来源：科技日报 科技日报记者 张佳欣 核推进技术，尤其是核热推进，是一种极具前景的航天器高效推进技术。它利用核反应释放的巨大热能，将氢气等推进剂加热到极端状态再喷射出去，让飞 船以极低的燃料消耗跑极长的路程。但挑战在于：如何在一个几米宽的发动机里，驾驭"微型核电站"般的狂暴能量？ 如今，AI的加入使这一过程的优化更加智能化和精细化，强化学习可帮助研究人员设计更高效的核热推进系统，通过实时数据反馈调整设计参数。 在真空的宇宙中，没有空气可借力，航天器的一切机动都依赖自身携带的推进系统。推进效率不仅决定飞得多快、能飞多远，也直接关系到任务成本，甚至 航天员的生命安全。然而，支撑了人类航天半个多世纪的化学燃料推进，正在逼近物理极限。 在这一背景下，人工智能（AI）开始进入航天推进这个传统上高度硬核的领域。据澳大利亚《对话》杂志报道，AI，尤其是机器学习，正在帮助科学家重 新思考核热推进、等离子体推进等前沿方案，为人类探索深空提供更加强大的新引擎。 在数字空间不断试错 AI已在航天推进技术的设计和实时操作中发挥着越来越重要作用。它模拟人类"从经验中改进"的过程：不给标准答案，而是通过无数次尝试，让机器在"试 错"中掌 ...

该课程涉及的核心算法包括：一段式端到端、两段式端到端、导航信息的量产应用、开闭环强化学习、扩散模型+强化学习、自回归+强化学习、时空联合规划等 等，最后分享一些实际的量产经验。这门课程是自动驾驶之心联合工业界算法专家开设的《面向量产的端到端实战小班课》！课程只有一个重点：聚焦量产。从一 段式、两段式、强化学习、导航应用、轨迹优化、兜底方案再到具体量产经验分享。面向就业直击落地，所以这门课程目前不打算大规模招生， 仅剩「15名」招生 名额...... 仅剩「15个」名额，扫码咨询助理！ 讲师介绍 王路, C9本科+QS50 PhD，已发表CCF-A和CCF-B论文若干。现任国内TOP tier1算法专家，目前从事大模型、世界模型等前沿算法的预研和量产，所研发算法已成功 落地并量产，拥有丰富的端到端算法研发和实战经验。 课程大纲 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 近期和业内一位做招聘的朋友聊了聊，他们反馈中游车企和Tier1 开始铺 人力和资源跟进端到端。但面试的候选人往往只懂一部分，甚至有些还停留在论文层面， 根本没有量产经验和优化能力，端到端 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Younggyo Seo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。 在人形机器人控制领域，强化学习（RL）虽已实现从仿真到现实的迁移，但高维动作空间、强域随机化需求导致训练周期冗长，严重制约迭代效率。 亚马逊 FAR 实验室团队提出的快速强化学习方案 ，以优化后的离线 RL 算法（FastSAC、FastTD3）为核心，通过 "算法调优 - 极简奖励设计 - 大规模并行仿真" 的 三位一体技术体系，首次实现单 GPU 15 分钟训练出鲁棒人形机器人 locomotion 政策，同时支持全身运动追踪任务的快速部署，彻底重构了人形机器人 sim-to-real 的迭代范式。 论文题目：Learning Sim-to-Real Humanoid Locomotion in 15 Minutes FastSAC-Humanoid — Project Page：https://youngg ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Younggyo Seo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。 在人形机器人控制领域，强化学习（RL）虽已实现从仿真到现实的迁移，但高维动作空间、强域随机化需求导致训练周期冗长，严重制约迭代效率。 亚马逊 FAR 实验室团队提出的快速强化学习方案 ，以优化后的离线 RL 算法（FastSAC、FastTD3）为核心，通过 "算法调优 - 极简奖励设计 - 大规模并行仿真" 的 三位一体技术体系，首次实现单 GPU 15 分钟训练出鲁棒人形机器人 locomotion 政策，同时支持全身运动追踪任务的快速部署，彻底重构了人形机器人 sim-to-real 的迭代范式。 论文题目：Learning Sim-to-Real Humanoid Locomotion in 15 Minutes FastSAC-Humanoid — Project Page：https://youngg ...

