路异常。

Bachnroth
2026-02-25 00:44:50

 273

 5

#自动驾驶
Qwen2.5-VL在自动驾驶中的应用：实时道路场景理解

本文介绍了如何在星图GPU平台上自动化部署基于Qwen2.5-VL的视觉定位chord视觉定位模型，实现自动驾驶中的实时道路场景理解。该模型能够精准识别车道、障碍物和交通标志，并通过多传感器融合提升环境感知能力，为自动驾驶系统提供可靠、高效的视觉分析解决方案。

凯二七
2026-02-27 00:06:39

 341

 4

#自动驾驶
PETRV2-BEV GPU算力优化教程：batch_size=2下显存占用与训练效率分析

本文介绍了如何在星图GPU平台上自动化部署训练PETRV2-BEV模型的镜像，实现高效的自动驾驶3D目标检测模型训练。该镜像针对batch_size=2的配置进行了显存与训练效率优化，用户可快速搭建环境并应用于自动驾驶场景中的车辆、行人等3D物体检测任务，显著提升开发效率。

麦克羊
2026-04-14 05:48:24

 397

 9

#自动驾驶
3D目标检测算法深度解析：从FCOS到FCOS3D++的技术演进与应用实践

本文深度解析了3D目标检测算法从FCOS到FCOS3D++的技术演进与应用实践。详细介绍了FCOS3D在三维空间的关键改进，如解耦检测头和3D中心分配，以及FCOS3D++的概率深度估计和几何深度传播技术。通过性能对比和调优建议，为自动驾驶等场景提供实用解决方案。

?Briella
2026-04-15 21:06:16

 636

 16

#计算机视觉 #自动驾驶
CVPR 2019 MVXNet实战：手把手教你用PyTorch复现激光雷达与图像融合的3D目标检测模型

本文详细介绍了如何从零开始复现CVPR 2019提出的MVXNet模型，这是一个激光雷达与视觉融合的三维目标检测模型。通过环境配置、数据准备、模型架构解析、训练技巧和部署优化等步骤，帮助读者完整实现这一多模态融合的3D目标检测系统，并提升检测精度。

WEYSUV
2026-04-16 10:11:41

 212

 5

#自动驾驶
最新感知算法论文分析：RaCFormer 如何提升雷达相机 3D 目标检测性能？

传统雷达-相机融合方法大多先将不同模态统一到 BEV 空间，再进行拼接或注意力融合。但这种方式默认两种模态在 BEV 中已经较好对齐，而现实中雷达特征往往稀疏、相机 BEV 又容易受深度误差影响。CVPR 2025 的 RaCFormer 提出了一种 query-based 的双视角融合框架，让 object query 同时从图像视角和 BEV 视角主动采样特征，并结合雷达辅助深度估计、时序动态

 拼命太空人
2026-04-16 16:49:40

 510

 9

#算法 #3d #自动驾驶
自动驾驶3D感知避坑指南：PointPillar和CenterPoint在实际部署中的性能对比与选型建议

本文深入对比了自动驾驶3D感知中PointPillar和CenterPoint两大主流算法的实际部署性能，包括计算效率、内存占用和精度表现。通过详实的硬件平台测试数据和场景适应性分析，为算法选型提供实用建议，帮助开发者在工程实践中避开常见陷阱，优化3D目标检测系统。

weixin_30896511
2026-05-02 06:11:58

 416

 10

#自动驾驶
3D检测新思路：为什么‘粗糙’的体素特征也能很精准？深入解读Voxel R-CNN的设计哲学

本文深入解析了Voxel R-CNN在3D目标检测领域的创新设计，通过粗粒度体素特征实现高精度检测。文章揭示了局部聚合的容错性、检测任务的鲁棒需求以及量化误差补偿机制等关键发现，并详细介绍了Voxel Query和加速局部聚合等核心技术。Voxel R-CNN在保持高精度的同时显著提升计算效率，为自动驾驶和机器人感知提供了新的解决方案。

weixin_33694620
2026-04-19 02:20:46

 264

 5

#自动驾驶
基于统计相关多任务学习的自动驾驶

本文提出一种端到端深度学习架构SCMTL，用于自动驾驶中的多任务学习，通过共享层捕捉任务间统计相关性，并引入逆验证损失加权方案解决任务范围差异问题。模型在多个公开数据集及新合成GTA-V数据集上表现优于现有方法，同时估计转向角、加速度、制动及车道数量，显著提升泛化性能与效率。

github5actions
2025-10-17 05:22:09

 811

 12

#自动驾驶 #深度学习
从YOLOP到YOLOPv2：我们拆解了它的网络结构，发现这些设计让性能翻倍

本文深度解析YOLOPv2网络架构，揭示其在目标检测、可行驶区域分割和车道线检测多任务中的革新设计。通过E-ELAN Backbone、任务解耦Decoder和混合损失函数等关键技术，YOLOPv2在BDD100K数据集上实现性能翻倍，推理速度达91FPS，为自动驾驶视觉系统提供高效解决方案。

weixin_30813225
2026-04-20 05:22:18

 426

 8

#目标检测 #自动驾驶
PETRV2-BEV模型训练实战：星图AI平台保姆级教程，小白也能轻松上手

本文介绍了如何在星图GPU平台上自动化部署训练PETRV2-BEV模型的镜像，实现高效3D目标检测。该平台简化了复杂的环境配置流程，用户可快速完成从数据预处理到模型训练的完整流程，特别适用于自动驾驶场景中的车辆和行人识别任务。

