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 端到端自动驾驶 - 下一代智能驾驶量产核心算法 端到端自动驾驶（End-to-End Autonomous Driving）作为目前智驾量产的核心算法，可以分为一段式端到端、二段式端到端两个大的技术方向。自UniAD获得 CVPR Best Paper以来，正式拉开了国内新一轮的智驾军备竞赛。 2024年理想汽车更是宣布E2E+VLM的双系统架构量产！ 端到端自动驾驶通过传感器数据输入 （视觉/Lidar等）直接输出自车规划或控制信息，是目前智能驾驶最具代表性的方向。 目前VLM/VLA也是招聘的刚需，3-5年就能冲击百万年薪！ 而随着学术界和工业界的目光投向端到端这个技术领域，我们发现了很多问题。UniAD是端到端的最终解吗？显然不是！一系列算法如雨后春笋般冒出： 技术栈多？入门困难？ 去年我们推出了《首个面向工业级的端到端算法与实战教程》，今年很多小伙伴反馈技术发展太快了，先前的技术方案已经不适合当下的大环境。端到端目前发 展出多个领域技术的方向，需要掌握多模态大模型、BEV感知、强化学习、视觉Trans ...

与传统模块化方法不同，端到端系统实现了从传感器输入到车辆规划/控制信息的直接建模，避免了模块化 方法间的误差累积。BEV感知打通了模块化方法间的壁垒，在统一的上帝视角下实现了技术的一次跃迁。 之后UniAD统一了各个感知和规划任务，所有的模块第一次在一个模型中运行起来，至此端到端时代来临~ 而随着学术界和工业界的目光投向端到端这个技术领域，我们发现了很多问题。UniAD是端到端的最终解 吗？显然不是！一系列算法如雨后春笋般冒出： 技术栈多？入门困难？ 去年我们推出了《首个面向工业级的端到端算法与实战教程》，今年很多小伙伴反馈技术发展太快了，先 前的技术方案已经不适合当下的大环境。端到端目前发展出多个领域技术的方向，需要掌握多模态大模 型、BEV感知、强化学习、视觉Transformer、扩散模型等相关的知识。学习端到端自动驾驶，是一个一站 式强化多领域知识的好机会。但这样的学习路径往往非常痛苦。同时掌握多个领域的知识已经足够困难， 而各领域的论文数量繁多、知识碎片化，入门者往往还没了解各个领域就已然放弃。如何从零散论文中提 炼框架、掌握领域发展趋势，是初学者的常见挑战。同时学习目标驱动导航需要结合实际任务完成 ...

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 当前自动驾驶技术正处于从辅助驾驶（L2/L3）向高阶无人驾驶（L4/L5）跨越的关键阶段。如果你对自动驾驶 有浓厚的兴趣，并且想找业内最专业的大佬交流，那么这个圈子一定没错！技术迭代的浪潮下暗藏职业焦虑。 对职场老人而言 ，传统以激光雷达为核心的感知算法工程师可能面临路线冲击——特斯拉的纯视觉方案依托成 本优势和算法革新，正在撼动多传感器融合的主流地位；而规划控制领域从PID到强化学习的转型，也让依赖传 统控制理论的从业者陷入技能升级的紧迫感。 学生新手则陷入"选择困难症" ：感知算法赛道因头部企业技术垄 断加剧内卷，数据闭环工程师需要同时掌握分布式计算与AI模型调优能力，而新兴的车路协同方向又要求跨界 融合通信与交通系统工程知识。当禾赛科技将激光雷达成本降至200美元、比亚迪宣布自研体系内价格再降70% 时， 技术红利背后实则是从业者必须持续奔跑的生存法则，这种技术路线的不确定性与知识体系的重构压力， 正在重塑自动驾驶人才市场的竞争格局。 后处理，写逻辑建议转行业可以，不要换方向，gap还是蛮大。现在很多人 ...

如果您有任何科研辅导需求，欢迎联系我们！ 自驾方向： 大模型、VLA、端到端自动驾驶、3DGS、BEV感知、目标跟踪、毫米波雷达视觉融合、激光视觉融合、 多传感器标定、多传感器融合、车道线检测、在线地图、轨迹预测、世界模型、3D目标检测、Occupancy、高性能计 算、NeRF、语义分割、决策规划等。 具身方向： VLA、视觉语言导航、端到端、强化学习、Diffusion Policy、sim2real、具身交互、抓取点预测与位姿估 计、机器人决策规划、运动规划、3DGS、SLAM、触觉感知、双足/四足机器人、遥控操作、零样本学习等； 3D视觉 相关： 点云处理、3DGS、SLAM等； 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 今年的CVPR和ICCV工作陆续放出，从今年的2大顶会来看热点研究方向，主要集中在四个部分：通用cv、自动驾驶 相关、具身相关、3D视觉相关。下面是4个领域中细分的子方向。 计算机视觉与图像：diffusion、图像质量评估、半监督学习、零样本、开放世界检测等； 自动驾驶相关，集中在端到端、闭环仿真3DGS、多模态大模型、扩 ...

