- 随着城市化进程的加速，交通拥堵、环境污染和交通安全问题日益突出，智能交通系统（Intelligent Transportation Systems, ITS）作为解决这些问题的关键技术，正逐渐成为研究热点。深度学习技术以其强大的数据处理能力和模式识别能力，在ITS中展现出巨大潜力。本文将探讨深度学习在ITS中的应用现状、面临的挑战以及未来的发展方向。 1. 引言智能交通系统通过集成先进的信息... 随着城市化进程的加速，交通拥堵、环境污染和交通安全问题日益突出，智能交通系统（Intelligent Transportation Systems, ITS）作为解决这些问题的关键技术，正逐渐成为研究热点。深度学习技术以其强大的数据处理能力和模式识别能力，在ITS中展现出巨大潜力。本文将探讨深度学习在ITS中的应用现状、面临的挑战以及未来的发展方向。 1. 引言智能交通系统通过集成先进的信息...
- 鸿蒙+自动驾驶：车机不再是“外挂系统”，而是灵魂中枢 鸿蒙+自动驾驶：车机不再是“外挂系统”，而是灵魂中枢
- 强化学习（Reinforcement Learning, RL）是人工智能领域的一项核心技术，其目标是让智能体（AI Agent）通过与环境交互不断学习最优策略。在多数经典RL设定中，环境会在动作执行后立即返回奖励（Reward）。然而，在真实世界任务中，反馈往往存在延迟 强化学习（Reinforcement Learning, RL）是人工智能领域的一项核心技术，其目标是让智能体（AI Agent）通过与环境交互不断学习最优策略。在多数经典RL设定中，环境会在动作执行后立即返回奖励（Reward）。然而，在真实世界任务中，反馈往往存在延迟
- 融合模型预测控制的AI Agent轨迹跟踪与避障方法研究 引言人工智能（AI）与自动化技术的深度融合，正在推动智能制造、自动驾驶、机器人等领域的发展。传统自动化系统依赖固定规则与控制律，缺乏对复杂动态环境的自适应能力。而**模型预测控制（Model Predictive Control, MPC）**作为一种先进控制策略，结合AI Agent的学习与决策能力，可以实现动态优化、滚动预测与实... 融合模型预测控制的AI Agent轨迹跟踪与避障方法研究 引言人工智能（AI）与自动化技术的深度融合，正在推动智能制造、自动驾驶、机器人等领域的发展。传统自动化系统依赖固定规则与控制律，缺乏对复杂动态环境的自适应能力。而**模型预测控制（Model Predictive Control, MPC）**作为一种先进控制策略，结合AI Agent的学习与决策能力，可以实现动态优化、滚动预测与实...
- “汽车也有操作系统了？鸿蒙+5G，让自动驾驶不再‘开盲盒’！” “汽车也有操作系统了？鸿蒙+5G，让自动驾驶不再‘开盲盒’！”
- PCL体素滤波器：原理、实现与应用1. 引言点云数据处理是三维感知领域的核心任务，广泛应用于自动驾驶、机器人导航、三维重建等场景。然而，原始点云数据通常存在密度不均、噪声干扰和数据量过大等问题，直接影响后续处理的效率和精度。体素滤波器（Voxel Grid Filter）作为PCL（Point Cloud Library）中的基础降采样工具，通过将点云划分为三维网格（体素）并提取代表... PCL体素滤波器：原理、实现与应用1. 引言点云数据处理是三维感知领域的核心任务，广泛应用于自动驾驶、机器人导航、三维重建等场景。然而，原始点云数据通常存在密度不均、噪声干扰和数据量过大等问题，直接影响后续处理的效率和精度。体素滤波器（Voxel Grid Filter）作为PCL（Point Cloud Library）中的基础降采样工具，通过将点云划分为三维网格（体素）并提取代表...
- 地铁 CV 检测的图片处理需根据视野维度定制方案：大视野注重 “全局覆盖与动态目标捕捉”，中视野强调 “实时性与运动细节”，小视野聚焦 “精密特征与缺陷识别”。结合硬件选型、预处理算法、模型优化及多视野融合，可有效应对地铁环境的复杂性，提升检测准确率与系统稳定性。实际项目中需优先解决振动、光照、实时性三大挑战，通过数据驱动与算法迭代持续优化效果 地铁 CV 检测的图片处理需根据视野维度定制方案：大视野注重 “全局覆盖与动态目标捕捉”，中视野强调 “实时性与运动细节”，小视野聚焦 “精密特征与缺陷识别”。结合硬件选型、预处理算法、模型优化及多视野融合，可有效应对地铁环境的复杂性，提升检测准确率与系统稳定性。实际项目中需优先解决振动、光照、实时性三大挑战，通过数据驱动与算法迭代持续优化效果
- 反事实分析是一种探究“如果……会怎样”问题的思维方式，在日常生活和科学研究中均有重要应用。它通过构建与现实不同的假设情境，揭示变量间的因果关系。在因果表征学习中，反事实分析帮助理解模型决策路径、评估泛化能力、优化模型性能，并增强可解释性和可信度。例如，在医疗诊断中，它可辅助医生评估病情和治疗方案；在自动驾驶领域，它能模拟危险场景以提升系统安全性。 反事实分析是一种探究“如果……会怎样”问题的思维方式，在日常生活和科学研究中均有重要应用。它通过构建与现实不同的假设情境，揭示变量间的因果关系。在因果表征学习中，反事实分析帮助理解模型决策路径、评估泛化能力、优化模型性能，并增强可解释性和可信度。例如，在医疗诊断中，它可辅助医生评估病情和治疗方案；在自动驾驶领域，它能模拟危险场景以提升系统安全性。
- VS对比维度激光雷达摄像头视觉识别原理通过发射激光束探测和测距，获取物体的三维位置信息通过摄像头捕捉图像，利用深度学习算法进行物体识别和环境感知优势精度高、探测距离远、抗干扰能力强，能在恶劣天气和夜间提供更可靠的感知分辨率高，可获取物体的颜色、纹理等丰富信息，成本较低劣势成本较高、数据稀疏无序、难以直接利用，且无法获取颜色和纹理信息受环境亮度影响大，在恶劣环境下性能下降，对算法和软件要求高... VS对比维度激光雷达摄像头视觉识别原理通过发射激光束探测和测距，获取物体的三维位置信息通过摄像头捕捉图像，利用深度学习算法进行物体识别和环境感知优势精度高、探测距离远、抗干扰能力强，能在恶劣天气和夜间提供更可靠的感知分辨率高，可获取物体的颜色、纹理等丰富信息，成本较低劣势成本较高、数据稀疏无序、难以直接利用，且无法获取颜色和纹理信息受环境亮度影响大，在恶劣环境下性能下降，对算法和软件要求高...
