自動駕駛感知算法
關注創建者：匿名 創建時間：2026-01-04
自動駕駛感知算法的視頻教程
自動駕駛感知仿真與驗證之毫米波雷達
適用人群：自動駕駛相關（汽車整車廠，傳感器供應商等）行業人士 無人駕駛雷達天線設計流程與場景動態模擬【已結束】 直播時間：2019-12-19 20:00 如今，無人駕駛/自動駕駛正在迅速發展，在自動駕駛中最關鍵的雷達感知領域涉及多種雷達形式，如激光雷達、攝像頭、微波雷達等。
免費 1小時26分鐘 517播放
查看
仿真技術之自動駕駛感知視界-ANSYS傳感器仿真（攝像頭和激光雷達）
ANSYS自動駕駛系列Webinar，結合自動駕駛系統的研發講述ANSYS工具如何助力自動駕駛的開發驗證，本期重點為ANSYS自動駕駛解決方案之傳感器仿真（攝像頭和激光雷達）。
免費 1小時24分鐘 423播放
查看
自動駕駛感知算法的實例教程
真正賦能主機廠打造自動駕駛能力。
主機廠通過和地平線合作可以得到幾個好處：一，快速建立輔助駕駛能力；二，主機廠逐漸掌握算法能力，在感知算法方面會更進一步；三，短期縮短主機廠的開發時間，長期建立算法能力。
因此，我們能夠看到對于解決方案企業如何推動自動駕駛行業進步，地平線的答案是：「為行業踐行掌握多元技術的對于自動駕駛領域公司的重要性，以掌握自動駕駛核心的底層技術來幫助車企智能化轉型」。
4. 總結
自從2020年舉辦第一屆以來，Waymo自動駕駛挑戰賽持續的為各大研究機構提供公開公平的對比測試平臺。今年的挑戰賽增加了對系統速度的要求，更加貼近實用性和落地性。在這個背景下，地平線團隊的算法連續兩年取得3D物體檢測任務的第一名，證明了其團隊在3D物體檢測這個賽道上世界領先的實力，以及強大的技術和工程能力。此外，地平線此次參賽的方案中融合了很多目前最前沿的物體檢測技術，以及很多精巧的構思和設計，個人認為非常值得相關領域的研究者進行進一步的思考，也會對自動駕駛感知算法的研究起到非常大的推動作用。自動駕駛技術的研究以及應用還有很長的路要走，還有很多關鍵問題亟待解決，期望未來會有更多的研究機構參與其中，推出更加精準和高效的感知算法，以推動自動駕駛技術給人們的出行帶來更多的安全和便捷。
展開 有個關于L4級自動駕駛的戲說：看起來很像L5，但用戶手冊寫了一長串免責聲明，核心思想是這也不行，那也不行。
”
L4自動駕駛系統普遍采用多傳感器融合設計，即融合如激光雷達（LiDAR）和攝像頭（camera）等不同的感知源，從而實現準確并且魯棒的感知。
多傳感器融合算法有一項前提，所有感知源不會同時都被攻擊，或可以同時被攻擊。這個基本的安全設計假設一般都是成立的，因此多傳感器融合通常被認為是針對現有無人車感知攻擊（單感知源攻擊）的有效防御策略。
來自加州大學爾灣分校（UCIrvine）的研究者證明了同時攻擊自動駕駛多傳感器融合感知中所有感知源的可能性。他們發現，在現實世界識別過程中，這種多傳感器融合的障礙物感知存在漏洞，會無法成功檢測研究者設置的障礙物并直接撞上去的情況。
具體而言，3D障礙物的不同形狀可以同時導致LiDAR點云中的點位置變化和camera圖像中的像素值變化，因此攻擊者可以利用形狀操作，同時向camera和LiDAR引入輸入擾動。
生活中路面可能出現的形狀奇怪或破損的物體，可以研究者的物理世界攻擊向量模擬：可操縱形狀的對抗3D物體。
為了評估這一漏洞的嚴重性，研究者設計了MSF-ADV攻擊，它可以在給定的基于多傳感器融合的無人車感知算法中自動生成上述的惡意的3D障礙，研究者的這個設計可提升攻擊的有效性、魯棒性、隱蔽性和現實生活中的可實現性。
展開 來源 | 巫婆塔里的工程師@知乎
自動駕駛系統包括環境感知和定位，行為預測和規劃控制。作為自動駕駛感知算法工程師，我這里就只說說環境感知方面需要的知識吧。
下面是我在自動駕駛感知專欄中的一篇概述文章，專欄里也包含了各個子領域的介紹性文章。
