不知不觉五年了

我给自己定下了一个五年的短期写作计划，作为我正在尝试的几个事情之一。我相信这五年的时间将成为我探索和试错的宝贵时光，并且我认为是非常值得和必要的。

大数据下的五年高考三年模拟”主要指的是近年来在高考备考中使用的一种教辅资料，该资料结合了近五年的高考真题和三年的模拟试题，为高中生提供全面的复习指导。这种资料通过大数据分析，帮助学生掌握高考命题趋势和考试重点，从而提高复习效率和应试能力。根据证据，“五年高考三年模拟”是一种非常受欢迎的教辅书籍，涵盖了高中九科（语文、数学、英语、物理、化学、生物、历史、地理、政治）的复习资料，包括真题汇编、考点剖析及模拟试题等内容。

从08年10年，我在重庆 10年-14年，我在

摘要：干线物流场景中，重卡因制动距离长需超250m远距感知，但远距目标检测受视觉特征退化与雷达稀疏性限制，需多模态时序校验提升置信度。针对相邻车道强行加塞（Cut-in），系统建立动力学对账方程，实时解算运动参数并验证安全裕度，同时采用传感器动态确权策略应对模型幻觉。极限情况下，系统绕过端到端规划，直接触发紧急制动，通过VMC层优化制动力分配，确保安全平账。

本文介绍了一个基于深度学习的自动驾驶模拟系统全栈项目，包含以下核心内容： 系统架构：采用前后端分离设计，Python+FastAPI处理后端逻辑和深度学习模拟，Vue3构建前端交互界面。 功能模块： 用户认证（JWT+bcrypt加密） 场景配置（道路类型/天气/交通密度） 自动驾驶模拟（车道线识别/障碍物检测/碰撞风险评估） 数据看板展示 技术特点： 轻量级SQLite数据库存储 完整的认证流程实现 可扩展的深度学习模拟框架 响应式前端界面 学习价值：项目提供了完整的开发流程和可运行源码，适合作为深度学习

摘要： 针对地下停车场高密度桩标、光线突变与低矮障碍物等复杂场景，研究提出多模态感知融合与安全冗余策略。通过4D雷达与视觉体素化校验解决桩标粘连问题；光流-IMU时空补偿应对光照跳变；占用网格动态掩码检测低矮障碍物，并触发权重降级与VMC层越权制动。系统集成置信度过滤、物理对账和硬件熔断机制，确保在传感器失效或模型误判时仍能实现安全闭环控制，显著提升自动驾驶在非结构化地库环境中的鲁棒性。

NAVSIM 是基于 OpenScene 的非反应式自动驾驶仿真与规划评测框架；OpenScene 是 nuPlan 的 2 Hz 紧凑重分发版本，保留规划所需的传感器、标注、地图和自车状态。OpenScene 约 120 小时驾驶数据，整体约 2 TB；NAVSIM v1 标准过滤后的 navtrain / navtest 约 103k / 12k samples，官方描述的独立 benchmark 下载约 450 GB；navtrain 传感器帧约 445 GB，若不使用历史传感器帧约 300 GB。

显式地分解了该目标，形式化为 $p(o', a \mid o, l) = p(a \mid o', o, l)p(o' \mid o, l)$，即首先合成对预期未来状态的表示，随后从中推导出动作；直接对联合分布（$p(o', a \mid o, l)$）进行建模，其中状态预测和动作生成在一个共享的表示空间内进行协同优化（这些架构的时间演变可参见相应的结构图）。WAM 关注当前观察 o、语言指令 l、未来观察 o' 和动作 a 之间的联合关系：p(o', a \mid o, l)接下来的内容由具体问题引出。

2026年自动驾驶技术面临核心矛盾：硬件性能突飞猛进，但系统仍无法独立应对"三秒钟困境"等边缘场景。钱学森《工程控制论》预见的"不确定性"问题凸显——现有技术路线（规则覆盖与端到端学习）均无法解决黑箱效应和稀疏度灾难。新型WOLM模型通过三层次突破实现系统级判断力：①将传感器数据升维为语义化事件序列；②用18条因果逻辑链替代概率预测；③通过U值量化不确定性实现主动安全降级。该架构印证了钱学森"用不可靠元件构建可靠系统"的工程思想，为自动驾驶提供了管理（而非消除）不确定性的系统性解决方案。

本文探讨全栈并网智驾大模型（VLA/端到端）在行泊一体领航辅助（NOA/NGP）中的应用，重点解决端到端大模型在高维不可预测环境中的功能安全收敛问题。通过构建全场景ODD（设计运行域）运营库，实现行车与泊车功能的无缝切换，并利用时空对齐、传感器动态确权等技术确保安全性和可靠性。文章还分析了系统响应时间窗的优化及物理极限下的安全控制策略，包括动态掩码技术和VMC层的越权限制机制，以应对极端工况和保障系统稳定性。

