课程价格 ：
¥899.00
剩余名额
0
-
学习时长
9周/建议每周至少8小时
-
答疑服务
专属微信答疑群/讲师助教均参与
-
作业批改
课程配有作业/助教1V1批改
-
课程有效期
一年/告别拖延，温故知新
- 1：开班典礼PPT
- 2-1：端到端自动驾驶理论与实践第一期第一次直播答疑问题收集
- 2-2：端到端第一期第一次直播答疑
- 第1章: 端到端自动驾驶概述与课程介绍
- 3：【课件】端到端自动驾驶概述与课程介绍
- 第1节: 自动驾驶简介与功能描述
- 4：【视频】自动驾驶简介与功能描述
- 第2节: 自动驾驶的技术发展路线
- 5：【视频】自动驾驶的技术发展路线
- 第3节: 自动驾驶端到端简介
- 6：【视频】端到端自动驾驶简介
- 第4节: 课程安排与相关内容推荐
- 7：【视频】课程安排与相关内容推荐
- 第2章: 端到端感知：BEV Encoder
- 8：【课件】端到端感知：BEV Encoder
- 第1节: 感知任务简介及其技术发展
- 9：【视频】感知任务简介及其技术发展
- 第2节: Dense BEV特征Encoder：LSS-based
- 10-1：【视频】LSS
- 10-2：【视频】CaDDN
- 10-3：【视频】BEVDet
- 10-4：【视频】BEVFusion
- 第3节: Dense BEV特征Encoder：Query-based
- 11-1：【视频】LSS-based方法与Query-based方法的对比
- 11-2：【视频】Deformable Attention知识回顾
- 11-3：【视频】BEVFormer
- 第4节: Sparse BEV特征Encoder
- 12-1：【视频】Dense BEV特征方法与Sparse BEV特征方法的对比
- 12-2：【视频】 PETR
- 12-3：【视频】PETRv2
- 12-4：【视频】StreamPETR
- 第5节: 本章小结
- 13：【视频】本章小结
- 第6节: 本章作业：动态OD感知模型实现与可视化
- 14-1：作业说明文档
- 14-2：本章作业：动态OD感知模型实现与可视化
- 14-3：作业代码文件
- 14-4：作业思路讲解
- 第3章: 端到端感知：动静态感知Decoder
- 15：【课件】端到端感知：动静态感知Decoder
- 第1节: 动态障碍物感知方法
- 16：【视频】课程回顾与本章内容介绍
- 17：【视频】动态障碍物感知问题定义
- 18：【视频】Sparse4Dv1
- 19：【视频】Sparse4Dv2
- 20：【视频】Sparse4Dv3
- 21：【视频】动态障碍物感知方法总结
- 第2节: 静态道路结构感知方法
- 22：【视频】静态道路结构感知问题定义与挑战
- 23：【视频】HDMapNet
- 24：【视频】VectorMapNet
- 25：【视频】MapTR v1&v2
- 26：【视频】静态道路结构感知方法总结
- 第3节: OCC感知方法
- 27：【视频】OCC感知问题定义
- 28：【视频】 VectorMapNet
- 29：【视频】TPVFormer
- 30：【视频】OpenOccupancy
- 31：【视频】 SurroundOcc
- 32：【视频】Occ3D
- 33：【视频】OCC感知方法总结
- 第4节: 感知任务总结及其与Planner的关系
- 34：【视频】感知任务总结及其与Planner的关系
- 第5节: 本章作业：静态地图感知模型实现与可视化
- 35-1：作业说明文档
- 35-2：本章作业：静态地图感知模型实现与可视化
- 35-3：作业思路讲解
- 第4章: 端到端规划：基于Query的端到端Planner
- 36：【课件】端到端规划：基于Query的Planner
- 第1节: 端到端PlannNN简介
- 37：【视频】端到端PlannNN简介
- 第2节: Query-based模型设计思路
- 38：【视频】Query-based模型设计思路
- 第3节: Query-based端到端模型方案
- 39：【视频】UniAD
- 40：【视频】VAD v1&v2
- 41：【视频】DriveTransformer
- 第4节: 训练目标：模仿学习与约束条件
- 42：【视频】训练目标：模仿学习与约束条件
- 第5节: 本章作业：Query-based Planner模型实现与可视化
- 43-1：作业说明文档
- 43-2：本章作业：Query-based Planner模型实现与可视化
- 43-3：作业思路讲解
- 第5章: 端到端规划：基于自回归AR的端到端Planner
- 44：【课件】端到端规划：基于自回归AR的端到端Planner
- 第1节: 自回归大语言模型简述
- 45：【视频】自回归大语言模型简述
- 第2节: Trajectory Tokenizer的设计方法
- 46：【视频】Trajectory Tokenizer的设计方法
- 第3节: 自回归端到端模型方案
- 47：【视频】DriveGPT
- 48：【视频】DriveMoE
- 49：【视频】ARTEMIS
- 50：【视频】DrivingGPT
- 51：【视频】AutoVLA
- 第4节: 本章小结
- 52：【视频】本章小结
- 第6章: 端到端规划：基于Diffusion的端到端Planner
- 53：L6 端到端规划：基于Diffusion的端到端Planner
- 第1节: Diffusion原理简介
- 54：【视频】 Diffusion原理简介
- 第2节: Diffusion Planner方法
- 55：【视频】DiffE2E
- 56：【视频】GoalFlow
- 57：【视频】DiffusionDrive v1&v2
- 58：【视频】DriveVLA-W0
- 第3节: 端到端感知与规划总结
- 59：【视频】端到端感知与规划总结
- 第7章: 端到端模型的训练范式
- 60：【课件】端到端模型的训练范式
- 第1节: 端到端多任务训练概述以及难点
- 61：【视频】端到端多任务训练概述以及难点
- 第2节: 解决思路：多阶段训练
- 62：【视频】解决思路：多阶段训练
- 第3节: 一段式与二段式训练方法的对比
- 63：【视频】一段式与二段式训练方法的对比
- 第4节: 补充内容：DriveTransformer架构分享
- 64：【课件】补充内容：DriveTransformer架构分享
- 65：【视频】补充内容：DriveTransformer架构分享
- 第8章: 端到端训练数据与评测方法
- 第1节: 训练数据内容、组织形式简述
- 第2节: 数据分类、清洗方法
- 第3节: 开环评测方法及其指标
- 第4节: 闭环评测方法及其指标
- 第9章: 端到端与VLA、世界模型、RL的关系
- 第1节: 端到端的局限性
- 第2节: VLA的发展历程
- 第3节: 世界模型简述
- 第4节: 深入浅出强化学习RL
- 第5节: 端到端未来展望与课程总结
课程项目围绕DriveTransformer进行设计，从宏观到微观、从理论到实践，全面深入地探索并掌握前沿端到端自动驾驶系统。通过四个层层递进的实践项目，从动态与静态感知，到规控决策，再到端到端训练与闭环推理，循序渐进地构建并优化系统，全方位培养自动驾驶领工程实践能力。
