[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-gotonote--Autopilot-Notes":3,"tool-gotonote--Autopilot-Notes":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","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。\n\n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。\n\nNextChat 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。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":95,"github_topics":96,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":105,"updated_at":106,"faqs":107,"releases":108},3852,"gotonote\u002FAutopilot-Notes","Autopilot-Notes","自动驾驶笔记，以解析各模块知识点、整合行业优秀解决方案进行阐述，以帮助自己及有需要的读者；包含深度学习、deeplearning、无人驾驶、BEV、Transformer、ADAS、CVPR、特斯拉AI DAY、大模型、chatgpt等内容.","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。\n\n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。\n\nAutopilot-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。","\u003Cdiv align=\"center\">\n\n# 🚗 自动驾驶笔记 Autopilot Notes\n\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fgotonote\u002FAutopilot-Notes?style=social\" alt=\"Stars\">](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes)\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fgotonote\u002FAutopilot-Notes?style=social\" alt=\"Forks\">](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes\u002Ffork)\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg\" alt=\"License\">](.\u002FLICENSE)\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FUpdated-Daily-brightgreen.svg\" alt=\"Updated\">](.\u002Fch10_每日前沿\u002F)\n\n**系统性学习自动驾驶技术的开源知识库**\n\n[📖 在线阅读](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes) | [🚀 快速开始](#快速开始) | [📅 每日前沿](.\u002Fch10_每日前沿\u002F) | [📝 参与贡献](#参与贡献)\n\n\u003C\u002Fdiv>\n\n---\n\n## 📋 仓库简介\n\n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。\n\n### ✨ 特色\n\n- 📚 **体系完整** - 涵盖基础理论、硬件、算法、工具、实践等 10+ 章节\n- 🔄 **每日更新** - [技术日报](.\u002Fch10_每日前沿\u002F) 每日 9:00 自动推送行业最新动态\n- 🏭 **厂商方案** - 深度解析 Tesla、百度 Apollo、华为 ADS、小鹏 XNGP 等主流方案\n- 🛠️ **实战导向** - 包含仿真、部署、优化等工程实践内容\n- 🤝 **开源共建** - 欢迎提交 PR，一起完善文档\n\n---\n\n## 🚀 快速开始\n\n### 推荐学习路径\n\n```\n┌─────────────────────────────────────────────────────────┐\n│                    自动驾驶学习路线                      │\n├─────────────────────────────────────────────────────────┤\n│  阶段1：基础 → 阶段2：硬件 → 阶段3：感知 → 阶段4：定位   │\n│     ↓            ↓            ↓            ↓           │\n│  阶段5：规划 → 阶段6：控制 → 阶段7：产品 → 阶段8：工具   │\n└─────────────────────────────────────────────────────────┘\n```\n\n### 同步更新\n\n| 平台 | 链接 |\n|------|------|\n| 🐙 GitHub | [github.com\u002Fgotonote\u002FAutopilot-Notes](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes) |\n| 🐱 Gitee | [gitee.com\u002Fgotonote\u002FAutopilot-Notes](https:\u002F\u002Fgitee.com\u002Fgotonote\u002FAutopilot-Notes) |\n\n---\n\n## 📊 