robotToool工具开发项目，采用apollo的开发技术栈，将cyber通讯技术应用到开发项目中(之前主要是GRPC通讯技术)，简化了开发模式，提高了开发效率。业务层面上，基于二代车载实现了可视化的软件参数配置，硬件参数配置，状态上报，升级维护，一体化标定等基础功能，简化了车间设备操作的步骤，提

针对自动驾驶场景对YOLOv7的网络架构和参数进行了专项优化。在Backbone部分引入ECA与CBAM，强化多尺度特征融合能力；将Neck层的PAN结构改进为双向特征金字塔（BiFPN），提升小目标检测鲁棒性。调整了锚框尺寸分布，新增针对车辆侧面和锥形桶的细粒度锚点。训练策略上采用余弦退火学习率+EMA权重平滑，并引入动态困难样本挖掘机制。

1. 本项目是自动驾驶技术在无人化清洁场景的具体落地，可代替人工作业； 2. 本项目中的技术点涵盖广大，涉及到自动驾驶、人工智能、机器人等领域的技术； 3. 本项目是硬件、软件、算法的集成体； 4. 本人主导并参与了本项目中的全部工作，有完整的技术路线和完整的技术框架，可以快速迭代； 5. 本人对自动驾驶、机器人、人工智能领域的相关技术点都有涉及、可以兼顾多个技术点的研发。

确定需要讲哪些内容，每个内容多少学时； 软件面向自动驾驶行业的数据挖掘部分； 从海量的数据实车数据中筛选出对模型训练具有高价值的数据，从而加速模型和软件的迭代； 软件方案采用主动学习方法，具体策略包含uncertainty、core-set、learning loss、交叉熵等。通过这些策略来筛选出高价值数据，实现模型的持续迭代。

DAMO-StreamNet 模型介绍 任务说明 本模型所述的任务为流感知（Streaming Perception）任务，该任务为视频目标检测（Video Object Detection, VO

LongShortNet 模型介绍 任务说明 本模型所述的任务为流感知（Streaming Perception）任务，该任务为视频目标检测（Video Object Detection, VOD）

DEPE模型介绍 基于多摄像头的纯视觉3D目标检测方法在自动驾驶领域得到越来越广泛的关注。DEPE模型采用Transformer的end-to-end的结构设计，无需传统检测方法中手工设计的要素(如a

视频目标检测 自动驾驶实时视频检测模型, 把周围环境检测问题，转化为将来环境预测问题，从问题定义的层面解决自动驾驶中环境感知时延的问题。该任务定义为流感知（Streaming Perceptio

我负责了自动驾驶规划算法的设计（100%），包括lattice规划算法，与carla的联合仿真，实现自动驾驶场景下的模拟。场景包括静态障碍物避障，动态障碍物避障和停障，可以为机器人公司提供基础的算法研究平台和实战平台。

1、项目分为：自动为驾驶数据记录系统，数据采集模块，数据加密模块，数据存储模块，数据读取模块，数据传输模块 2、项目采用：Python、C、java、自定义数据存储方式，采用国产Rk系列车规平台 3、难点：毫秒级can数据采集与存储，实时数据解析，基于国产车规的设备整合设计