Autopilot-Notes
Autopilot-Notes 是一个专注于自动驾驶技术的系统性开源知识库，旨在帮助学习者从入门到进阶全面掌握该领域知识。面对自动驾驶技术栈复杂、资料分散的痛点，它将深度学习、BEV 感知、Transformer 架构、大模型应用等前沿理论与行业实践深度融合，提供了结构清晰的学习路径。
该项目不仅涵盖坐标系、滤波算法等基础理论，还深入解析了特斯拉、华为 ADS、小鹏 XNGP 等主流厂商的技术方案，并包含传感器硬件、仿真部署等工程实战内容。其独特亮点在于“每日前沿”栏目，每天自动推送行业最新动态与技术日报，确保内容紧跟 CVPR、Tesla AI Day 等最新进展。
Autopilot-Notes 非常适合自动驾驶领域的开发者、算法研究人员以及相关专业学生使用。无论是希望构建完整知识体系的初学者，还是寻求特定模块解决方案的资深工程师，都能从中获得有价值的参考。通过开源共建的模式，它正逐渐成长为中文社区中不可或缺的自动驾驶学习指南。
使用场景
某自动驾驶初创公司的算法工程师小李，正负责将传统的 2D 感知模块升级为基于 BEV（鸟瞰图）和 Transformer 的新一代感知架构，急需快速掌握前沿理论与工程落地细节。
没有 Autopilot-Notes 时
- 知识碎片化严重：需要在 arXiv、知乎、博客间反复跳转搜索"BEVFormer"或"Occupancy Network"，难以拼凑出完整的技术脉络。
- 厂商方案黑盒：对特斯拉 AI DAY 发布的先进方案仅知皮毛，缺乏对数据闭环、网络结构等核心细节的深度解析，参考借鉴无从下手。
- 基础概念混淆：在坐标系转换、传感器标定等基础环节常因理解偏差导致代码调试失败，浪费大量时间查阅零散文档。
- 技术迭代脱节：无法及时获取每日最新的行业动态（如 CVPR 新论文解读），导致技术方案设计滞后于业界主流水平。
使用 Autopilot-Notes 后
- 体系化学习路径：直接跟随仓库中“基础→感知→规划”的推荐路线，系统掌握了从 Transformer 原理到 BEV 算法实现的完整知识树。
- 深度拆解标杆方案：通过研读其中对 Tesla FSD 和华为 ADS 的深度剖析，清晰理解了其数据驱动策略，为自研算法提供了明确优化方向。
- 夯实工程基石：利用“硬件”与“基础”章节中关于相机模型、卡尔曼滤波的详尽笔记，迅速解决了多传感器融合中的标定难题。
- 同步前沿资讯：养成查看“每日前沿”的习惯，每天 9 点自动获取最新论文解读与技术日报，确保团队技术栈始终处于行业第一梯队。
Autopilot-Notes 将分散的行业智慧凝聚为系统化的实战指南，帮助开发者从“盲目摸索”转向“高效进阶”，大幅缩短了自动驾驶技术的研发周期。
运行环境要求
未说明
未说明
快速开始
📋 仓库简介
随着各大科技公司积极布局，自动驾驶成为新的技术风口。本仓库旨在系统性总结和分享自动驾驶技术方案，帮助开发者从入门到进阶全面掌握相关知识。
✨ 特色
- 📚 体系完整 - 涵盖基础理论、硬件、算法、工具、实践等 10+ 章节
- 🔄 每日更新 - 技术日报 每日 9:00 自动推送行业最新动态
- 🏭 厂商方案 - 深度解析 Tesla、百度 Apollo、华为 ADS、小鹏 XNGP 等主流方案
- 🛠️ 实战导向 - 包含仿真、部署、优化等工程实践内容
- 🤝 开源共建 - 欢迎提交 PR，一起完善文档
🚀 快速开始
推荐学习路径
┌─────────────────────────────────────────────────────────┐
│ 自动驾驶学习路线 │
├─────────────────────────────────────────────────────────┤
│ 阶段1：基础 → 阶段2：硬件 → 阶段3：感知 → 阶段4：定位 │
│ ↓ ↓ ↓ ↓ │
│ 阶段5：规划 → 阶段6：控制 → 阶段7：产品 → 阶段8：工具 │
└─────────────────────────────────────────────────────────┘
同步更新
| 平台 | 链接 |
|---|---|
| 🐙 GitHub | github.com/gotonote/Autopilot-Notes |
| 🐱 Gitee | gitee.com/gotonote/Autopilot-Notes |
📊 内容概览
🎯 自动驾驶分级（SAE）
| 级别 | 名称 | 描述 | 人类参与 |
|---|---|---|---|
| L0 | 人工驾驶 | 无自动化 | 全程 |
| L1 | 辅助驾驶 | 单一功能辅助 | 主要 |
| L2 | 部分自动驾驶 | 组合功能辅助 | 监督 |
| L3 | 有条件自动驾驶 | 特定场景自动 | 待命 |
| L4 | 高度自动驾驶 | 大部分场景自动 | 可选 |
| L5 | 完全自动驾驶 | 全场景自动 | 无需 |
🏗️ 系统架构
┌─────────────────────────────────────────────────────────┐
│ 自动驾驶系统架构 │
├─────────────────────────────────────────────────────────┤
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ 感知层 │→ │ 决策层 │→ │ 控制层 │ │
│ │ Perception │ │ Planning │ │ Control │ │
│ └─────────────┘ └─────────────┘ └─────────────┘ │
│ │ │ │ │
│ "看到了什么" "要去哪里" "怎么去" │
└─────────────────────────────────────────────────────────┘