内容概览\n\n### 🎯 自动驾驶分级（SAE）\n\n| 级别 | 名称 | 描述 | 人类参与 |\n|:----:|:-----|:-----|:--------:|\n| L0 | 人工驾驶 | 无自动化 | 全程 |\n| L1 | 辅助驾驶 | 单一功能辅助 | 主要 |\n| L2 | 部分自动驾驶 | 组合功能辅助 | 监督 |\n| L3 | 有条件自动驾驶 | 特定场景自动 | 待命 |\n| L4 | 高度自动驾驶 | 大部分场景自动 | 可选 |\n| L5 | 完全自动驾驶 | 全场景自动 | 无需 |\n\n### 🏗️ 系统架构\n\n```\n┌─────────────────────────────────────────────────────────┐\n│                    自动驾驶系统架构                      │\n├─────────────────────────────────────────────────────────┤\n│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐     │\n│  │   感知层    │→ │   决策层    │→ │   控制层    │     │\n│  │ Perception │  │  Planning  │  │   Control   │     │\n│  └─────────────┘  └─────────────┘  └─────────────┘     │\n│        │                │                │              │\n│   \"看到了什么\"      \"要去哪里\"      \"怎么去\"           │\n└─────────────────────────────────────────────────────────┘\n```\n\n- **感知层**：对车辆周边环境进行感知识别，获取环境信息\n- **决策层**：解决三个核心问题：\"我在哪？我要去哪？我该如何去？\"\n- **控制层**：保证硬件系统稳定运行在计算好的最佳设定值上\n\n---\n\n## 📚 目录结构\n\n\u003Cdetails open>\n\u003Csummary>\u003Cb>📖 点击展开完整目录\u003C\u002Fb>\u003C\u002Fsummary>\n\n### **1. 基础** \n|---- 1.1 [坐标系](.\u002Fch01_基础\u002F1.1%20坐标系\u002F1.1.1%20坐标系.md)  \n|---- 1.2 [参数](.\u002Fch01_基础\u002F1.2%20参数\u002F1.2.1%20相机模型—内参、外参.md)  \n|---- 1.3 [滤波](.\u002Fch01_基础\u002F1.3%20滤波\u002F1.3.1%20卡尔曼滤波-KalmanFilter.md)  \n|---- 1.4 [图像变换](.\u002Fch01_基础\u002F1.4%20图像变换\u002F)  \n|---- 1.5 [三维重建](.\u002Fch01_基础\u002F1.5%20三维重建\u002F1.5.1%20NeRF\u002F)  \n|---- 1.6 [数据集](.\u002Fch01_基础\u002F1.6%20数据集\u002F)  \n|---- 1.7 [Transformer](.\u002Fch01_基础\u002F1.7%20Transformer\u002F)  \n|---- 1.8 [NLP自然语言处理](.\u002Fch01_基础\u002F1.8%20NLP自然语言处理\u002F)  \n|---- 1.9 [神经网络结构搜索(NAS)](.\u002Fch01_基础\u002F1.9%20神经网络结构搜索(NAS)\u002F)  \n|---- 1.10 [强化学习](.\u002Fch01_基础\u002F1.10%20强化学习\u002F)\n\n### **2. [硬件](.\u002Fch02_%E7%A1%AC%E4%BB%B6\u002F)**  \n|---- 2.1 [传感器](.\u002Fch02_%E7%A1%AC%E4%BB%B6\u002F2.1%20%E4%BC%A0%E6%84%9F%E5%99%A8\u002F)  \n|---- 2.2 [计算单元](.\u002Fch02_%E7%A1%AC%E4%BB%B6\u002F2.2%20%E8%AE%A1%E7%AE%97%E5%8D%95%E5%85%83\u002F)  \n|---- 2.3 [辅助单元](.\u002Fch02_%E7%A1%AC%E4%BB%B6\u002F2.3%20%E8%BE%85%E5%8A%A9%E5%8D%95%E5%85%83\u002F)  \n|---- 2.4 [传感器标定](.\u002Fch02_硬件\u002F2.4%20传感器标定\u002F)\n\n### **3. [感知](.\u002Fch03_感知\u002F)**  \n|---- 3.1 [2D目标检测](.\u002Fch03_感知\u002F3.1%202D目标检测\u002F)  \n|---- 3.2 [3D目标检测](.\u002Fch03_感知\u002F3.2%203D目标检测\u002F)  \n|---- 3.3 [BEV鸟瞰图](.\u002Fch03_%E6%84%9F%E7%9F%A5\u002F3.3%20BEV%E9%B8%9F%E7%9E%B0%E5%9B%BE\u002F)  \n|---- 3.4 [Occupany Network](.\u002Fch03_感知\u002F3.4%20Occupany%20Network\u002F)\n\n### **4. [定位](.\u002Fch04_定位\u002F)**  \n|---- 4.1 [SLAM基础](.\u002Fch04_定位\u002F4.1%20SLAM基础.md)  \n|---- 4.2 [高精地图](.\u002Fch04_定位\u002F4.2%20高精地图.md)  \n|---- 4.3 [多传感器融合定位](.