自动驾驶求职辅导业务 - 目标人群为希望转型智能驾驶方向的应届生和职场人士 周期2个月左右 以求职成功为导向 提供1v1辅导 [4] - 基本服务收费8000元/人 包含10次线上会议 每次不低于1小时 含8次答疑和2次面试复盘 [6][7] - 进阶服务提供项目实战机会 收费3000元 模拟面试收费2000元 含HR和业务面试环节 [11] 辅导服务内容 - 分析学员画像 评估知识结构与能力模型 找出与目标岗位差距 [7] - 制定学习计划 提供文档资料和网络链接等学习资源 [13] - 每周定期会议答疑 随时线上提问 结束前优化简历匹配度 [13] 可辅导岗位范围 - 覆盖智能驾驶全链条岗位 包括算法 软开 测试 系统工程师等 [11] - 包含产品经理类岗位 如智能驾驶产品和智能座舱产品经理 [11] - 涵盖行业分析师等咨询方向岗位 [11] 师资力量 - 辅导老师均为行业专家 具备8年以上从业经验 [12] - 来自自动驾驶独角兽企业和主机厂 覆盖产品 算法 测试等多领域 [12] - 具有头部车企智能驾驶产品方案经验 参与早期座舱方案开发 [14] 行业现状与痛点 - 自动驾驶算法岗要求高 需顶会论文或直接岗位经验 [2] - 技术迭代快 学生时代技术栈与就业需求不匹配 [2] - 转行人员普遍存在简历与岗位要求不匹配问题 [3][9]

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 论文作者 | Zeming Chen等 今天自动驾驶之心为大家分享 上海期智研究院&清华大学赵行老师团队 最新的工 作！ BEV-VAE：实现自动驾驶环视图像精准生成与操控。 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 论文链接: https://arxiv.org/abs/2507.00707 代码仓库 (Github): https://github.com/Czm369/bev-vae 动机 编辑 | 自动驾驶之心 摘要 在自动驾驶中，多视角图像生成任务需要在不同相机视角下实现对三维场景的一致理解。然而，大多数现 有方法将其简化为二维图像集合的生成问题，缺乏对三维结构的显式建模。我们认为，对于自动驾驶场景 的生成任务，结构化表示至关重要。为此，本文提出 BEV-VAE 方法，实现具有空间一致性与可控性的多视 角图像生成。BEV-VAE 首先训练一个多视角图像 ...

特斯拉自动驾驶技术争议 - 特斯拉2025年6月在奥斯汀推出的付费全自动驾驶试点项目表现糟糕，车辆出现漂移、急刹、错过载客等问题，引发对仅依赖视觉系统局限性的质疑[1] - 公司坚持使用廉价摄像头而非激光雷达和雷达，学术界质疑其能否达到4级自动驾驶所需精度，研究显示纯摄像头系统在雾雪天气误判率比激光雷达系统高40%，低光照条件下误报率上升25%[2][4] - 特斯拉2021年移除雷达，2022年放弃超声波传感器，但研究表明异构冗余传感器对功能安全标准至关重要，纯视觉系统在受控基准测试中仅达到激光雷达92.1%的检测性能[4] 行业与监管反应 - 福特CEO公开支持Waymo的激光雷达策略，MIT研究指出特斯拉驾驶员监控系统存在缺陷，德州新法规特别将纯视觉车辆列为风险点，可能要求冗余传感器[5] - NHTSA已启动调查特斯拉试点车辆，指出其可能违反联邦安全规定，奥斯汀自2023年以来记录122起自动驾驶事故[7] - 立法者要求特斯拉公开人工接管数据，试点项目被律所称为"危险之旅"，投资者热情减退[7][8] 运营与财务表现 - 2025年Q2特斯拉交付量同比降13.5%至38.4万辆，低于预期的40.6万辆，库存周转天数达38天，占压75亿美元营运资金[10][11] - 股价在交付数据公布后下跌3.8%至327.69美元，市值此前六个交易日蒸发14%，卖方机构评级出现分化[11][12] - 2025年Q1自由现金流降至负7亿美元，自动驾驶研发年支出超40亿美元，能源业务毛利率仅中个位数[13] 技术优势与潜在机会 - 特斯拉Dojo加速器训练效率或与英伟达相当而成本仅10%，车队日收集1.8亿英里数据远超Waymo的2500万英里，具备OTA快速更新能力[14] - 2024年毛利率17.4%高于行业水平，摩根士丹利模型预测L4自动驾驶可实现2030年息税前利润增长10倍[14][15] - 部分学术研究支持纯视觉方案，康奈尔大学实现特定条件下端到端驾驶超越小型激光雷达[15] 市场估值与投资建议 - 自动驾驶出租车收入预期应推迟至2028年后，建议将估值向高端车企15倍远期市盈率靠拢[17] - 当前战略下交付量下降、库存增加、诉讼风险上升，除非增加传感器冗余或证明安全提升，否则应谨慎看空[16] - 奥斯汀试点证明特斯拉自动驾驶理论在科学和商业层面均存在重大缺陷，执行风险加剧[16][17]

