产品概述 - GeoScan S1是一款轻量化设计的手持三维激光扫描仪，具备厘米级精度的三维场景实时重构能力，核心优势在于多模态传感器融合算法[1] - 设备采用手持Ubuntu系统，集成电源手柄设计，通过D-TAP转XT30母头为雷达、摄像头及主控板供电[2] - 由同济大学刘春教授团队与西北工业大学产业化团队联合研发，经过上百个项目验证，首发价19800元起[4] 技术参数 - 扫描性能：每秒生成20万点云，70米测量距离（精度±1.5cm），360°水平视角覆盖，支持20万平米以上大场景扫描[1][23] - 同步精度：微秒级硬件IO同步触发，最高800Hz频率，集成IMU/RTK/激光雷达/相机等多传感器数据同步[28][29] - 计算单元：搭载Intel N5095处理器（4核2.0GHz/睿频2.9G），16GB内存+256GB存储（可拓展TF卡）[16] - 物理规格：尺寸14.2×9.5×45cm，含电池重量1.9kg，航空铝外壳，续航3-4小时（88.8Wh电池）[16] 核心功能 - 实时建模：通过多传感器SLAM算法输出彩色点云数据，支持pcd/las/plv等通用格式导出[16][21] - 3D高斯采集：选配模块可实现高保真实景还原，需采购升级版本（39800-67800元）[44][51] - 跨平台集成：适配无人机/无人车/机械狗等负载平台，配备千兆网口+双USB3.0接口[1][38] 应用场景 - 复杂环境适应：在写字楼/停车场/隧道/矿场等室内外场景均能完成精准三维建模[32][40] - 行业解决方案：适用于地理信息采集、施工监控、文物保护、城市规划等领域[46][48] - 典型场景案例：大型园区/市政道路/环形花园等场景建模验证[33][43] 版本与定价 - 基础版19800元（含激光雷达+IMU+RTK+双相机） - 深度相机版23800元 - 3DGS在线版39800元 - 3DGS离线版67800元[51]

文章核心观点 - 文章主要介绍了一款针对自动驾驶和具身智能研究者的AI科研论文1v1指导课程 旨在帮助研究者高效利用下半年CCF推荐会议的投稿机会 解决论文撰写过程中的核心挑战 包括选题新颖性 实验严谨性 写作规范性和投稿策略匹配等问题 [2] - 课程通过一对一资深导师辅导 深度介入论文撰写与修改全过程 提供个性化解决方案 帮助研究者在有限时间内提升论文竞争力 抓住下半年CCF会议的投稿机会 [2] 论文辅导面向的痛点 - 解决导师放养 无人指导 科研流程不清晰的问题 [6] - 帮助建立科研思维 系统掌握经典与前沿算法 形成清晰体系 [6] - 协助将模型理论与代码实践结合 提升实践能力 [6] - 助力将baseline深化拓展 形成自己的论文 [6] 面向人群 - 在读计算机专业本、硕、博学生 导师放养 希望获取论文创新思路 [6] - 有科研需求 需积累经验 提升职称或学术成就的人员 [6] - 从事人工智能领域相关工作 希望升职加薪 提高竞争力的人员 [6] - 考研申博留学 需提升简历含金量的人员 [6] 课程内容 1 选题阶段 - 导师根据实际情况和需求 引导学员构思论文idea或直接给出建议 [7] - 梳理分析已有研究成果 确保研究方向具有前瞻性和创新性 [13] - 提供相关课题文献 助力快速高效确定研究方向 [13] 2 实验阶段 - 导师全程指导实验设计、模型搭建、调参、验证idea可行性及实现 [9] - 协助完成数据收集、整理与分析 确保数据质量和完整性 [14] - 助力实验代码实现与模型训练 指导完成实验微调和结果统计 [14] 3 论文写作阶段 - 导师全程指导学员写出让审稿人眼前一亮的科研论文 [11] - 深度剖析高质量论文写作技巧 指导搭建论文框架 [15] - 帮助润色论文 符合审稿人要求 [15] 4 投稿阶段 - 导师根据学员情况 推荐合适期刊 助力精准投稿 [12] - 从审稿人角度分析并指导回复审稿意见 [16] 5 录用阶段 - 根据论文情况与时间节点 保证论文在周期内录用 [17] 课程形式与服务方式 - 腾讯会议在线1v1上课 日常微信群内沟通答疑 [22] - 班主任督学 跟进学习进度 [18] 课程收获 - 产出一篇目标区位的高质量论文 [23] - 掌握科研流程 提升科研能力与素养 [23] - 掌握科研论文写作方法与技巧 [23] - 掌握投稿方法与选刊技巧 [23] 课程亮点 - 主讲导师为顶会审稿人 提供经典论文+前沿论文讲解+idea给予/方向建议+写作方法+投稿建议 [23] - 专属学员沟通答疑群 配备导师及班主任 [27] 指导周期与维护周期 - 总指导周期=核心指导期+维护期 根据论文区位不同 周期在3到18个月不等 [24] - CCF A/SCI 1区：核心指导期9个月（36次课） 维护期9个月 [24] - CCF B/SCI 2区：核心指导期7个月（28次课） 维护期6个月 [24] - CCF C/SCI 3区：核心指导期7个月（28次课） 维护期6个月 [24] - EI（期刊/会议）：核心指导期6个月（24次课） 无维护期 [24] 上课平台与Q&A - 腾讯会议直播+小鹅通回放 [27] - 未开课前可任意更换班级 开课后无法更换 [27] - 提供基础课程供学员自主学习 [27] - 专属学员沟通答疑群 日常问题群内解答 [27]