Core Viewpoint - The article discusses the DiffusionDrive model, which utilizes a truncated diffusion approach for end-to-end autonomous driving, emphasizing its architecture and the integration of reinforcement learning to enhance trajectory planning and safety [1]. Group 1: Model Architecture - DiffusionDriveV2 employs a reinforcement learning-constrained truncated diffusion model, focusing on the overall architecture for autonomous driving [3]. - The model incorporates environment encoding, including bird's-eye view (BEV) features and vehicle status, to enhance the understanding of the driving context [5]. - The trajectory planning module utilizes multi-scale BEV features to improve the accuracy of trajectory predictions [8]. Group 2: Trajectory Generation - The model generates trajectories by first clustering the true future trajectories of the vehicle using K-Means to create anchors, which are then perturbed with Gaussian noise [12]. - The trajectory prediction process involves cross-attention mechanisms between the trajectory features and BEV features, allowing for more accurate trajectory generation [15][17]. - The model also integrates time encoding to enhance the temporal aspect of trajectory predictions [14]. Group 3: Reinforcement Learning Integration - The Intra-Anchor GRPO method is proposed to optimize strategies within specific behavior intentions, enhancing safety and goal-oriented trajectory generation [27]. - The reinforcement learning loss function is designed to mitigate instability during early denoising steps, using a discount factor to adjust the influence of rewards over time [28]. - The model incorporates a clear learning signal by truncating negative advantages and applying strong penalties for collisions, ensuring safer trajectory outputs [30]. Group 4: Noise Management - The model introduces multiplicative noise rather than additive noise to maintain the structural integrity of trajectories, ensuring smoother exploration paths [33]. - This approach addresses the inherent scale inconsistencies in trajectory segments, allowing for more coherent and realistic trajectory generation [35]. Group 5: Evaluation Metrics - The model evaluates generated trajectories based on safety, comfort, rule compliance, progress, and feasibility, aggregating these into a comprehensive score [27]. - Specific metrics are employed to assess safety (collision detection), comfort (acceleration and curvature), and adherence to traffic rules, ensuring a holistic evaluation of trajectory performance [27].

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 大家好，我是柱哥。最近收到很多小伙伴的咨询和求助，希望我们能够联系更多的技术专家分享业内最 新的动态和观点。L2智能驾驶已经进入下半场，行业的难点和痛点需要更多有志之士参与进来一起突 破。后面我们将陆续为大家增加圆桌访谈、实战&工业级课程、咨询等各类输出。 岗位说明 主要面向自动驾驶培训合作（B端主要面向企业和高校、研究院所培训，C端面向较多学生、求职类人 群）、课程开发和原创文章创作。 联系我们 待遇与合作方式，欢迎添加微信wenyirumo做进一步沟通。 作为国内自动驾驶领域创作的技术平台，我们期望能够在这波激流中贡献自己的力量，成为一个真的能 给行业带来价值的平台。 众人拾柴火焰高，我们需要更多优秀的伙伴加入我们。 主要方向 包括但不限于：自动驾驶产品经理、4D标注/数据闭环、世界模型、VLA、自动驾驶大模型、强化学 习、端到端等多个方向。 ...

来源：钛媒体 12月20日，在钛媒体2025 T-EDGE全球对话中，钛媒体集团创始人、Barron's中国出版人「赵何娟 Talk」（Jany Talk）与硅谷资深投资人、企业家王维嘉先 生展开了一场深度对话。 两年前，ChatGPT风靡全球时，我们曾与王维嘉深入探讨AI的未来。两年后的今天，当Google Gemini 3掀起新一轮技术竞赛、华尔街开始质疑AI泡沫、扎克 伯格开出天价年薪抢人时，我们再次坐下来，拨开喧嚣，回答那些真正重要的问题： 模型竞争的终局是什么？哪些应用会率先落地？人类与机器的边界在哪里？未来一到三年，什么才是真正值得关注的变化？ 以下为本次对话核心观点摘录： 1、OpenAI不会轻易出局，未来是交替领先的动态格局。只要各家公司使用相同的Transformer架构和技术路径，差距就不会是不可逾越的，未来将是"你六 个月超越我，我再六个月超越你"的持续迭代，不会突然出现某一家遥遥领先、无人可及的局面。 2、当前对英伟达的主要挑战在于，各大科技公司纷纷开始自研AI芯片，如果未来每家公司都能开发出成本更低、效率更高、易用性更好的芯片，其将面临 被替代的风险。未来云服务市场越集中，对其越不利 ...