\u002Fch04_定位\u002F4.3%20多传感器融合定位.md)  \n|---- 4.4 [GNSS-INS组合导航](.\u002Fch04_定位\u002F4.4%20GNSS-INS组合导航.md)\n\n### **5. [策略规划](.\u002Fch05_策略规划\u002F)**  \n|---- 5.1 [预测](.\u002Fch05_策略规划\u002F5.1%20预测\u002F)  \n|---- 5.2 [路线规划](.\u002Fch05_策略规划\u002F5.2%20路线规划\u002F)  \n|---- 5.3 [轨迹规划](.\u002Fch05_策略规划\u002F5.3%20轨迹规划\u002F)\n\n### **6. [控制](.\u002Fch06_%E6%8E%A7%E5%88%B6\u002F)**  \n|---- 6.1 [PID控制](.\u002Fch06_控制\u002F6.1%20PID控制.md)  \n|---- 6.2 [线性二次调节器（LQR）](.\u002Fch06_控制\u002F6.2%20线性二次调节器(LQR).md)  \n|---- 6.3 [模型控制预测（MPC）](.\u002Fch06_控制\u002F6.3%20模型控制预测(MPC).md)\n\n### **7. [产品](.\u002Fch07_产品\u002F)**  \n|---- 7.1 [ADAS](.\u002Fch07_产品\u002F7.1%20ADAS\u002F)  \n|----    |---- 7.1.1 [ADAS厂商方案对比](.\u002Fch07_产品\u002F7.1%20ADAS\u002F7.1.1%20ADAS厂商方案对比.md)  \n|----    |---- 7.1.2 [智驾芯片专题](.\u002Fch07_产品\u002F7.1%20ADAS\u002F7.1.2%20智驾芯片专题.md)  \n|---- 7.2 [DMS](.\u002Fch07_%E4%BA%A7%E5%93%81\u002F7.2%20DMS\u002F)\n\n### **8. [工具](.\u002Fch08_工具\u002F)**  \n|---- 8.1 [可视化](.\u002Fch08_工具\u002F8.1%20可视化\u002F)  \n|---- 8.2 [仿真](.\u002Fch08_工具\u002F8.2%20仿真\u002F)  \n|    |---- [8.2.1 CARLA仿真](.\u002Fch08_工具\u002F8.2%20仿真\u002F8.2.1%20Carla仿真\u002Freadme.md) - 安装配置、Python API、传感器配置、场景构建、实战案例  \n|    |---- [8.2.2 PreScan仿真](.\u002Fch08_工具\u002F8.2%20仿真\u002F8.2.2%20PreScan仿真\u002Freadme.md) - 入门指南、场景构建、传感器配置、Simulink集成  \n|---- 8.3 [TensorRT加速](.\u002Fch08_工具\u002F8.3%20TensorRT加速\u002F)  \n|---- 8.4 [SNPE](.\u002Fch08_工具\u002F8.4%20SNPE\u002F)  \n|---- 8.5 [算法部署](.\u002Fch08_工具\u002F8.5%20算法部署\u002Freadme.md) - TensorRT部署详解、ONNX Runtime部署、智驾算法实战案例、BEVFormer部署\n\n### **9. [厂商方案](.\u002Fch09_厂商方案\u002F)**  \n|---- 9.1 [特斯拉 AI Day2022](.\u002Fch09_厂商方案\u002F9.1%20特斯拉%20AI%20Day2022\u002F)  \n|---- 9.2 [百度阿波罗 Apollo](.\u002Fch09_厂商方案\u002F9.2%20百度阿波罗apollo\u002F)  \n|---- 9.3 [小马智行 Pony.ai](.\u002Fch09_厂商方案\u002F9.3%20小马智行%20Pony.ai\u002F)  \n|---- 9.4 [蔚来\u002F小鹏\u002F理想](.\u002Fch09_厂商方案\u002F9.4%20蔚来小鹏理想\u002F)  \n|---- 9.5 [华为 MDC](.\u002Fch09_厂商方案\u002F9.5%20华为MDC\u002F)  \n|---- 9.6 [小米汽车](.\u002Fch09_厂商方案\u002F9.6%20小米汽车\u002F)\n\n### **10. [每日前沿](.\u002Fch10_每日前沿\u002F)**  \n|---- [日报索引](.\u002Fch10_每日前沿\u002FREADME.md)  \n|---- [周报汇总](.\u002Fch10_每日前沿\u002F周报\u002F)\n\n\u003C\u002Fdetails>\n\n---\n\n## 📅 每日前沿\n\n本仓库每日自动更新自动驾驶行业最新动态：\n\n- 📰 **日报** - 每日 9:00 自动推送 10 条核心价值信息\n- 📊 **周报** - 每周日生成技术趋势汇总\n- 🏷️ **标签** - 按公司、技术领域、类型分类\n\n> 🔗 查看最新日报：[ch10_每日前沿](.