1 前言
本專欄主要關注自動駕駛中的環境感知任務，內容包括感知技術的起源，現狀以及最新的發展趨勢。感知任務大多涉及算法設計，因此專欄的介紹也以算法為主線，特別是深度學習的算法。此外也會涉及一些數據采集，系統測試，算法部署以及量產感知系統的分析。
自動駕駛中的環境感知包含了自動駕駛和環境感知兩個概念。首先，什么是自動駕駛呢？下面是維基百科上對自動駕駛汽車的定義。
自動駕駛汽車，又稱無人駕駛車、電腦駕駛車、無人車、自駕車，為一種需要駕駛員輔助或者完全不需操控的車輛。作為自動化載具，自動駕駛汽車可以不需要人類操作即能感測其環境及導航。
上述定義里有幾個關鍵詞。首先是汽車，我們這里所說的自動駕駛技術涉及的是汽車，而不是飛機火車之類的交通工具。其次是感知環境和導航，也就是說自動駕駛汽車可以自主的采集和理解周邊環境信息，并根據設定的目的地進行決策和行進。最后是需要駕駛員輔助或者完全不需操控，這里涉及到自動駕駛系統的分級，是一個非常重要的概念，下面稍微展開說一下。
自動駕駛技術不是從0到1的質變，而是一個漸變迭代的過程。關于自動駕駛系統的分級，目前最常用的標準是由SAE（美國汽車工程師學會）制定的。不同機構制定的標準會略有不同，但是基本的概念是一致的。下表對L0（人工駕駛）到L5（完全自動駕駛）六個級別進行了總結。這些定義可能有些難懂，但是與車輛上不同的功能結合起來就容易理解了。
展開 來源 | 巫婆塔里的工程師@知乎
自動駕駛系統包括環境感知和定位，行為預測和規劃控制。作為自動駕駛感知算法工程師，我這里就只說說環境感知方面需要的知識吧。
下面是我在自動駕駛感知專欄中的一篇概述文章，專欄里也包含了各個子領域的介紹性文章。
1 前言
本專欄主要關注自動駕駛中的環境感知任務，內容包括感知技術的起源，現狀以及最新的發展趨勢。感知任務大多涉及算法設計，因此專欄的介紹也以算法為主線，特別是深度學習的算法。此外也會涉及一些數據采集，系統測試，算法部署以及量產感知系統的分析。
自動駕駛中的環境感知包含了自動駕駛和環境感知兩個概念。首先，什么是自動駕駛呢？下面是維基百科上對自動駕駛汽車的定義。
自動駕駛汽車，又稱無人駕駛車、電腦駕駛車、無人車、自駕車，為一種需要駕駛員輔助或者完全不需操控的車輛。作為自動化載具，自動駕駛汽車可以不需要人類操作即能感測其環境及導航。
上述定義里有幾個關鍵詞。首先是汽車，我們這里所說的自動駕駛技術涉及的是汽車，而不是飛機火車之類的交通工具。其次是感知環境和導航，也就是說自動駕駛汽車可以自主的采集和理解周邊環境信息，并根據設定的目的地進行決策和行進。最后是需要駕駛員輔助或者完全不需操控，這里涉及到自動駕駛系統的分級，是一個非常重要的概念，下面稍微展開說一下。
自動駕駛技術不是從0到1的質變，而是一個漸變迭代的過程。關于自動駕駛系統的分級，目前最常用的標準是由SAE（美國汽車工程師學會）制定的。不同機構制定的標準會略有不同，但是基本的概念是一致的。下表對L0（人工駕駛）到L5（完全自動駕駛）六個級別進行了總結。
展開 文章來源：自動駕駛干貨鋪
自動駕駛感知算法的相關專題、標簽、搜索
自動駕駛感知算法的最新內容
Ansys自動駕駛汽車仿真解決方案基于從傳感器到系統級的完整工具鏈，通過軟件在環（SiL）與硬件在環（HiL）閉環測試，結合高保真合成數據與開放架構生態，大幅提升開發效率并降低測試成本。在近期發布的"Ansys 應用類系列網絡研討會全面上線"中，涵蓋4場AVxcelerate專題內容，系統解讀自動駕駛仿真的核心能力與最新進展。
本次系列網絡研討會將聚焦Ansys 2026 R1 AVxcelerate
2026年，自動駕駛仿真賽道將持續升溫。
回顧2025年，兩大仿真新技術快速走進公眾視野，分別是世界模型（World Model）與3DGS（3D Gaussian Splatting，3D高斯潑濺）。
