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 千万级4D标注方案应该怎么做？ 智能驾驶算法的开发已经到了深水区，各家都投入了大量的精力去做量产落地。其中一块最关键的就是如何高效的完成4D数据自动标注。一方面人工精标周期长、成 本贵，对于量产泛化的关键周期是非常大的阻力，因此高质量的4D自动标注是业内非常重要的一环，无论是3D动态目标、OCC、静态标注还是端到端标注。 相比于车端的感知算法，自动标注系统更像是一个不同模块组成的系统， 充分利用离线的算力和时序信息，才能得到更好的感知结果， 实际落地的时候，对于工程师 的能力要求上了一个档次，想要把这些大模型大系统玩转的好和高效，也是非常不容易的。 而自从端到端和大语言LLM横空出世以来，大规模无监督的预训练 + 高质量数据集做具体任务的微调， 可能也会成为量产感知算法下一阶段需要发力的方向。同时数 据的联合标注也是当下各家训练模型的实际刚需，以往分开标注的范式不再适合智能驾驶的算法发展需求。今天自动驾驶之心就和大家一起分享下4D数据的标注流 程： 最复杂的当属动态障碍物的自动标注，涉及四个大的模块： 而为了 ...

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 写在前面 自BEVFormer带起BEV感知热潮以来，从BEVDet到PETR、BEVDepth、BEVFusion，再到最近火热的 InternBEV、BEV-Lane系列，BEV（Bird's Eye View）感知已经成为视觉感知中的兵家必争之地。不仅如此，随 着多模态融合、时间建模、实时性优化等技术不断取得突破，BEV感知的实际落地也正在加速推进。2024年以 来，地平线、文远、小鹏、比亚迪、毫末等厂商纷纷投入量产研发，不少团队也将BEV作为核心视觉模块融入自 研的自动驾驶栈。 如今2025年已过半， BEV感知领域还有哪些值得重点关注的新技术？哪些论文提出了真正具有变革性的想法？ 有哪些方法已经在量产项目中落地？ 这些问题，都是每一位前沿从业者和技术爱好者无法回避的思考方向为 此，自动驾驶之心对 BEV感知方向的相关提问和回答进行了系统汇总 ，看不过瘾可以关注文末附上的资料，感 兴趣的小伙伴千万别错过呦 BEV知多少 在bev空间上，要检测A目标，肯定要用对应的A目标特征，拿其他目标的特征过来有啥用 ...

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 能辅导哪些会议和期刊？ 收到了许多同学在论文发表上的求助，学校绕不开一篇三区论文硕士毕业，没有三篇CCF-A博士都毕不了 业，老师对这个新的方向不熟悉，开展不了工作。一直在为论文选题绞尽脑汁，实验设计总遇瓶颈，写作 逻辑混乱不清，投稿屡屡被拒！ 尤其是在前沿且复杂的自动驾驶、具身智能、机器人领域，真的有点力不 从心！ 一篇论文往往需要1-2年的时间筹备发出，对硕士来说，基本上贯穿了整个学术生涯。方法错误、走弯路、 无人指点是最消耗时间的！论文发表难，但也不是没有办法，有大佬带队，一年发几篇都很正常。筹备了 好久，我们服务大家的论文辅导正式推出了，面向自动驾驶/具身智能/机器人领域。 我们是谁？ 国内最大的AI类技术自媒体平台，IP包含自动驾驶之心/具身智能之心/3D视觉之心等平台，拥有国内最顶 尖的学术资源。深耕 自动驾驶、具身智能、机器人 方向多年。我们深刻理解这些交叉学科的挑战与机遇， 更明白一篇高质量论文对于学生（尤其是硕博生）学业和未来发展的重要性。 我们300+专职于自动驾驶/具身智能方向的老师。来 ...

以下文章来源于具身智能之心 ，作者Tianxing Chen等 具身智能之心 . 与世界交互，更进一步 点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Tianxing Chen等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 天行和muyao大佬团队出品的2.0工作，看看有哪些创新点和惊喜吧~ Webpage: https://robotwin-platform.github.io/ arXiv：https://arxiv.org/abs/2506.18088 Code: https://github.com/RoboTwin-Platform/RoboTwin Document: https://robotwin-platform.github.io/doc/ Title：RoboTwin 2.0: A Scalable Data Generator and Benchmark with Strong Domain Rando ...

做了3年多的技术自媒体，在自驾、具身智能、3D视觉、机器人领域，我们沉淀了大量的内容。但后期陆 续收到了许多同学关于就业的求助，谈薪、避坑、职位选择、跨行等都是大家很关注的问题。我们一直 想给大家这样一个平台，让需要就业的同学能够快速匹配到自己的岗位，事半功倍！近半年的筹划，我 们推出了AutoRobo知识星球，一个覆盖机器人、自动驾驶、具身智能方向的求职社区！ AutoRobo知识星球 这是一个给自动驾驶、具身智能、机器人方向同学求职交流的地方，目前近1000名成员了，成员范围包 含已经工作的社招同学，如地平线、理想汽车、华为、小米汽车、momenta、元戎启行等公司。同时也 包含2024年秋招、2025年秋招的小伙伴，方向涉及自动驾驶与具身智能绝大领域。 星球内部有哪些内容？这一点结合我们已有的优势，给大家汇总了面试题目、面经、行业研报、谈薪技 巧、还有各类内推公司、简历优化建议服务。 招聘信息 星球内部日常为大家分享已有的算法、开发、产品等岗位，基本都是公司第一时间分享给我们的！涉及 校招、社招、实习等岗位。 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 ...