\u002Fch10_每日前沿\u002F)\n\n---\n\n## 🔥 热门内容\n\n### ADAS 厂商方案对比 (2026年2月) 🔥\n\n| 厂商 | 方案 | 算力 | 特点 |\n|:-----|:-----|:-----|:-----|\n| 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 |\n| 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 |\n| 蔚来 | NAD 3.0 | 1016 TOPS | 四Orin X，端到端商用，自研芯片神玑NX9031 |\n| 理想 | AD Max 4.0 | 508 TOPS | 家庭定位，MindVLA统一架构，端到端 |\n| 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 |\n| 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 |\n| 特斯拉 | FSD v14 | 720 TOPS | 纯视觉，端到端，取消beta，80亿+英里 |\n\n> 📢 **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%\n\n> 📢 **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\u002F小鹏G9\u002F比亚迪仰望U8首批搭载\n\n### 智驾芯片格局 (2026)\n\n| 厂商 | 旗舰芯片 | 算力 | 工艺 |\n|:-----|:---------|:-----|:-----|\n| NVIDIA | Thor | 2000 TOPS | 4nm |\n| NVIDIA | Orin X | 254 TOPS | 7nm |\n| 华为 | MDC 810 | 400+ TOPS | 7nm |\n| 地平线 | 征程6P | 560 TOPS | 7nm |\n| 高通 | Snapdragon Flex | 600 TOPS | 4nm |\n| 小米 | 澎湃C1 | 508 TOPS | 7nm |\n\n> 📢 **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\n\n---\n\n---\n\n## 📰 每日前沿\n\n每日更新自动驾驶领域最新动态、技术突破和行业新闻：\n\n👉 **[进入每日前沿 →](.\u002Fch10_每日前沿\u002F)**\n\n---\n\n## 🤝 参与贡献\n\n> **由于作者水平有限，欢迎大家积极提交改进意见**\n\n### 如何贡献\n\n1. **Fork** 本仓库\n2. **修改\u002F新增** 内容（请遵循[文章撰写规范](.\u002F文章撰写规范.md)）\n3. **提交 PR**，描述你的修改内容\n4. **等待审核** 合并\n\n### 贡献者\n\n感谢所有为本项目做出贡献的朋友！\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgotonote_Autopilot-Notes_readme_391349c46824.png\" alt=\"Contributors\" \u002F>\n\u003C\u002Fa>\n\n---\n\n## 📄 许可证\n\n本项目采用 [MIT License](.\u002FLICENSE) 开源协议。\n\n\u003Cdiv align=\"center\">\n\n**⭐ 如果本项目对你有帮助，欢迎 Star 支持！**\n\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fgotonote\u002FAutopilot-Notes?style=social\" alt=\"Stars\">](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes)\n\n\u003C\u002Fdiv>\n","\u003Cdiv align=\"center\">\n\n# 🚗 自动驾驶笔记 Autopilot Notes\n\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fgotonote\u002FAutopilot-Notes?style=social\" alt=\"Stars\">](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes)\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fgotonote\u002FAutopilot-Notes?style=social\" alt=\"Forks\">](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes\u002Ffork)\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg\" alt=\"License\">](.\u002FLICENSE)\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FUpdated-Daily-brightgreen.svg\" alt=\"Updated\">](.\u002Fch10_每日前沿\u002F)\n\n**系统性学习自动驾驶技术的开源知识库**\n\n[📖 在线阅读](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes) | [🚀 快速开始](#快速开始) | [📅 每日前沿](.\u002Fch10_每日前沿\u002F) | [📝 参与贡献](#参与贡献)\n\n\u003C\u002Fdiv>\n\n---\n\n## 📋 仓库简介\n\n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。\n\n### ✨ 特色\n\n- 📚 **体系完整** - 涵盖基础理论、硬件、算法、工具、实践等 10+ 章节\n- 🔄 **每日更新** - [技术日报](.