自动驾驶

基于大模型驱动的具身智能巡检小车，面向新能源场站等复杂环境，实现自主导航、动态避障与智能巡检。融合SLAM建图与路径规划算法，支持多点巡检与多机器人协同作业。内置视觉与语音多模态感知能力，可完成仪表读数识别、设备状态分析及异常预警。结合大模型推理能力，实现巡检策略优化与自主决策。支持数字孪生与远程交

熟练掌握3D点云立方体标注、障碍物3D框选、雷达+图像联合标注、行人/车辆/非机动车/交通标识三维标注，熟悉自动驾驶激光雷达场景标注规则，理解点云分层、远近景区分、遮挡判定，可完成3D标注、复检、修正类任务。

1、拍卖算法模块，包含（协商模块，任务添加模块，任务移除模块），鲸鱼优化算法，包含（螺旋上升、全局探索，局部探索）2、在无人机和无人车被干扰的条件下实现任务规划

管理端（Java+Vue）：1、测试配置管理：包含测试类型、测试参数、测试用例、测试脚本管理、执行端管理2、测试任务管理、测试任务下发执行端、测试任务执行3、测试任务执行汇总执行端（Python+Vue）1、执行端向管理端注册1、测试任务接收及执行2、对接测试脚本，执行测试任务

1、参数配置：系统参数配置、车体校正参数、运动控制参数2、定位模块：激光SLAM、二维码3、循迹算法：根据路径及机器人当前位姿，和机器人的控制模型，计算线速度和角速度

1、飞行数据面板：分数据总览、任务总览、人员统计、飞行时长板块。2、飞行监控：列出无人机列表、任务列表；可跟踪在飞无人机，观看视频画面和回传参数数据。3、飞行任务：进行航线规划、任务管理，查看任务记录。4、设备管理：进行无人机管理和机场管理。5、应用管理：查看全景图标注和全景漫游，对AI识别应用和A

本项目实现了全局路径规划、局部路径规划和速度平滑器模块。通过和雷达定位算法融合可实现室内外场景中的导航巡检任务，并且适配多种机器狗，开箱编译即用的导航框架，使机器狗能够在2D地图上进行路径规划任务。

‌C端服务‌：导航、地点搜索、实时路况、AR导航、室内地图（覆盖超5000家大型建筑）、全景服务等‌‌B端赋能‌：‌高精度地图‌：误差≤20厘米，支持智能驾驶，已覆盖全国30万公里高速及重点城市道路‌‌智慧交通‌：为政府提供“交通大脑”解决方案，已在51个城市落地‌‌企业级解决方案‌：覆盖智能物流、

本系统是一款面向专业无人机表演团队的万架级集群控制平台，涵盖无人机型号管理、集群规模配置、自定义文字编队、文字动画控制、三维可视化预览、实时状态监控等核心功能模块。无人机型号管理模块支持DJI大疆Mavic3/Air3/Mini3、Parrot派诺特Anafi、Autel傲视EVOII、Yuneec

一、自主导航与移动作业：全场景无障碍巡检作为机器人基础核心能力，实现机房内无轨化自主移动、精准定位与智能避障，适配不同机房的通道宽度、机柜布局、地面环境，支持全区域覆盖与灵活作业。多SLAM融合导航：支持激光SLAM/视觉SLAM/融合SLAM，快速建图并实时更新机房地图，定位误差≤±5cm，满足高

通过can线连接，1.获取汽车实时状态并生成相应统计图像；2.读取故障码，并显示对应的故障解析故障解决方案3.控制车辆如前后雾灯等来检查车辆功能

项目实现了完整的无人机地面站核心功能：基于MAVLink协议的飞行器状态监控（姿态、位置、电池信息）、实时三维航迹显示、在线任务规划与航点上传、飞行参数调试、以及数传/图传链路状态监控。为用户提供了从任务准备到飞行监控的全流程操作界面。

1提供协程级别或者线程logger你可以视作是python的logging日志，提供不同级别的日志存储2提供es的查询方式结合前端展示日志3它有极致的性能让你可以忽略由日志带来的IO延迟问题

多模式驱动支持差速驱动底盘设计支持全向移动（前进/后退/原地旋转），最高速度可达1.5m/s且具备三档可调模式；紧急制动响应时间＜200ms，遇到突发障碍时可瞬间停止避免碰撞。

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

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。

1.评估模型的性能并避免过拟合 2.一个LSTM编码器网络和一个GAN网络 3.预测车辆轨迹是自动驾驶领域的一个重要问题。它可以帮助自动驾驶车辆更好地规划路径和避免碰撞。