业务发展 - 打造了四个IP矩阵：自动驾驶之心、具身智能之心、3D视觉之心、大模型之心，覆盖知识星球、公众号、视频号、哔哩哔哩、知乎等平台 [2] - 从纯线上教育转型为全栈式服务平台，新增硬件业务、论文辅导和求职业务，并在杭州设立线下办公室 [2] - 知识付费仍是核心业务，但重点拓展了硬件教具、线下培训和求职招聘等多元化服务 [2] 技术方向 - 自动驾驶行业正经历大模型引发的智驾方案升级，从VLM/VLA向更先进的端到端解决方案演进 [2] - 具身智能和大模型是重点孵化方向，已举办多期圆桌论坛，受到学术界和产业界广泛关注 [2] - 视觉大语言模型(VLM)在自动驾驶中的应用包括预训练、迁移学习和知识蒸馏等多个技术分支 [9][12][13] 社区建设 - 自动驾驶之心知识星球已成为国内最大的自动驾驶技术社区，拥有近4000名成员和100+行业专家 [4] - 社区覆盖30+自动驾驶技术学习路线，包括端到端自动驾驶、BEV感知、Occupancy等前沿方向 [4] - 每周活跃度位居国内前20，注重成员积极性和技术交流 [4] 内容体系 - 知识星球包含四大板块：技术领域分类汇总、科研界顶级大佬直播、求职资料分享和痛点问题解答 [7] - 整理了视觉大语言模型、世界模型、扩散模型和端到端自动驾驶四大前沿技术方向的资源 [6] - 汇总了多个Awesome资源库，涵盖VLM架构、推理策略、安全隐私等细分领域 [8] 数据集资源 - 整理了VLM预训练使用的多个大型数据集，包括LAION5B(5B图文对)、WuKong(100M中文图文对)等 [15] - 汇总了自动驾驶相关数据集，如nuScenes、Waymo Open Dataset、BDD100K等，涵盖感知、预测、规划等任务 [21][22] - 收集了语言增强的自动驾驶系统数据集，支持自然语言导航和空间推理等高级功能 [22] 应用领域 - 智能交通领域应用包括语言引导车辆检索、视觉问答和视频异常识别等技术 [23] - 自动驾驶感知方向涉及行人检测、3D目标检测和开放词汇语义分割等任务 [24] - 定位规划领域探索语言引导导航、轨迹预测和运动规划等解决方案 [25] 行业趋势 - 世界模型在自动驾驶中快速发展，涵盖3D场景理解、未来场景演化和物理原理建模等方向 [30][31] - 扩散模型在自动驾驶中的应用包括场景生成、数据增强和轨迹预测等多个方面 [33][39] - 端到端自动驾驶研究聚焦多模态融合、可解释性和长尾分布处理等关键问题 [45][55]