關于世界模型，此前也寫了挺多科普文章，甚至發布了一些視頻效果，感興趣的小伙伴可以去搜了看看，本文就不展開了。
而關于3DGS，我則一直覺得很神秘，因此特地做了一些探索，甚至申請到了商用軟件來試用
本文原刊登于Ansys.com：《Ansys AVxcelerate Sensors Software Leverages NI-RDMA for Hardware-in-the-loop (HiL) Testing》
作者：Lionel Bennes | Ansys高級產品經理
編輯整理：劉宏鯤 | Ansys高級應用工程師
原始設備制造商（OEM）和供應商正在潛心研究、不懈努力地推進自動駕駛技術
本項目客戶為國內一所智能駕駛為核心研究方向的高校科研團隊。團隊長期聚焦于自動駕駛感知、定位與系統級驗證研究，同時承擔研究生教學與科研平臺建設任務。 在科研與教學并行推進的背景下，客戶希望構建一套可持續擴展、可復用的自動駕駛數據采集與數字孿生測試平臺，支撐從真實道路采集到高保真仿真驗證的完整研究鏈路。
在此背景下，康謀為其提供了數采車系統、無人駕駛車輛集成方案以及數字孿生仿真服務，幫助客戶打通“
當自動駕駛從輔助走向高階，具身智能從實驗室邁向量產賽道，兩大前沿領域的碰撞正重構汽車產業格局。數據顯示，2026年智能駕駛商業化進程將加速推進，L2級輔助駕駛滲透率有望超70%，具身智能更是被業內預判為萬億級黃金賽道。在這一產業變革的關鍵節點，AUTO TECH China 2026廣州國際自動駕駛與具身智能技術展覽會即將于11月27日-30日在廣州廣交會展館D區盛大啟幕，為全球行業同仁搭建起技術交流
自動駕駛隱私保護出路在哪里5個月前
自動駕駛技術正加速重塑未來交通格局，成為全球科技與產業競爭的核心賽道。然而，技術迭代的背后，數據安全與隱私保護的矛盾日益凸顯。自動駕駛系統的研發與測試高度依賴海量真實場景視覺數據，這些數據在捕捉復雜交通環境的同時，不可避免地涉及過往行人和車輛的個人身份信息。
2022 年以來，相關隱私爭議通過訴訟等形式持續發酵，引發全球對自動駕駛行業數據合規性的廣泛討論。如何在不阻礙技術創新的前提下，筑牢隱私保護防線
通過這一系列工作，我們不僅證明了 aiSim 仿真環境的高保真特性，也為研究者與開發者提供了一個高質量、易用且可擴展的虛擬感知數據資源，以持續助力自動駕駛感知算法的研究與訓練。
一、引言
在自動駕駛技術飛速發展的當下，高精度、高保真的仿真場景構建成為關鍵。3D Gaussian Splatting（3DGS）憑借高效渲染與逼真場景還原能力，逐漸成為三維重建與仿真領域的焦點。然而，實際應用中，如何將多源異構數據高效轉化為可用的 3DGS 場景，如何保障場景與真實環境的一致性，成為了行業難題。
針對3DGS 落地自動駕駛仿真的核心痛點， aiSim 打造從原始數據標準化到高保真仿真驗證的全流程方案
當下正是一個由數據驅動的偉大變革時代。從ADAS到AD，每一次技術的躍遷都離不開海量道路數據的采集、標注與分析。以圖像數據為例，它們是訓練和優化感知算法、提升系統安全性的寶貴資源。
然而，當計劃將這些數據送往異國研發團隊時，數據合規這個難題便擺在了面前。
一、全球化研發的數據合規挑戰
對于任何一個有全球拓展計劃的車企或技術供應商而言，跨國研發與測試通常是不可避免的，例如驗證算法在不同交通環境
01 引言
在端到端自動駕駛的研發競賽中，算法的迭代速度遠超物理世界的測試能力。單純依賴路測不僅成本高昂、周期漫長，更無法窮盡決定系統安全性的關鍵邊緣場景（Corner Cases）。
因此，硬件在環（HIL）仿真測試成為唯一的出路。然而，將仿真數據閉環注入域控制器流程中存在諸多技術難度，特別是高像素相機原始數據，如何無損、無延遲地將數據灌入對時序和信號要求極為苛刻的域控制器中成為了當前調試