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 具身智能无疑是这两年最的方向。从几年前的沉寂到去年的疯狂，再到25上半年开始逐渐冷静。大家慢慢回 过神来，具身机器人还远远未到生产力的阶段。 以下是 知识星球 内部一位双非同学的提问，非常有代表性： 各位大佬们好，我目前是一个双非的研究生，我的研究方向是多传感器融合定位的，然后学过python，深 度学习，ros，但都学的不是很精，现在想多学一点为以后找工作用，感觉算法岗我的学历可能不太行，请 问各位大佬们我应该往哪个方向学比较好呢？具身智能感觉也还不太成熟，不确定这波热度能到什么时 候？请问各位大佬后面应该学些什么知识呢？ 星主回答：你的技术栈都比较偏机器人一些，SLAM和ROS这块都可以尝试一下和机器人/具身智能打交道。这 块需求也比较大，可以做一些优化、集成类工作~ 另一方面，我们了解到大一些的公司各家的hc都不是很高，要求基本上都是端到端、大模型、VLA、强化学 习、3DGS这些比较前沿的方向。如果你做的是这块，是有机会的，很多tire 1的公司或者主机厂也正在follow前 沿的技术，大概是从无图往 ...

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 自动驾驶规划控制已经不再单单是逻辑兜底的岗位了。现在端到端、VLA的量产趋势下，传统规划控制的 生存空间正在慢慢被蚕食。。。 不少同学也表示，现在面试更看重规则算法+端到端的结合，两者缺一不可。 以下是最近一位打算转行同学的提问，非常具有代表性： 我想转行到自动驾驶规划控制岗位，研究生期间做过粒子群的无人机航迹规划，工作之后做的内容比 较传统。工作三年后还想换到自动驾驶行业。我给自己留了3-4个月准备时间，我刷了运动规划的课 程，我把C++ pimer和leetcode刷一遍，除此之外，请各位已经在自动驾驶规划控制的前辈指教，我还 需要学习什么？重点准备什么？非常感谢！ 自动驾驶之心邀请到规划控制算法专家宁远老师回答这个问题： 这个同学的问题非常好，很有现实意义。在我日常工作中，规则的算法作为兜底仍然是十分重要的。但坦 白说，这些东西已经是从业人员的基础了，诸如横纵联合、横纵解耦这些决策规划框架，一些基础的规划 算法（基于搜索/采样基于运动学等等），这些都已经是基本的面试要求了，面试中如果被问到答不上来会 很 ...

本文结构： 先介绍AI学术圈为什么很多特点与其他学科不一样，引入能发多篇顶会的中国公司其实蛮多的，含金量并不高。这块我很懂, 我上一段创业 受众就是ICCV/CVPR/AAAI/ICLR的投稿者。 再详细论述理想VLA的原始创新度是DeepSeek MoE级别，没有跟随特斯拉了(VLM之后就不是跟随了，是深度参考)，并指出原始创新度低于DeepSeek的 MLA，MLA原始创新度低于Transformer。 目前有能力做出MoE级别原始创新的中国公司很少，这块很有含金量。 以下为正文： 25年6月27日，理想自动驾驶负责人表示自动驾驶团队5篇论文中稿ICCV，VLA交付后会把"梯队"拿掉。 李想补充到，理想基座模型团队还有三篇论文被录用，在措辞上对入选ICCV给予了很高评价。 TOP2上一段创业经历受众就是AAAI/ICML/NeurIPS/ICLR/CVPR/ICCV这些顶会的投稿者，所以TOP2对这块特别懂。 AI学术圈与其他学科圈特点有非常多不同 AI学术圈会议比期刊重要 ，本质原因是，AI学术发展速度太快，而期刊审稿周期太长，旧有的以期刊为中心的学术共同体范式难以满足AI学术圈的发展 需求。 AI会议 ...

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 ...

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 ...

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UniAD（CVPR 2023 Best Paper）问世以来，端到端已经成为当下量产的主流范式。而从去年下半年开始，尤 其是DeepSeek思维链流行以来，视觉-语言-动作（VLA）相关方法伴随着具身智能的爆火，相关论文已经横扫自 动驾驶前沿领域。同时各家主机厂也争先恐后尝试落地研发，理想、文远知行、小米、小鹏等等都在大力尝试量 产。 随着2025年即将过半，学术界和工业界也出现了很多优秀的工作。 所以哪些高质量工作现在应该格外关注？趋势在往什么方向发展？量产应用究竟如何？全都是值得每一位前沿从 业者思考~ 为此，自动驾驶之心采访了学术界和工业界第一线的大佬并做了VLA相关工作的汇总，文章按照发表时间排 序，其中不乏全球顶尖高校团队和工业界研究团队的工作。 并在文末做了一些对当下工作的观点整理，感兴趣 的小伙伴不要错过呦~ 标题：AutoVLA: A Vision-Language-Action Model for End-to-End Autonomous Driving with Adapt ...