近日， 工业场景具身智能研发商赛索德智能宣布完成数千万元天使轮融资 ，本轮投资由宁波方正 （300998）、扬州金泉（603307）、顺景科技（603007）三家上市企业及创投机构南吉资本联合注 资，资金将用于核心技术迭代与工业化场景落地。 作为一家深耕工业具身智能的创新企业，赛索德智能正构建 "算法定义硬件"的机器人系统新范式。其核心 方向是通过VLA（多模态融合）+MOE（混合专家模型）架构打造工业级具身大脑，专门适配多品种、小 批量、定制化的工厂生产场景，精准填补当前市场中智能装配机器人的应用空白。 硬核团队护航技术落地，跨领域背景筑牢创新根基 赛索德智能的核心团队汇聚了机器人技术、人工智能、工业场景应用等多领域的资深专家，为技术创新与 商业转化提供了坚实支撑。 创始人孙鑫海拥有香港中文大学硕士学位，目前正在攻读清华 -米兰理工管理工程PhD，其研究方向聚焦 多模态融合下的空中交通流量预测与优化。凭借在安徽尼威动力、东方久乐汽车电子等企业的董事任职经 历，他对机器人产业趋势与客户核心需求有着深刻洞察，尤其擅长将前沿技术转化为具备商业价值的产品 方案。 联合创始人兼 CTO周丹弟博士毕业于北京理工大学计算 ...

对于从事自动化和计算机的同学，建议搞深度学习，VLA、端到端、世界模型都是很好的方向，从入门、到 工作甚至读博都有很大空间。对于机械和车辆的同学，可以先学习传统PnC、3DGS这些方向算力低、入手简 单。 剩下的就是一些方法论的提升了，多看论文多交流，慢慢形成自己的思考和idea。 对很多新人研究者，一个 好的idea需要踩很多次坑。如果你还是新人，不知道怎么入门，可以看看我们推出的论文辅导。 论文辅导上线了！ 端到端、VLA、世界模型、强化学习、3D目标检测、多传感器融合、3DGS、BEV感知、Occupancy Network、多任务学习、语义分割、轨迹预测、运动规划、扩散模型、Flow matching、点云感知、毫米波雷 达、单目感知、车道线/在线高精地图等方向。 如果您有任意论文发表需求，支持带课题/研究方向咨询，欢迎联系我们， 微信：paperguidance 提供的服务 论文选题； 论文全流程指导； 实验指导； 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 最近收到不少同学的咨询，很多都是计算机、车辆、自动化和机械方向的同学。 先看自驾一些 ...

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 最近和业内专家讨论了导航信息SD如何应用到自动驾驶中，分享给大家： 图商提供的导航信息SD/SD Pro目前已经在很多量产方案上使用了。导航可以提供车道、粗粒度的waypoint等信息，相当于给司机提供了一个粗略的全局和局部视 野，将导航信息应用到车端模型上也就顺水渠成。目前来看，导航模块的核心职责有两个： 当然还有非常重要的一part，提供参考线reference line，这是下游规控强需的信息，有了参考线，可以极大的减轻规划的压力，相当于车辆已经有一条行驶的参考路 线，只需在细化即可。 除此之外，还可以提供规划约束与优先级、路径监控和重规划。 1. 车道级的全局路径规划：搜索一条目标车道的最优lane sequence； 2. 给行为规划提供明确的语义指导，方便车辆提前准备变道、减速、让行； 具体涉及到自车定位、道路结构构建和感知定位匹配可以参考下图： 在两段式中，导航输入到感知模型中，输出navi path，navi path作为ml planner的输入进而预测自车的行驶轨迹。 本文均出自平台最新推 ...