登录社区云，与社区用户共同成长
邀请您加入社区
1.缩写英文缩写英文全称中文全称ACCAdaptive Cruise Control自适应巡航控制ADASAdvanced Driving Assistance System高级驾驶辅助系统AEBAutonomous Emergency Braking自动紧急制动AESAutomatic Emergency Steering自动紧急转向ALCAuto Lane Change自动变
UN R79 Rev.5 是车辆转向系统的核心国际法规，强调机械可靠性、电子系统功能安全及ADAS功能的规范化测试。其核心创新点在于整合了新型电子转向技术的要求，同时为未来自动驾驶功能预留框架，但现阶段仍坚持驾驶员对车辆的最终控制权。
智能驾驶产品经理需要具备跨领域知识体系，包括深入理解感知、定位、规划决策等核心技术栈，掌握汽车开发流程及行业生态。核心能力要求包括：用户场景洞察、产品定义与规划、系统权衡决策、数据驱动验证、跨部门协作等。产品思维需以安全为基石，注重用户体验和价值创造，保持场景驱动和持续迭代。建议通过技术学习、一线实践、行业交流积累经验，培养"汽车+AI+产品"的复合能力，在技术可行性与商业目标间找到平衡，推动智能
【摘要】自动驾驶汽车正加速从实验室驶向城市街头，重塑全球城市交通格局。本文系统梳理自动驾驶技术落地的机遇、挑战、市场格局、政策工具与治理创新，深度剖析中美典型城市的实践经验，提出面向未来的城市引领策略。文章强调以公共利益为核心，推动技术与治理协同进化，助力城市实现安全、高效、绿色、包容的交通新生态。
针对自动驾驶汽车在复杂工况下的速度控制难题，本文提出一种融合遗传算法（GA）与线性变参数模型预测控制（LPV MPC）的自适应 PID 控制策略。通过 GA 全局优化 PID 参数，利用 LPV MPC 在线调整控制器参数以适应车辆质量、路面摩擦等时变特性，构建了分层鲁棒控制框架。仿真结果表明，该方法在速度跟踪精度、抗干扰能力和动态响应方面显著优于传统控制算法，为自动驾驶的纵向控制提供了高效解决方
编程语言用简单的英语告诉计算机如何执行必须完成的任务。几乎所有学科（包括 Web 开发、机器学习、数据科学等）的最重要先决条件是编程语言知识。提高业务绩效已从编程和应用程序开发中获益匪浅。为了在科技领域保持相关性，开发人员必须跟上所有这些最新趋势和指数。编程和开发社区的增长速度比以往任何时候都快。下面列出了特斯拉用于创建自动驾驶汽车的顶级编程语言。
ISO 21448:2022《道路车辆—预期功能的安全性》标准为自动驾驶系统提供了安全框架，重点关注功能不足引发的风险。该标准与ISO 26262功能安全标准互补，适用于L1-L5级别自动驾驶系统，涵盖规范设计、危害识别、验证确认等全生命周期管理。核心要求包括：通过场景分析识别危险事件，建立冗余设计应对性能缺陷，采用多种测试方法验证系统鲁棒性。标准特别强调需覆盖已知/未知场景，并解决AI算法可解释
小鹏汽车小鹏汽车成立于2014年，总部位于广州，中国领先的智能电动汽车公司。是广州橙行智动汽车科技有限公司旗下的互联网电动汽车品牌，由何小鹏、夏珩、何涛等人发起，团队主要成员来自广汽、福特、宝马、特斯拉、德尔福、法雷奥等知名整车与大型零部件公司，以及阿里巴巴、腾讯、小米、三星、华为等知名互联网科技企业。小鹏汽车今年将招聘4,000名新员工，并投资数百万美元用于人工智能领域。以寻求在其所称的全球最大
作者|调皮哥 编辑| 调皮连续波点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【多传感器融合】技术交流群本文只做学术分享，如有侵权，联系删文本期分享的文章来自：https://github.com/yuzhe-yang/radar-perception，原作者是Yuzhe-Yang。一、传统汽车毫米波雷达现状传统毫米波雷达作为高级自动驾驶汽车系统中...
可脱手得高速公路辅助，需要高精度定位系统（高精地图+GNSS等方案）召唤（从车外操控车辆自动泊车和恢复行使或在指定地点取回车辆）Full Speed Range ACC 全速域自适应巡航。自适应大灯系统也叫Matrix Beam 矩阵大灯控制。城市领航(开放道路L4)或者UP UrbanPilot。导航自动驾驶辅助(L2+) 特斯拉的类似HWA的功能。集成巡航辅助(TJA全速域升级版)智能自适应巡
因为，ChatGPT出现才不到一年半的时间，现在的大模型已经可以实现视频生成（例如Sora）、音乐生成（例如：Stable Audio 2.0、Prompt-Singer等），且效果惊人，未来的自动驾驶大模型也将会乘风破浪，成为自动驾驶的主流核心技术。本文主要介绍大模型(LLMs)如何助力汽车自动驾驶，简单来说，作者首先带大家了解大模型的工作模式，然后介绍了自动驾驶大模型的3大应用场景，最后指出自
而生成式方法通过学习大量数据中的模式，能够合理地"填补"这些缺失的部分，就像一个经验丰富的考古学家能够从破碎的文物中推测出完整的历史图景。想象一下，当你开车经过一个复杂的路口时，你的大脑不仅能看到眼前的车辆和行人，还能"脑补"出被遮挡的区域可能存在什么东西，甚至能预测那些暂时看不见的地方的情况。他们使用的数据集涵盖了从-40米到40米的空间范围，在X轴和Y轴方向上，以及从-1米到5.4米的高度范围