阿晴招生笔记
2026-04-20 05:17:22

 261

 4

#自动驾驶
【论文笔记】Robust Collaborative 3D Object Detection in Presence of Pose Errors（CoAlign）

【论文笔记】Robust Collaborative 3D Object Detection in Presence of Pose Errors（CoAlign）

byzy
2026-04-21 15:44:49

 400

 8

#论文阅读 #目标检测 #自动驾驶 +2
《自动驾驶系统开发》的英文版“Autonomous Driving Handbook”由Springer和清华大学联合出版

本书系统地介绍了当今自动驾驶领域的前沿技术理论。从自动驾驶的背景知识出发，深入探讨了软件和硬件平台、感知、建图、定位、规划决策、控制、仿真、安全、集成与验证、伦理与法律等方面的内容，并介绍了自动泊车系统、车联网技术、神经渲染、扩散（GenAI）模型以及大规模模型应用等。

硅谷秋水
2026-04-22 00:15:00

 661

 17

#自动驾驶 #人工智能 #机器学习 +3
自动驾驶ML工作流加速引擎设计与优化实践

机器学习工作流是自动驾驶研发的核心基础设施，其效率直接影响算法迭代速度。通过容器化构建、统一编排层和弹性计算资源调度，可有效解决数据孤岛和资源碎片化问题。关键技术包括Kubeflow Pipelines编排、多框架标准化接口和GPU加速数据预处理，典型应用如模型训练任务动态调度和实验复现追踪。在Aurora Innovation的实践中，该方案将模型开发周期缩短75%，GPU利用率提升至82%，每

 weixin_30345577
2026-04-21 15:09:09

 472

 5

#自动驾驶
PETRV2-BEV模型训练指南：基于星图AI平台的完整流程

本文介绍了如何在星图GPU平台上自动化部署训练PETRV2-BEV模型的完整流程，该模型是自动驾驶领域先进的视觉感知解决方案。通过平台预置镜像，用户可快速搭建环境并完成多视角图像到3D鸟瞰图的转换训练，适用于自动驾驶车辆的实时环境感知与决策系统。

黑泡尖子
2026-04-22 04:54:19

 345

 9

#自动驾驶
从MVP算法看多模态融合：为什么虚拟点技术能提升小物体检测63%？

本文探讨了多模态虚拟点(MVP)技术如何通过2D-3D融合显著提升小物体检测性能63%。该技术利用相机高分辨率图像生成3D虚拟点，有效补充激光雷达的稀疏点云，解决了自动驾驶中远距离小物体检测的难题。文章详细解析了虚拟点生成流程、性能提升机制及实际应用优化策略，为多模态感知系统提供了创新解决方案。

舜祎魂
2026-04-22 09:19:21

 320

 9

#自动驾驶
Waymo数据集实战：用TensorFlow 2.x和Open3D玩转3D目标检测（从数据加载到模型输入全流程）

本文详细介绍了如何使用TensorFlow 2.x和Open3D处理Waymo数据集，构建高效的3D目标检测数据管道。从数据解析、点云处理到多模态数据对齐，提供了完整的工程实现方案和性能优化技巧，帮助开发者快速掌握自动驾驶领域的核心技术。

weixin_30516243
2026-04-23 02:50:10

 417

 8

#自动驾驶
从Cityscapes到KITTI：DeepLabv3+模型迁移实战，解决自动驾驶场景分割数据稀缺问题

本文详细介绍了如何利用PyTorch版DeepLabv3+模型从Cityscapes数据集迁移到KITTI数据集，解决自动驾驶场景中语义分割数据稀缺的问题。通过分析数据集差异、实施动态适配策略及优化模型加载与改造，显著提升了模型在KITTI数据集上的性能，为开发者提供了实用的迁移学习解决方案。

weixin_30700099
2026-04-23 04:14:19

 263

 5

#自动驾驶
告别BEV冗余计算！深入浅出图解SparseFusion：多模态3D目标检测的‘瘦身’秘诀

本文深入解析SparseFusion技术如何通过稀疏表达革新多模态3D目标检测。该技术有效解决传统BEV方法的计算冗余问题，实现73.8%的mAP精度，同时将延迟降至76ms，显存占用减少至3.7G。重点探讨了跨模态信息转移和视图变换等核心创新，为自动驾驶感知系统提供高效解决方案。

bill_live
2026-04-23 04:54:24

 340

 2

#自动驾驶