同时，主线科技在招股书中表示，该等授权具有地域性限制，不构成全国范围内商业化部署批准。不过主要指出的是，现阶段开放场景例如长途物流领域的L4自动驾驶商业化落地，除了技术与安全性、成本等因素，还面临政策许可、跨区域审批等诸多障碍。2023-2025年期间，主线科技的研发开支分别是1.19亿、1.15亿和1.2亿，分别占同期收益约。三大场景实现商业化部署，分别对应封闭道路场景、、开放道路场景（城市内）和长途干线物流场景。“输血”通道，延长赛跑时间，直到跨越规模化商业化的盈亏平衡点，才是真正的胜利。

本文介绍了从PointNet到PointPillars的3D目标检测技术演进，重点解析了PointPillars这一实时3D检测网络的核心思想。文章首先指出PointNet在自动驾驶应用中的局限性（缺乏局部特征、无法定位、速度慢），然后提出3D目标检测需要同时识别物体类别并定位其3D边界框。PointPillars的创新在于将点云划分为垂直柱子，转换为2D伪图像后利用优化过的2D卷积网络处理，从而避免了计算量大的3D卷积操作，实现了62FPS的实时检测速度。文章详细阐述了PointPillars的三步流程：

摘要：L4级商用车主挂一体化系统面临多自由度运动学退化、非线性动力学特性及大范围参数漂移等挑战，导致大模型控制在动态场景中鲁棒性下降。针对偏航、蛇形摆动和折头三大高危场景，系统通过物理熔断机制实时监控铰接角状态，并在风险触发时移交控制权至VMC层，采用差动制动、ABS干预等策略进行分布式安全控制，确保车辆稳定性。其中，高速蛇形摆动通过挂车后轴非对称制动收敛能量，折头风险则通过牵引车制动力释放与挂车全量制动组合干预，防止动力学失稳。

本文从系统动力学视角重新定义自动驾驶，提出自动驾驶汽车本质上是由无数事件构成的自主运动系统。其核心观点包括：1）自动驾驶的运动方向是从不确定到确定；2）运动过程呈现扩张、收敛过渡、防御和试探性行动四个循环阶段；3）车辆自主设定目标并规划运动节奏（启动/加速/稳定/减速/绕行）。与传统技术视角不同，该理论强调自动驾驶的内在动力学属性，认为其可靠性取决于系统自主应对不确定性的能力而非规则覆盖度。这一框架改变了衡量自动驾驶智能的标准，从"能做什么"转向"如何运动"，为自动驾驶系统设计提供了新思路。

1. 端到端 = 具身化：端到端架构消除了模块化系统中的"离身"问题，使感知、预测、规划在统一的表征空间中耦合，实现了真正的"感知-行动闭环"。2. Query = 注意力耦合：UniAD 的 Query 接口本质上是多任务间的注意力机制，使信息在不同抽象层级间自由流动。这与具身智能中的"多模态融合"理念一致。3. 规划导向 = 任务导向感知：上游模块自动学习对下游任务有用的特征，这是具身智能中"行动塑造感知"（Action Shapes Perception）的体现。4. 矢量化 = 稀疏交互。

本文摘要（145字）： 自动驾驶技术正从传统感知→规划流水线演进为端到端BEV架构，核心思想是将多传感器输入统一转换为BEV世界表征，直接输出轨迹/动作序列。系统包含BEV编码器、时序BEV记忆、决策网络等模块，通过世界建模和策略网络替代传统模块化流程。主流实现分Tesla纯视觉、Waymo混合和NVIDIA方案三类，采用模仿学习、多任务学习和强化学习进行训练。该架构面临延迟、稳定性和安全保障等工程挑战，需配合数据闭环持续优化，代表了自动驾驶向更紧密耦合的系统演进趋势。

在自动驾驶中，车载摄像头、激光雷达（LiDAR）等传感器是从车辆四周的“透视视角”（Perspective View）来捕捉世界的（即前视、后视、侧视等，图像中会有近大远小的透视变形）。通过利用在互联网级数据上预训练的大规模视觉-语言模型（VLM），VLA 模型拥有显著更大的模型体量，并在规模扩展（scaling）方面具备更强大的内在潜力。3、另外希望互联网海量数据能给更大的模型一个好的初始化来迁移到驾驶上，弥补驾驶数据的数量稀缺导致的过拟合/reward hacking 等问题。然而 VLA 会面临。