\u002Fch10_每日前沿\u002F) 每日 9:00 自动推送行业最新动态\n- 🏭 **厂商方案** - 深度解析 Tesla、百度 Apollo、华为 ADS、小鹏 XNGP 等主流方案\n- 🛠️ **实战导向** - 包含仿真、部署、优化等工程实践内容\n- 🤝 **开源共建** - 欢迎提交 PR，一起完善文档\n\n---\n\n## 🚀 快速开始\n\n### 推荐学习路径\n\n```\n┌─────────────────────────────────────────────────────────┐\n│                    自动驾驶学习路线                      │\n├─────────────────────────────────────────────────────────┤\n│  阶段1：基础 → 阶段2：硬件 → 阶段3：感知 → 阶段4：定位   │\n│     ↓            ↓            ↓            ↓           │\n│  阶段5：规划 → 阶段6：控制 → 阶段7：产品 → 阶段8：工具   │\n└─────────────────────────────────────────────────────────┘\n```\n\n### 同步更新\n\n| 平台 | 链接 |\n|------|------|\n| 🐙 GitHub | [github.com\u002Fgotonote\u002FAutopilot-Notes](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes) |\n| 🐱 Gitee | [gitee.com\u002Fgotonote\u002FAutopilot-Notes](https:\u002F\u002Fgitee.com\u002Fgotonote\u002FAutopilot-Notes) |\n\n---\n\n## 📊 内容概览\n\n### 🎯 自动驾驶分级（SAE）\n\n| 级别 | 名称 | 描述 | 人类参与 |\n|:----:|:-----|:-----|:--------:|\n| L0 | 人工驾驶 | 无自动化 | 全程 |\n| L1 | 辅助驾驶 | 单一功能辅助 | 主要 |\n| L2 | 部分自动驾驶 | 组合功能辅助 | 监督 |\n| L3 | 有条件自动驾驶 | 特定场景自动 | 待命 |\n| L4 | 高度自动驾驶 | 大部分场景自动 | 可选 |\n| L5 | 完全自动驾驶 | 全场景自动 | 无需 |\n\n### 🏗️ 系统架构\n\n```\n┌─────────────────────────────────────────────────────────┐\n│                    自动驾驶系统架构                      │\n├─────────────────────────────────────────────────────────┤\n│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐     │\n│  │   感知层    │→ │   决策层    │→ │   控制层    │     │\n│  │ Perception │  │  Planning  │  │   Control   │     │\n│  └─────────────┘  └─────────────┘  └─────────────┘     │\n│        │                │                │              │\n│   \"看到了什么\"      \"要去哪里\"      \"怎么去\"           │\n└─────────────────────────────────────────────────────────┘\n```\n\n- **感知层**：对车辆周边环境进行感知识别，获取环境信息\n- **决策层**：解决三个核心问题：\"我在哪？我要去哪？我该如何去？\"\n- **控制层**：保证硬件系统稳定运行在计算好的最佳设定值上\n\n---\n\n## 📚 目录结构\n\n\u003Cdetails open>\n\u003Csummary>\u003Cb>📖 点击展开完整目录\u003C\u002Fb>\u003C\u002Fsummary>\n\n### **1. 基础** \n|---- 1.1 [坐标系](.\u002Fch01_基础\u002F1.1%20坐标系\u002F1.1.1%20坐标系.md)  \n|---- 1.2 [参数](.\u002Fch01_基础\u002F1.2%20参数\u002F1.2.1%20相机模型—内参、外参.md)  \n|---- 1.3 [滤波](.\u002Fch01_基础\u002F1.3%20滤波\u002F1.3.1%20卡尔曼滤波-KalmanFilter.md)  \n|---- 1.4 [图像变换](.\u002Fch01_基础\u002F1.4%20图像变换\u002F)  \n|---- 1.5 [三维重建](.\u002Fch01_基础\u002F1.5%20三维重建\u002F1.5.1%20NeRF\u002F)  \n|---- 1.6 [数据集](.\u002Fch01_基础\u002F1.6%20数据集\u002F)  \n|---- 1.7 [Transformer](.\u002Fch01_基础\u002F1.7%20Transformer\u002F)  \n|---- 1.8 [NLP自然语言处理](.\u002Fch01_基础\u002F1.8%20NLP自然语言处理\u002F)  \n|---- 1.9 [神经网络结构搜索(NAS)](.\u002Fch01_基础\u002F1.9%20神经网络结构搜索(NAS)\u002F)  \n|---- 1.10 [强化学习](.\u002Fch01_基础\u002F1.10%20强化学习\u002F)\n\n### **2. [硬件](.\u002Fch02_%E7%A1%BC%E4%BB%B6\u002F)**  \n|---- 2.1 [传感器](.\u002Fch02_%E7%A1%BC%E4%BB%B6\u002F2.1%20%E4%BC%A0%E6%84%9F%E5%99%A8\u002F)  \n|---- 2.2 [计算单元](.\u002Fch02_%E7%A1%BC%E4%BB%B6\u002F2.2%20%E8%AE%A1%E7%AE%97%E5%8D%95%E5%85%83\u002F)  \n|---- 2.3 [辅助单元](.\u002Fch02_%E7%A1%BC%E4%BB%B6\u002F2.3%20%E8%BE%85%E5%8A%A9%E5%8D%95%E5%85%83\u002F)  \n|---- 2.4 [传感器标定](.