行业技术趋势：端到端自动驾驶 - 端到端自动驾驶技术不再是头部玩家的特权，未进入该领域的车企和Tier 1供应商正在加速转型 [2] - 有资源的大型公司倾向于开发“一段式”端到端模型，而中小型公司则选择“两段式”模型作为切入点 [2] - 训练一个泛化性不错的“两段式”模型，目前公开信息显示大约需要200万Clips数据，训练资源需求相对友好，约为百卡规模 [2] - 训练“一段式”模型需要对标头部公司的千万Clips数据量，训练资源需求达到千卡规模 [2] - 行业当前关注的技术点包括：视觉语言模型/视觉语言大模型在车端/云端的作用、强化学习的损失权重配比、以及相关落地参考论文和未来预研方向 [2] - 行业探讨的具体问题包括：模仿学习/强化学习解决现有模块化方案难处理的场景、以及端到端中场景描述的必要性与潜在问题 [4] 社区与资源平台：“自动驾驶之心知识星球” - “自动驾驶之心知识星球”是一个综合性的自动驾驶技术社区，集视频、图文、学习路线、问答、求职交流于一体，目前已有近4500名成员，目标是在未来2年内达到近万人规模 [5][17] - 社区联合了学术界和工业界的专家，旨在降低行业入门壁垒，为初学者和进阶者提供交流与技术分享的聚集地 [5] - 社区内部梳理了超过40个自动驾驶技术方向的学习路线，并汇总了行业资源，包括近40个开源项目、近60个数据集以及主流仿真平台，以缩短成员的信息检索时间 [7][9][17] - 社区邀请了数十位活跃在一线产业界和学术界的嘉宾，为成员答疑解惑，并不定期举办直播分享，目前已举办超过一百场专业技术直播 [7][89] - 社区与多家自动驾驶公司建立了岗位内推机制，并提供自动驾驶相关工作岗位推荐与行业机会挖掘服务 [11][22] - 社区为成员提供了七大福利视频教程，内容涵盖世界模型、自动驾驶大模型、Transformer、3D目标检测、毫米波感知等多个前沿领域 [86] 技术方向与学习内容概览 - 社区覆盖的入门与基础学习资料包括：数学基础、计算机视觉、深度学习、编程、经典书籍与课程课件 [10] - 感知相关技术方向包括：BackBone网络、2D/3D目标检测与分割、鱼眼感知、车道线检测、深度估计、目标跟踪、BEV感知、Occupancy网络、在线高精地图、多传感器融合等 [10][18][52][54][56][58][59] - 规划控制与决策相关方向包括：轨迹预测、规划控制框架、基于搜索/采样/优化的规划方法、模型预测控制、强化学习等 [10][18][48][60][62] - 前沿模型与技术方向包括：端到端自动驾驶、视觉语言模型、视觉语言动作模型、扩散模型、世界模型、3D高斯泼溅、神经辐射场、大模型在自动驾驶中的应用等 [10][18][38][40][42][44][46][50][85] - 工程与落地实践方向包括：模型压缩与部署优化、CUDA编程、自动驾驶仿真、传感器标定、数据工程等 [10][18][65][69][71][81] - 社区整理了“自动驾驶100问”系列，内容涵盖TensorRT模型部署、毫米波雷达融合、车道线检测、规划控制面试、BEV感知、相机标定、3D&4D毫米波雷达等工程实践问题 [10]