自动驾驶技术发展现状 - 自动驾驶技术正处于从辅助驾驶（L2/L3）向高阶无人驾驶（L4/L5）跨越的关键阶段 [2] - 2025年自动驾驶、具身智能、大模型Agent三大赛道是AI竞争高地 [2] - 端到端自动驾驶成为主流学习方向，建议从BEV感知开始逐步深入 [2] 自动驾驶技术社区 - 自动驾驶之心知识星球是国内最大的自动驾驶学习社区，拥有近4000名成员 [2] - 社区汇聚100+行业专家，提供30+技术方向学习路线 [2] - 覆盖端到端自动驾驶、世界模型、视觉大语言模型等前沿方向 [2][4] 视觉大语言模型研究 - CVPR 2024发布多篇视觉语言模型预训练论文，涉及效率提升和公平性优化 [11] - 视觉语言模型评估涵盖图像分类、文本检索、行为识别等任务 [16][17][18] - 大规模预训练数据集包括LAION5B（50亿图文对）、WebLI（120亿图文对） [15] 自动驾驶数据集 - 主流自动驾驶数据集包括nuScenes、Waymo Open Dataset、BDD100K等 [21] - 语言增强数据集支持自然语言导航、视觉问答等任务 [22] - 图像分类评估数据集包含ImageNet-1k（128万训练图）、CIFAR-100等 [16] 技术应用领域 - 智能交通领域应用包括语言引导车辆检索、视觉问答系统 [23] - 自动驾驶感知方向研究语言引导3D检测、开放词汇分割等任务 [24] - 决策控制领域探索大语言模型在轨迹预测和运动规划中的应用 [25][26] 世界模型研究进展 - 2024年发布DriveWorld、GAIA-1等驾驶世界模型，支持场景生成与理解 [30][32] - 世界模型可预测未来视觉观测并辅助规划决策 [32] - 研究涵盖4D场景重建、占用预测等方向 [32] 扩散模型应用 - 扩散模型在自动驾驶中用于场景生成、数据增强和轨迹预测 [39] - CVPR 2024发布MagicDriveDiT等街景生成模型 [39] - 研究聚焦时空一致性、多视角生成等挑战 [39] 端到端自动驾驶 - 方法分为模仿学习、强化学习和多任务学习三大类 [61] - 最新工作如DriveGPT4、DriveMLM探索大模型与规划控制结合 [27][51] - 挑战包括长尾分布处理、安全验证等 [55][57] 行业资源与生态 - 社区提供TensorRT部署、BEV感知等工程问题解决方案 [71][73] - 与地平线、蔚来等公司建立内推渠道 [110] - 成员来自卡耐基梅隆、清华等高校及头部自动驾驶公司 [106][107]

点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近15个 方向 学习 路线 今天自动驾驶之心为大家分享 南开大学团队 ICCV'25中稿的 最新工作！ AD-GS： 自监督自动驾驶高质量闭环仿真，PSNR暴涨2个点！ 如果您有相关工作需要分 享，请在文末联系我们！ 自动驾驶课程学习与技术交流群事宜，也欢迎添加小助理微信AIDriver004做进一 步咨询 >>自动驾驶前沿信息获取 → 自动驾驶之心知识星球 论文作者 | Jiawei Xu等 编辑 | 自动驾驶之心 背景与挑战 自动驾驶场景的动态建模与渲染对仿真系统至关重要，但现有方法存在明显局限：依赖人工3D标注的方法 成本高昂，难以大规模应用；自监督方法则面临动态物体运动捕捉不准确、场景分解粗糙导致渲染伪影等 问题。 动态城市驾驶场景的高质量渲染需要精准捕捉车辆、行人等动态物体的运动，同时实现场景的有效分解。 传统自监督方法中，神经网络建模运动计算量大且局部细节捕捉不足，仅用三角函数等预定义函数虽提升 速度却难以处理局部运动；场景分解依赖复杂语义标注，噪声干扰严重，导致重建质量下降。 核心创新 AD-GS提出一种全新自监督框架，基 ...