中国自动驾驶企业出海中东 - 小马智行与迪拜RTA签署战略合作协议 推进Robotaxi商业化落地 中国自动驾驶企业正加速出海 中东成为核心目的地之一 [1] - 中东市场吸引力在于资金支持与政策红利 迪拜政府2016年提出"智慧迪拜"战略 目标2030年实现25%出行由无人驾驶工具承担 [1] - 阿布扎比 沙特等地区划定自动驾驶专属测试区域 并允许完全无人驾驶车辆商业化运营 [1] 文远知行在中东的布局 - 文远知行2023年7月获得阿联酋首个国家级全域全车系自动驾驶牌照 可在全国公共道路开展测试和运营 [1] - 2024年12月与Uber在阿布扎比落地中东最大Robotaxi商业化运营车队 [2] - 2025年4月与Uber 迪拜RTA达成战略合作 将在迪拜推出Robotaxi服务 [2] - 2025年5月在阿布扎比开启纯无人驾驶Robotaxi试运营 打造中东首支纯无人车队 [2] - 2025年6月三方正式签署合作协议 计划2026年Q1实现纯无人商业运营 目前正进行有安全员运营和纯无人测试 [2] 中东自动驾驶市场竞争格局 - 小马智行等企业加速入局 中东市场竞争升级 [3] - 文远知行凭借先发布局和本地化运营 已建立市场壁垒 [3] - 中东市场凭借资金+政策双重红利 或成为全球自动驾驶最快成熟的区域 [3]

行业概述 - 自动驾驶仪是一种能够自动控制飞行器或车辆行驶的装置，通过传感器、控制器和执行机构实现预设路线和速度的行驶 [2] - 按应用对象分类包括飞机自动驾驶仪、导弹自动驾驶仪、汽车自动驾驶仪等 [2] 行业发展历程 - 1956-1978年为探索阶段，中国首套国产自动驾驶仪在轰5飞机上首飞成功并批量生产 [4] - 1979-2014年为初步应用阶段，飞机和导弹自动驾驶仪技术持续迭代，汽车领域开始无人驾驶测试 [4] - 2015-2019年为政策驱动阶段，《中国制造2025》将无人驾驶作为重点，L2级功能逐步商业化 [5][6] - 2020年至今为商业化落地阶段，Robotaxi服务开放，多家企业实现技术突破 [6] 行业产业链 - 上游包括零部件、芯片与计算平台、感知传感器、高精地图与定位等 [8] - 中游为自动驾驶仪研发生产环节 [9] - 下游应用于飞机、汽车、导弹、船舶、航天器等领域 [9] 行业现状 - 2025年1-5月中国自动驾驶仪进口数量23个，同比下降99.53%，进口金额270.65万元，同比下降73.02%，国产替代加速 [10] - 同期出口数量763个，同比增长132.62%，出口金额271.06万元，同比增长152.65%，全球市场崛起 [11] - 进口主要来自德国（35.51%）和挪威（30.77%），出口主要流向挪威（66.33%）、美国（7.62%）和越南（5.44%） [12][15][16] 重点企业经营情况 - 飞机自动驾驶仪领域：宝成公司参与多个国防重点项目，技术稳定性获认可 [18] - 无人机自动驾驶仪领域：大疆创新占据全球消费级无人机市场领导地位 [18] - 汽车自动驾驶仪领域：华为全栈自研技术体系，百度Apollo推出Robotaxi服务 [18] - 中兵红箭2024年营业收入45.69亿元，研发投入7.27亿元 [21] - 百度集团2025年一季度营业收入324.52亿元，同比增长2.98% [22] 行业发展趋势 - 技术融合与创新驱动产业升级，激光雷达、AI芯片等核心技术突破推动高精度发展 [24] - 应用场景多元化拓展，Robotaxi、农业植保、物流配送等加速商业化落地 [26] - 政策与标准体系完善，国家层面出台多项政策文件推动技术研发与商业化进程 [27]