- 5G加持自动驾驶：从“聪明”到“智慧”的进化 5G加持自动驾驶：从“聪明”到“智慧”的进化
- 一篇来自工程师的硬核观察 🌟 行业现状：从“手工造车”到“AI智造”传统汽车软件开发像“手工作坊”：代码量爆炸：一辆L4级自动驾驶车代码超1亿行，是Windows系统的10倍人力成本高：30%开发时间耗在重复性代码调试（数据来源：Bosch 2024报告）长尾问题难解：应对极端场景需海量路测，特斯拉2023年路测里程达50亿英里AI带来的变革：✅ 代码生成效率提升40%（Waymo内部数据... 一篇来自工程师的硬核观察 🌟 行业现状：从“手工造车”到“AI智造”传统汽车软件开发像“手工作坊”：代码量爆炸：一辆L4级自动驾驶车代码超1亿行，是Windows系统的10倍人力成本高：30%开发时间耗在重复性代码调试（数据来源：Bosch 2024报告）长尾问题难解：应对极端场景需海量路测，特斯拉2023年路测里程达50亿英里AI带来的变革：✅ 代码生成效率提升40%（Waymo内部数据...
- YOLOv8-QSD: 革新自动驾驶视觉感知的小目标检测算法 YOLOv8-QSD: 革新自动驾驶视觉感知的小目标检测算法
- 智能体的崛起：强化学习在智能决策系统中的应用与挑战 引言随着人工智能技术的快速发展，强化学习（Reinforcement Learning, RL）逐渐成为智能决策系统的核心技术之一。强化学习通过让智能体与环境进行互动并根据奖励反馈不断优化其决策策略，能够在多种复杂环境中实现自主学习和决策。无论是在自动驾驶、机器人控制，还是在金融决策、智能推荐等领域，强化学习的应用前景都极为广泛。然而，强... 智能体的崛起：强化学习在智能决策系统中的应用与挑战 引言随着人工智能技术的快速发展，强化学习（Reinforcement Learning, RL）逐渐成为智能决策系统的核心技术之一。强化学习通过让智能体与环境进行互动并根据奖励反馈不断优化其决策策略，能够在多种复杂环境中实现自主学习和决策。无论是在自动驾驶、机器人控制，还是在金融决策、智能推荐等领域，强化学习的应用前景都极为广泛。然而，强...
- 深度Q网络（DQN）在平稳环境中表现出色，但在非平稳环境下面临诸多挑战。例如，自动驾驶和金融市场中的动态变化导致Q值函数失效和数据分布漂移，使DQN难以适应。为此，研究者提出了改进经验回放机制、动态调整学习率和引入多模型融合等策略，以增强DQN的适应性。实际案例表明，这些改进显著提升了DQN在智能交通和工业控制中的表现。未来，进一步优化DQN在非平稳环境下的学习策略仍是关键研究方向。 深度Q网络（DQN）在平稳环境中表现出色，但在非平稳环境下面临诸多挑战。例如，自动驾驶和金融市场中的动态变化导致Q值函数失效和数据分布漂移，使DQN难以适应。为此，研究者提出了改进经验回放机制、动态调整学习率和引入多模型融合等策略，以增强DQN的适应性。实际案例表明，这些改进显著提升了DQN在智能交通和工业控制中的表现。未来，进一步优化DQN在非平稳环境下的学习策略仍是关键研究方向。
- 前言 YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备；轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。 前言 YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备；轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中 -
一个AI团队帮你写代码：华为云码道Agent Space实战2026/06/25 周四 19:00-21:00
张翰文-华为云码道工程师/郭英旭-青软创新科技集团股份有限公司 软件架构师
本场直播聚焦华为云码道Agent Space两大模式：研发办公、代码开发，亲身体验从需求到代码的AI自动化能力。实操演示基于华为 CodeArts CLI，依托 OpenSpec 规格体系从零搭建业务项目。
即将直播
热门标签