自动驾驶4D自动标注技术 核心观点 - 自动驾驶数据闭环中4D自动标注（3D空间+时间维度）成为行业核心竞争力，需解决时空一致性下的多任务标注（动态障碍物、静态元素、OCC、端到端标注）[1] - 自动标注算法（auto-labeling）是高精度真值生成的核心，可突破车端算力限制，利用全时序数据优化结果，并挖掘corner case指导模型训练[1] - 行业痛点包括多传感器标定同步、跨传感器遮挡处理、算法泛化性、标注结果质量筛选及自动化质检[2] 技术难点 - 时空一致性要求：复杂场景下动态目标跨帧追踪易断裂（遮挡、形变、交互行为影响）[3] - 多模态数据融合：需同步激光雷达、相机、雷达数据，解决坐标对齐、语义统一和时延补偿[3] - 动态场景泛化：交通参与者突发行为（变道、急刹）及环境干扰（光照、恶劣天气）增加模型适应性挑战[3] - 效率与成本矛盾：高精度标注依赖人工校验，海量数据导致周期长、成本高[3] 课程核心内容 动态障碍物标注 - 离线3D目标检测算法（数据增广、BEV/多帧时序融合方案）及CVPR 2024 SAFDNet实战[7] - 3D多目标跟踪算法（数据匹配、速度模型、轨迹生命周期管理、ID跳变优化）[7] 静态元素与SLAM重建 - 激光&视觉SLAM重建算法（Graph-based方法）及在全局道路信息提取中的应用[8][10] - 基于重建图的静态元素标注，避免单帧感知偏差[10] 通用障碍物OCC标注 - 真值生成流程：基于Lidar/视觉的方案、点云稠密化、跨传感器遮挡优化[11] 端到端真值生成 - 动态障碍物、静态元素、可行驶区域、自车轨迹全流程打通[12] - DrivingGaussian算法实战（闭环仿真技术）[12] 行业趋势与数据闭环 - 数据闭环架构分析及当前痛点（跨传感器/感知系统协同问题）[13] - 自动驾驶数据scaling law有效性探讨[13] 技术应用与人才需求 - 课程目标：培养4D自动标注全流程能力（算法研发、问题解决、竞争力提升）[18] - 目标人群：高校研究人员、企业技术骨干、转行数据闭环者（需具备深度学习、Transformer、PyTorch基础）[17][19]

公司上市辅导 - 宇树科技已开启上市辅导，由中信证券担任辅导机构 [1] - 公司控股股东及实际控制人为王兴兴，直接持有23.8216%股权，并通过上海宇翼企业管理咨询合伙企业控制10.9414%股权，合计控制34.7630%股权 [1][2] - 公司成立于2016年8月26日，注册资本为36,401.7906万元，法定代表人为王兴兴 [2] 公司基本信息 - 公司注册地址为浙江省杭州市滨江区西兴街道东流路88号1幢306室 [2] - 行业分类为计算机、通信和其他电子设备制造业（C39）及通用设备制造业（C34） [2] - 公司未在其他交易场所挂牌或上市 [2] 上市辅导安排 - 辅导协议于2025年7月7日签署，辅导机构为中信证券，律师事务所为北京德恒律师事务所 [4] - 辅导内容包括法规知识学习、公司治理完善等，辅导时间为2025年7月至9月 [5] - 辅导方式包括集中授课、自学及个别答疑，辅导人员来自中信证券、德恒律师及容诚会计师 [5] 自动驾驶行业社区 - 自动驾驶之心知识星球拥有近4000人的交流社区，近300+自动驾驶公司与科研机构加入 [7] - 社区覆盖30+自动驾驶技术栈学习路线，包括感知、定位建图、规划控制等领域 [7] - 提供端到端自动驾驶、大模型、BEV感知、多传感器融合等专业课程 [9]

多智能体协作自动驾驶 - 多智能体协作通过信息共享提升自动驾驶系统的安全性、可靠性和机动性，但现有通信方法受限于高带宽需求、智能体异构性和信息丢失等问题 [3] - LangCoop提出利用自然语言作为智能体间通信媒介，显著降低通信带宽达96%（每条消息<2KB），同时保持驾驶性能竞争力 [3] - 实验在CARLA仿真环境中进行，验证了LangCoop相比基于图像通信的优越性 [3] 技术方案与创新 - LangCoop包含两项关键创新（具体未展开），但明确其通过语言封装实现高效信息传递 [3] - 自然语言信息封装（LangPack）技术可将丰富信息打包为简洁的基于语言的消息 [4] 相关研究与资源 - 论文《LangCoop: Collaborative Driving with Language》已发布在arXiv，提供详细技术方案 [4] - 项目开源在GitHub，包含代码实现和仿真环境 [5] - 清华与博世合作开发Impromptu-VLA框架，实现SOTA性能的视觉语言模型 [6] - 清华与吉利推出Challenger框架，专注于自动驾驶对抗场景生成 [6] 行业动态与资源获取 - 自动驾驶之心知识星球提供技术细节、QA及未公开内容，包括复旦BezierGS驾驶场景重建方案 [4] - 混合模型模块化思维链（M³CoT）技术应用于零样本视觉-语言推理 [4]