\u002Fch02_硬件\u002F2.4%20传感器标定\u002F)\n\n### **3. [感知](.\u002Fch03_感知\u002F)**  \n|---- 3.1 [2D目标检测](.\u002Fch03_感知\u002F3.1%202D目标检测\u002F)  \n|---- 3.2 [3D目标检测](.\u002Fch03_感知\u002F3.2%203D目标检测\u002F)  \n|---- 3.3 [BEV鸟瞰图](.\u002Fch03_%E6%84%9F%E7%9F%A5\u002F3.3%20BEV%E9%B8%9F%E7%9E%B0%E5%9B%BE\u002F)  \n|---- 3.4 [Occupany Network](.\u002Fch03_感知\u002F3.4%20Occupany%20Network\u002F)\n\n### **4. [定位](.\u002Fch04_定位\u002F)**  \n|---- 4.1 [SLAM基础](.\u002Fch04_定位\u002F4.1%20SLAM基础.md)  \n|---- 4.2 [高精地图](.\u002Fch04_定位\u002F4.2%20高精地图.md)  \n|---- 4.3 [多传感器融合定位](.\u002Fch04_定位\u002F4.3%20多传感器融合定位.md)  \n|---- 4.4 [GNSS-INS组合导航](.\u002Fch04_定位\u002F4.4%20GNSS-INS组合导航.md)\n\n### **5. [策略规划](.\u002Fch05_策略规划\u002F)**  \n|---- 5.1 [预测](.\u002Fch05_策略规划\u002F5.1%20预测\u002F)  \n|---- 5.2 [路线规划](.\u002Fch05_策略规划\u002F5.2%20路线规划\u002F)  \n|---- 5.3 [轨迹规划](.\u002Fch05_策略规划\u002F5.3%20轨迹规划\u002F)\n\n### **6. [控制](.\u002Fch06_%E6%8E%A7%E5%88%B6\u002F)**  \n|---- 6.1 [PID控制](.\u002Fch06_控制\u002F6.1%20PID控制.md)  \n|---- 6.2 [线性二次调节器（LQR）](.\u002Fch06_控制\u002F6.2%20线性二次调节器(LQR).md)  \n|---- 6.3 [模型控制预测（MPC）](.\u002Fch06_控制\u002F6.3%20模型控制预测(MPC).md)\n\n### **7. [产品](.\u002Fch07_产品\u002F)**  \n|---- 7.1 [ADAS](.\u002Fch07_产品\u002F7.1%20ADAS\u002F)  \n|----    |---- 7.1.1 [ADAS厂商方案对比](.\u002Fch07_产品\u002F7.1%20ADAS\u002F7.1.1%20ADAS厂商方案对比.md)  \n|----    |---- 7.1.2 [智驾芯片专题](.\u002Fch07_产品\u002F7.1%20ADAS\u002F7.1.2%20智驾芯片专题.md)  \n|---- 7.2 [DMS](.\u002Fch07_%E4%BA%A7%E5%93%81\u002F7.2%20DMS\u002F)\n\n### **8. [工具](.\u002Fch08_工具\u002F)**  \n|---- 8.1 [可视化](.\u002Fch08_工具\u002F8.1%20可视化\u002F)  \n|---- 8.2 [仿真](.\u002Fch08_工具\u002F8.2%20仿真\u002F)  \n|    |---- [8.2.1 CARLA仿真](.\u002Fch08_工具\u002F8.2%20仿真\u002F8.2.1%20Carla仿真\u002Freadme.md) - 安装配置、Python API、传感器配置、场景构建、实战案例  \n|    |---- [8.2.2 PreScan仿真](.\u002Fch08_工具\u002F8.2%20仿真\u002F8.2.2%20PreScan仿真\u002Freadme.md) - 入门指南、场景构建、传感器配置、Simulink集成  \n|---- 8.3 [TensorRT加速](.\u002Fch08_工具\u002F8.3%20TensorRT加速\u002F)  \n|---- 8.4 [SNPE](.\u002Fch08_工具\u002F8.4%20SNPE\u002F)  \n|---- 8.5 [算法部署](.\u002Fch08_工具\u002F8.5%20算法部署\u002Freadme.md) - TensorRT部署详解、ONNX Runtime部署、智驾算法实战案例、BEVFormer部署\n\n### **9. [厂商方案](.\u002Fch09_厂商方案\u002F)**  \n|---- 9.1 [特斯拉 AI Day2022](.\u002Fch09_厂商方案\u002F9.1%20特斯拉%20AI%20Day2022\u002F)  \n|---- 9.2 [百度阿波罗 Apollo](.\u002Fch09_厂商方案\u002F9.2%20百度阿波罗apollo\u002F)  \n|---- 9.3 [小马智行 Pony.ai](.\u002Fch09_厂商方案\u002F9.3%20小马智行%20Pony.ai\u002F)  \n|---- 9.4 [蔚来\u002F小鹏\u002F理想](.\u002Fch09_厂商方案\u002F9.4%20蔚来小鹏理想\u002F)  \n|---- 9.5 [华为 MDC](.\u002Fch09_厂商方案\u002F9.5%20华为MDC\u002F)  \n|---- 9.6 [小米汽车](.\u002Fch09_厂商方案\u002F9.6%20小米汽车\u002F)\n\n### **10. [每日前沿](.\u002Fch10_每日前沿\u002F)**  \n|---- [日报索引](.\u002Fch10_每日前沿\u002FREADME.md)  \n|---- [周报汇总](.