自动驾驶岗位面试时，一份好的简历是什么样的？ 可以适当夸大，别太过分（简历上写的一定要是自己非常了解的）： 自驾行业是出了名的工资高，好多同学都想往这个方向卷！但你真的知道怎么写一份合格的简历 吗？最近好几位同学让我们帮忙改简历，但都存在各种各样的问题。 看了这么多简历，我觉得其中一位同学的蛮好，最终拿到了某新势力60k的offer，才3年经验！总结 下来，一份合格的简历是条理清晰、重点突出、细节体现、能力体现几个部分。不要乱堆项目和奖 励，要找符合项目岗位的优势点。 1）开门见山 结论先行，直接说出自己的成果和成就（可以在项目前） 举例主要成就： A公司：搭建了什么动态感知后融合，发表专利三篇； B公司：优化了静态目标的融合算法，优秀个人； 2）职责清晰 BEV 算法框架搭建：主要参与者（算法负责人） BEV 算法模型优化：负责人 3）逻辑清晰 每一个点都有目的，多用数字，条理分明，按照序号和标题进行改进（千万别段落式） 1）模型上 ，采用ohem + focal 解决长尾分布问题（经验），提升10%。改进ohem的方案（思考能 力） 2）数据上，10w数据整理，协调（综合能力和沟通能力） 3）部署和融合上 ...

股价及财务表现 - 7月7日公司盘中上涨2 2% 报8 319美元/股 成交980 49万美元 总市值23 67亿美元 [1] - 截至2025年03月31日 公司收入7243 7万人民币 同比增长1 77% 归母净利润-3 85亿人民币 同比减亏17 73% [1] - 预计8月20日披露2025财年中报 [1] 公司背景与业务布局 - 公司注册于开曼群岛 境内实体为文远知行 2017年成立 业务覆盖全球7国30城 运营超1600天 [1] - 唯一同时拥有中国 美国 阿联酋 新加坡自动驾驶牌照的企业 在12个城市设立办公室 [1] - 产品矩阵包括Robotaxi Robobus Robovan Robosweeper及高阶智能驾驶解决方案 覆盖出行 货运 环卫场景 [2] - 商业营收规模全球同类企业第一 服务涵盖网约车 随需公交 同城货运等 [2] 行业地位与合作 - 2023年入选《财富》改变世界公司榜单第8名 唯一进入前十的中国企业 [2] - 与雷诺日产三菱联盟 宇通 广汽 博世等全球顶级主机厂及供应商达成战略合作 [2]