具身智能社区发展 - 社区成立三周年，正在努力将规模推向2000人 [1] - 见证了ACT、RDT-1/RDT-2、CogACT、OpenVLA、π0、π0.5等工作的推出 [1] - 具身智能发展迅速，数据跟不上算法和本体 [1] - 社区成员来自国内外知名高校实验室和具身相关机器人头部公司 [11] - 高校包括斯坦福大学、加州大学、清华大学、西湖大学等 [11] - 公司包括智元机器人、有鹿机器人、云深处、优必选等 [11] 社区资源与支持 - 梳理了30+技术路线，缩短检索时间 [1] - 邀请了数十个具身领域嘉宾，来自一线产业界和工业界 [1] - 准备了圆桌论坛、直播，分享具身行业动态 [1] - 汇总了近40+开源项目、近60+具身智能相关数据集 [11] - 汇总了行业主流具身仿真平台、各类技术学习路线 [11] - 包括具身智能感知学习路线、强化学习全栈学习路线等 [11] 技术路线与学习资源 - 汇总了机器人导航、概率机器人、机器人动力学与运动学等PDF书籍 [22] - 汇总了机器人行业知名零部件制造厂商，涉及芯片、激光雷达等 [24] - 汇总了机器人仿真项目、机器人抓取、机器人控制等开源项目 [26] - 汇总了国内外知名ToF厂家、相关产品、技术手册等 [28] - 汇总了具身感知、触觉感知、导航等领域的数据集 [30] - 汇总了通用机器人仿真平台和真实场景仿真平台 [32] 行业交流与机会 - 和多家具身公司建立了岗位内推机制 [2] - 社区成员可以在内部自由提问，解答工作和研究方向选择问题 [66] - 汇总了国内外具身智能高校，供读研、申博、博后参考 [14] - 汇总了国内外各类具身相关机器人公司，涉及教育、宠物、工业等方向 [17] - 汇总了大模型、人形机器人等行业相关的研报 [19] - 不定期邀请行业大佬直播分享，内容可反复观看 [64] 项目与研究方向 - 针对机械臂抓取、任务数据表示、位姿估计、策略学习进行了汇总 [58] - 对开源的双足与四足机器人项目、仿真、源码、硬件进行了汇总 [60] - 汇总了常用的移动+执行硬件方案 [62] - 汇总了主流的VLA模型相关内容 [48] - 汇总了扩散模型设计、Diffusion Policy具体任务应用 [50] - 汇总了大模型部署框架、大模型轻量化方法 [54]

就业与深造趋势 - 当前就业环境不佳，硕士学历也难以找到符合预期的工作，导致更多人选择继续深造攻读博士 [1] - 博士名额虽然逐年增加，但仍然供不应求，申请竞争异常激烈 [1] - 过去申请博士仅需一篇论文即可，现在需要达到博士毕业的成果水平才能成功申请 [1] 博士申请要求 - 中九高校（如武汉大学、华中科技大学等）对博士申请者的要求日益提高，需尽早规划并准备科研成果 [2] - 学校基本要求为一篇SCI论文，但实际竞争水平普遍达到2-3篇高区SCI论文 [2] - 申请者至少需具备一篇C会或3区论文才有成功可能 [2] 科研辅导服务 - 提供系统性研究方法培训，以流水线方式高效量产多篇论文，涵盖从选题到投稿的全流程服务 [2][3] - 目标人群包括计算机专业硕博生、人工智能从业者、考研申博留学人员等 [2] - 辅导流程包括个性化论文指导、导师实时互动、录播回看及24小时答疑服务 [2][6] 论文辅导成果 - 辅导目标涵盖CCF-A/B/C、SCI1-4区及EI会议论文，提供一站式科研服务 [3] - 优秀学员可获得清北/MIT等名校推荐信及实验室实习机会，表现突出者可内推至阿里达摩院、华为诺亚方舟等企业 [7] 课程与服务细节 - 课程形式包括腾讯会议在线1v1授课及微信群日常答疑 [7] - 提供精准导师匹配系统，从300+导师中筛选3-5位最契合的导师 [6] - 预收定金可试听课程，不满意可免费更换老师或退款 [8] - 收费根据论文分区及个人情况定制，学术顾问会提供详细报价 [8]