\u002Fch10_每日前沿\u002F周报\u002F)\n\n\u003C\u002Fdetails>\n\n---\n\n## 📅 每日前沿\n\n本仓库每日自动更新自动驾驶行业最新动态：\n\n- 📰 **日报** - 每日 9:00 自动推送 10 条核心价值信息\n- 📊 **周报** - 每周日生成技术趋势汇总\n- 🏷️ **标签** - 按公司、技术领域、类型分类\n\n> 🔗 查看最新日报：[ch10_每日前沿](.\u002Fch10_每日前沿\u002F)\n\n---\n\n## 🔥 热门内容\n\n### ADAS 厂商方案对比 (2026年2月) 🔥\n\n| 厂商 | 方案 | 算力 | 特点 |\n|:-----|:-----|:-----|:-----|\n| 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 |\n| 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 |\n| 蔚来 | NAD 3.0 | 1016 TOPS | 四Orin X，端到端商用，自研芯片神玑NX9031 |\n| 理想 | AD Max 4.0 | 508 TOPS | 家庭定位，MindVLA统一架构，端到端 |\n| 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 |\n| 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 |\n| 特斯拉 | FSD v14 | 720 TOPS | 纯视觉，端到端，取消beta，80亿+英里 |\n\n> 📢 **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%\n\n> 📢 **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\u002F小鹏G9\u002F比亚迪仰望U8首批搭载\n\n### 智能驾驶芯片格局 (2026)\n\n| 厂商 | 旗舰芯片 | 算力 | 工艺 |\n|:-----|:---------|:-----|:-----|\n| 英伟达 | Thor | 2000 TOPS | 4nm |\n| 英伟达 | Orin X | 254 TOPS | 7nm |\n| 华为 | MDC 810 | 400+ TOPS | 7nm |\n| 地平线 | 征程6P | 560 TOPS | 7nm |\n| 高通 | Snapdragon Flex | 600 TOPS | 4nm |\n| 小米 | 澎湃C1 | 508 TOPS | 7nm |\n\n> 📢 **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\n\n---\n\n---\n\n## 📰 每日前沿\n\n每日更新自动驾驶领域最新动态、技术突破和行业新闻：\n\n👉 **[进入每日前沿 →](.\u002Fch10_每日前沿\u002F)**\n\n---\n\n## 🤝 参与贡献\n\n> **由于作者水平有限，欢迎大家积极提交改进意见**\n\n### 如何贡献\n\n1. **Fork** 本仓库\n2. **修改\u002F新增** 内容（请遵循[文章撰写规范](.\u002F文章撰写规范.md)）\n3. **提交 PR**，描述你的修改内容\n4. **等待审核** 合并\n\n### 贡献者\n\n感谢所有为本项目做出贡献的朋友！\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgotonote_Autopilot-Notes_readme_391349c46824.png\" alt=\"Contributors\" \u002F>\n\u003C\u002Fa>\n\n---\n\n## 📄 许可证\n\n本项目采用 [MIT License](.\u002FLICENSE) 开源协议。\n\n\u003Cdiv align=\"center\">\n\n**⭐ 如果本项目对你有帮助，欢迎 Star 支持！**\n\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fgotonote\u002FAutopilot-Notes?style=social\" alt=\"Stars\">](https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes)\n\n\u003C\u002Fdiv>","# Autopilot-Notes 快速上手指南\n\nAutopilot-Notes 是一个系统性学习自动驾驶技术的开源知识库，涵盖基础理论、硬件、算法、工具链及主流厂商方案。本项目主要为文档与代码示例集合，无需复杂的环境编译即可开始学习。\n\n## 环境准备\n\n本项目核心内容为 Markdown 文档、Python 脚本及仿真配置指南。建议准备以下环境以获得最佳阅读和实战体验：\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux (推荐 Ubuntu 20.04+)\n*   **版本控制**：Git\n*   **编程语言**：Python 3.8+ (用于运行示例代码及仿真脚本)\n*   **深度学习框架**：PyTorch 或 TensorFlow (根据具体章节算法需求安装)\n*   **仿真软件 (可选)**：CARLA, PreScan, Simulink (参考第 8 章工具篇进行单独安装)\n\n## 安装步骤\n\n### 1. 克隆仓库\n\n推荐使用 **Gitee (码云)** 镜像源以获得更快的国内下载速度：\n\n```bash\ngit clone https:\u002F\u002Fgitee.com\u002Fgotonote\u002FAutopilot-Notes.git\n```\n\n若访问 Gitee 受限，可使用 GitHub 源：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgotonote\u002FAutopilot-Notes.git\n```\n\n### 2. 