今天自动驾驶之心很荣幸邀请到BezierGS工作的一作马梓培，为大家分享这篇ICCV'25中稿的新工作！今晚七点 半，自动驾驶之心直播间不见不散~ 1. 构建一个高质量街景世界，供自驾模型在其中训练、探索，减少数据采集的成本； 2. 减少对bounding box精确性的依赖，目前业界以及开源自驾数据集采集的准确性不是很高，bounding box的 标注不精确； 3. 这篇是对自驾世界的学习与探索，未来会探索一个真正的自驾世界模型，该工作只能实现轨迹内插，无法轨 迹外插。 论文链接：https://arxiv.org/abs/2506.22099 代码代码：https://github.com/fudan-zvg/BezierGS 复旦大学ICCV 2025中稿的最新工作！自动驾驶场景的真实重建对于开发闭环仿真至关重要。大多数现有方法依 赖于目标的位姿标注，使用这些位姿来重建动态目标并在渲染过程中实现动态重建。这种对高精度目标标注的依 赖限制了大规模和广泛场景的重建。为了解决这一挑战，复旦大学的团队提出了Bezier curve Gaussian splatting （BezierGS），该方法使用可学习的 ...

自动驾驶世界模型Epona的核心创新 - 提出自回归扩散世界模型框架Epona，融合扩散模型与自回归模型优势，支持分钟级长视频生成、轨迹控制生成和实时运动规划[1][2] - 两项关键架构创新：解耦时空分解（分离时间动态建模与细粒度生成）、模块化轨迹与视频预测（端到端整合运动规划与视觉建模）[2][18] - 引入链式前向训练策略（CoF），解决自回归误差累积问题，FVD指标提升7.4%，支持600帧（2分钟）长视频生成[23][26][29] 技术架构与性能表现 - **解耦设计**：时序建模采用多模态时空Transformer（MST），空间生成采用双-单流DiT结构，支持逐帧自回归生成[20] - **多模态生成**：TrajDiT分支生成3秒连续轨迹（20Hz实时），VisDiT分支生成下一帧图像（4090 GPU上2秒/帧）[21][25] - **基准测试优势**：在NuPlan数据集上FVD降至82.8（优于Vista的89.4），NAVSIM轨迹预测碰撞率0.36%（优于UniAD的0.31%）[29][30] 行业应用价值 - 突破现有世界模型局限：解决传统视频扩散模型固定长度限制（如GAIA-2）与自回归Transformer模型离散token质量损失（如GAIA-1）[15] - 支持实际场景需求：可应用于轨迹控制视频生成（定制化驾驶模拟）和轻量化实时规划（仅启用TrajDiT分支）[21][28] - 参数量2.5B，计算效率优于NVIDIA Cosmos等同类模型，在消费级硬件（4090）上可部署[25][32] 行业技术趋势 - 世界模型成为下一代端到端自动驾驶关键路径，减少对感知模块与标注数据的依赖[6] - 自回归+扩散的混合架构成为前沿方向，Epona首次实现连续表征下的长序列自回归生成[9][33] - 当前行业痛点包括长时序一致性（如Cosmos限于短视频）与实时规划能力（如Vista缺乏轨迹控制），Epona提供统一解决方案[17][26][32]

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 亲身经历：滴滴自动驾驶感知算法岗三轮技术面复盘！ 最近参加了滴滴自动驾驶部门感知算法工程师的面试，总共经历了三轮技术面，每一轮的面试官都问得非常深 入，尤其聚焦在项目细节和技术原理上。这里必须提醒大家： 面试前务必吃透简历上的每一个字！ 一旦被问 住，场面真的会很尴尬。 Q4：了解Anchor-Free检测吗？简述FCOS的核心流程。 重点考察对Anchor-Free代表算法FCOS的理解。 Q5：是否接触过端到端（End-to-End）检测算法？ 滴滴在自动驾驶领域布局多年，技术积累相当深厚。他们和广汽埃安联合成立的"广州安滴科技"专注于L4级无 人驾驶研发，投入力度很大。今年想冲击自动驾驶方向的同学，滴滴绝对是一个值得重点关注的选项。 第一轮技术面试回顾： Q1：自我介绍 面试官主要围绕我研究生期间的科研产出和研究方向进行了针对性提问。 Q2：论文核心创新点阐述？ 在讨论创新点时，面试官自然地延伸出了一些2D目标检测领域的相关问题进行探讨。 Q3：概述2D目标检测算法的主要演进脉络？ 需要梳理从传统方法到 ...