- 感知层：对车辆周边环境进行感知识别，获取环境信息
- 决策层：解决三个核心问题："我在哪？我要去哪？我该如何去？"
- 控制层：保证硬件系统稳定运行在计算好的最佳设定值上
📚 目录结构
📖 点击展开完整目录
1. 基础
|---- 1.1 坐标系
|---- 1.2 参数
|---- 1.3 滤波
|---- 1.4 图像变换
|---- 1.5 三维重建
|---- 1.6 数据集
|---- 1.7 Transformer
|---- 1.8 NLP自然语言处理
|---- 1.9 神经网络结构搜索(NAS)
|---- 1.10 强化学习
2. 硬件
|---- 2.1 传感器
|---- 2.2 计算单元
|---- 2.3 辅助单元
|---- 2.4 传感器标定
3. 感知
|---- 3.1 2D目标检测
|---- 3.2 3D目标检测
|---- 3.3 BEV鸟瞰图
|---- 3.4 Occupany Network
4. 定位
|---- 4.1 SLAM基础
|---- 4.2 高精地图
|---- 4.3 多传感器融合定位
|---- 4.4 GNSS-INS组合导航
5. 策略规划
|---- 5.1 预测
|---- 5.2 路线规划
|---- 5.3 轨迹规划
6. 控制
|---- 6.1 PID控制
|---- 6.2 线性二次调节器（LQR）
|---- 6.3 模型控制预测（MPC）
7. 产品
|---- 7.1 ADAS
|---- |---- 7.1.1 ADAS厂商方案对比
|---- |---- 7.1.2 智驾芯片专题
|---- 7.2 DMS
8. 工具
|---- 8.1 可视化
|---- 8.2 仿真
| |---- 8.2.1 CARLA仿真 - 安装配置、Python API、传感器配置、场景构建、实战案例
| |---- 8.2.2 PreScan仿真 - 入门指南、场景构建、传感器配置、Simulink集成
|---- 8.3 TensorRT加速
|---- 8.4 SNPE
|---- 8.5 算法部署 - TensorRT部署详解、ONNX Runtime部署、智驾算法实战案例、BEVFormer部署
9. 厂商方案
|---- 9.1 特斯拉 AI Day2022
|---- 9.2 百度阿波罗 Apollo
|---- 9.3 小马智行 Pony.ai
|---- 9.4 蔚来/小鹏/理想
|---- 9.5 华为 MDC
|---- 9.6 小米汽车
10. 每日前沿
📅 每日前沿
本仓库每日自动更新自动驾驶行业最新动态：
- 📰 日报 - 每日 9:00 自动推送 10 条核心价值信息
- 📊 周报 - 每周日生成技术趋势汇总
- 🏷️ 标签 - 按公司、技术领域、类型分类
🔗 查看最新日报：ch10_每日前沿
🔥 热门内容
ADAS 厂商方案对比 (2026年2月) 🔥
| 厂商 | 方案 | 算力 | 特点 |
|---|---|---|---|
| 华为 | ADS 4.1 | 400+ TOPS | 激光雷达融合，L3商用，WEWA世界引擎，VLA大模型，纯视觉方案 |
| 小鹏 | XNGP 5.3 | 508 TOPS | 城市NOA领先，端到端+VLA 2.0大模型，L3获牌，全国都好用第三阶段 |
| 蔚来 | NAD 3.0 | 1016 TOPS | 四Orin X，端到端商用，自研芯片神玑NX9031 |
| 理想 | AD Max 4.0 | 508 TOPS | 家庭定位，MindVLA统一架构，端到端 |
| 小马智行 | PonyAlpha 7.0 | 1500+ TOPS | L4级自动驾驶，Robotaxi出海8国，UE转正，3000辆目标 |
| 小米 | XiaomiHAD 3.2 | 508 TOPS | 生态优势，强化学习+世界模型，L3测试中，VLA 2.0研发中 |
| 特斯拉 | FSD v14 | 720 TOPS | 纯视觉，端到端，取消beta，80亿+英里 |
📢 行业动态：激光雷达价格下探至300美元时代！禾赛AT512单价299美元，速腾M3降至349美元，2026年渗透率有望突破50%
📢 最新动态：小马智行Q3财报城市级单车盈利转正，Robotaxi覆盖8国；问界系列累计交付突破60万辆，智驾里程超15亿公里；理想AD Pro 4.0行业首个单征程6M城市NOA方案交付；小马智行与丰田签署深化合作，2026年内投放1000台Robotaxi；英伟达Thor芯片量产，极氪001/小鹏G9/比亚迪仰望U8首批搭载
智能驾驶芯片格局 (2026)
| 厂商 | 旗舰芯片 | 算力 | 工艺 |
|---|---|---|---|
| 英伟达 | Thor | 2000 TOPS | 4nm |
| 英伟达 | Orin X | 254 TOPS | 7nm |
| 华为 | MDC 810 | 400+ TOPS | 7nm |
| 地平线 | 征程6P | 560 TOPS | 7nm |
| 高通 | Snapdragon Flex | 600 TOPS | 4nm |
| 小米 | 澎湃C1 | 508 TOPS | 7nm |
📢 最新动态：英伟达Thor芯片进入量产阶段，首批搭载车型包括极氪001、小鹏G9、比亚迪仰望U8
📰 每日前沿
每日更新自动驾驶领域最新动态、技术突破和行业新闻：
👉 进入每日前沿 →
🤝 参与贡献
由于作者水平有限，欢迎大家积极提交改进意见
如何贡献
- Fork 本仓库
- 修改/新增 内容（请遵循文章撰写规范）
- 提交 PR，描述你的修改内容
- 等待审核 合并
贡献者
感谢所有为本项目做出贡献的朋友！
📄 许可证
本项目采用 MIT License 开源协议。
⭐ 如果本项目对你有帮助，欢迎 Star 支持！
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。