进入目录\n\n```bash\ncd Autopilot-Notes\n```\n\n### 3. 安装 Python 依赖 (可选)\n\n针对包含代码实战的章节（如感知算法、仿真控制），建议安装基础依赖库。项目根目录若包含 `requirements.txt`，可执行：\n\n```bash\npip install -r requirements.txt\n```\n\n*注：若无全局 requirements 文件，请根据具体章节（如 `ch03_感知` 或 `ch08_工具`）下的说明安装特定库。*\n\n### 4. 配置国内加速源 (推荐)\n\n在安装 Python 包时，建议使用清华或阿里镜像源加速：\n\n```bash\npip install \u003Cpackage_name> -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n### 方式一：在线阅读与导航\n\n最直接的学习方式是浏览整理好的目录结构。\n\n1.  **查看每日前沿**：了解行业最新动态（每日 9:00 更新）。\n    ```bash\n    # 在终端直接查看最新日报索引\n    cat ch10_每日前沿\u002FREADME.md\n    ```\n2.  **按路线学习**：参照 `快速开始` 中的学习路径，从 `ch01_基础` 开始依次阅读。\n    *   **基础理论**：`ch01_基础\u002F1.3 滤波\u002F1.3.1 卡尔曼滤波-KalmanFilter.md`\n    *   **厂商方案**：`ch09_厂商方案\u002F9.1 特斯拉 AI Day2022\u002F`\n\n### 方式二：本地仿真实战 (以 CARLA 为例)\n\n进入工具章节，跟随指南进行仿真环境搭建：\n\n1.  进入仿真目录：\n    ```bash\n    cd ch08_工具\u002F8.2 仿真\u002F8.2.1 Carla 仿真\n    ```\n2.  阅读 `readme.md` 获取安装配置、Python API 调用及场景构建的具体代码示例。\n3.  运行示例脚本（需先安装 CARLA 服务端）：\n    ```python\n    # 示例：启动一个简单的车辆控制脚本\n    python client_example.py --host localhost --port 2000\n    ```\n\n### 方式三：参与贡献与更新\n\n保持知识库最新，并参与共建：\n\n```bash\n# 拉取最新内容\ngit pull origin main\n\n# 创建新分支进行修改\ngit checkout -b my-update\n\n# 提交更改\ngit add .\ngit commit -m \"docs: 更新某章节内容\"\ngit push origin my-update\n```\n\n> **提示**：详细内容请查阅各章节下的 `.md` 文件，其中包含了详细的公式推导、架构图解及代码实现细节。","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。\n\n### 没有 Autopilot-Notes 时\n- **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。\n- **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。\n- **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。\n- **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。\n\n### 使用 Autopilot-Notes 后\n- **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。\n- **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。\n- **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。\n- **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。\n\nAutopilot-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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgotonote_Autopilot-Notes_815ef6c7.png","gotonote","构图笔记","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgotonote_aaddc7cd.jpg",null,"https:\u002F\u002Fgithub.com\u002Fgotonote",[81],{"name":82,"color":83,"percentage":84},"Shell","#89e051",100,777,138,"2026-04-05T06:45:39","Apache-2.0",1,"","未说明",{"notes":93,"python":91,"dependencies":94},"该项目为自动驾驶技术开源知识库（文档与教程），主要包含理论、算法解析、厂商方案对比及仿真工具（如 CARLA, PreScan）的使用指南，并非单一可执行的 AI 模型或软件工具。因此，README 中未列出统一的运行环境、GPU、内存或 Python 依赖要求。具体环境需求需参考各章节中提到的特定工具（如仿真软件）或算法案例的独立说明。",[],[13,26],[97,98,99,100,101,102,103,104],"algorithms","autopilot","deep-learning","self-driving-car","tutorial","chatgpt","bev","transformer","2026-03-27T02:49:30.150509","2026-04-06T05:16:42.431622",[],[]]