作者 | LiangWang 编辑 | 自动驾驶之心 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 『4D标注』技术交流群 本文只做学术分享，如有侵权，联系删文 近几年随着深度学习技术的发展，基于数据驱动的算法方案在自动驾驶/机器人领域逐渐成为主流，因此算法对数据的要求也越来越大。区别于传统单帧标注，基 于高精点云地图的4D标注方案能够有效减少标注成本并提高数据真值质量。 4D标注中的4D是指三维空间+时间维度，4D数据能够映射到任意时刻得到单帧真值用于模型训练，区别于大范围高精地图生产，4D标注只关注一小片区域的静态 和动态元素。然而如何生成标注所需底图是其中的一个关键环节，针对不同的标注需求，通常需要实现"单趟建图"，"多躺建图"和"重定位"等关键技术，在场景上 还需要支持有GNSS的行车场景和无GNSS的泊车场景。 LSD (LiDAR SLAM & Detection) 是一个开源的面向自动驾驶/机器人的环境感知算法框架，能够完成数据采集回放、多传感器标定、SLAM建图定位和障碍物检测 等多种感知任务。 本文将详细介 ...

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 从事大模型方向的小伙伴有福利了！斯坦福大学 2025 年春季的 CS336 课程「从头开始创造语言模型（Language Models from Scratch）」相关课程和材料现已在网上全面发布！ 该课程教职工团队，阵容十分豪华~ 课程视频：https://www.youtube.com/watch? v=SQ3fZ1sAqXI&list=PLoROMvodv4rOY23Y0BoGoBGgQ1zmU_MT_ 课程主页：https://stanford-cs336.github.io/spring2025/ 讲师Tatsunori Hashimoto：现为斯坦福大学计算机科学系助理教授。其为斯坦福大学 John C. Duchi 和 Percy Liang 的博士后，研究机器学习模型平均性能和最差性能之间的权衡。此前在麻省理工学院攻读研究生，导师是 Tommi Jaakkola 和 David Gifford。本科就读于哈佛大学学习统计学和数学，导师是 Edoardo Airoldi。并且该讲 师的研究成果已 ...

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 华为车bu（引望）社招： 端到端模型算法工程师 1. 承担端到端模型的设计、开发、部署和迭代 感知模型算法工程师 1. 承担视觉感知相关的神经网络设计、开发、部署和迭代 4. 承担视觉感知算法的长期研发和迭代 人脸状态监测算法工程师 1. 负责智能驾驶系统，驾驶员和乘客姿态，行为和视线监测算法研发和部署 2. 针对现网问题和用户新需求，快速设计算法方案，解决问题满足客户需求 3. 结合业界算法前沿，推动算法优化迭代，确保算法业界竞争力领先 模型效率优化 1. 承担智能驾驶系统AI模型车端推理效率优化 2. 针对现网问题，优化迭代效率和方案；加速问题解决 3. 结合业界前沿和实际应用问题，推动新算法预研和落地 4. 分析端到端数据分布，均衡和调优 2. 构建AI模型压缩核心算法，设计和构建硬件亲和的模型稀疏、剪枝、蒸馏、量化等压缩能力 3. 紧跟业界前沿模型压缩方案，结合AI模型不断提升模型时延、内存带宽等指标~ 欢迎感兴趣的朋友加入自动驾驶之心知识星球获取联系方式，内部独家招聘信息，简历直达！！！ 前面一直在 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Meng Li等 >> 点击进入→ 具身智能之心 技术交流群 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 1简Intr 介 oduction - 基于模仿学习，目前主流的多任务 VLA 模型及其训练方式无法很好的应对任务变更问题。比如， 当任务A进行一半时，此时切换任务B，大部分方法解决该问题的能力十分薄弱。 - 诸如此类问题我们定义为 Task Switching ，即"任务切换"。为解决该问题，我们设计了执行感知 （Execution-Aware）机制，通过极简的形式表示了任务切换的情况。在模型侧采用了轻量化的网络 架构，并设计了新的训练范式及数据采样算法。 - 我们的方法 轻量 （0.27B）且 无需额外收集遥操数据 ，便可实现任务切换功能，并大幅超越现有 SOTA VLA 方法。 - 论文地址：https://arxiv.org/abs/2506.03574 - 项目网站：https://switchvla.gith ...

本文认为现有的端到端方法主要存在两个问题：一个是BEV范式下的方法非常耗算力；另一个是预测和planning串联式的方式不够好,场景信息是在 agent周围提取，忽略了自车。并且运动预测和规划都是多模态问题。基于此，本文提出一种Sparse范式下的端到端方法，且预测和planning并行。 Contribution: SparseDrive的主体结构沿用了之前地平线Sparse系列的思想： 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 探索了端到端自动驾驶的稀疏场景表示，并提出了一种以稀疏为中心的范式； 修改了运动预测和规划之间的巨大相似性，提出了一种分层规划选择策略； nuScenes 上 SOTA。 特征提取； 对称稀疏感知； 平行运动规划器； 训练的损失函数如下： SparseDrive: 损失函数 www.zdjszx.com □ Loss $${\mathcal{L}}={\mathcal{L}}_{d e t}+{\mathcal{L}}_{m a p}+{\mathcal{L}}_{m o t i o n}+{\mathcal{L}}_{p ...