10月中旬北京，某央企汽车集团《人工智能技术在高阶自动驾驶的应用》实战课程在北京海淀开课，本课程由TsingtaoAI派驻技术专家主讲，聚焦2025智能驾驶行业关键转折点，系统解析从AI技术路线到量产落地的全链条实践。

当前高阶自动驾驶已进入L3-L4量产爆发期，传统规则系统因corner case处理能力不足正加速向AI驱动的端到端架构转型。华为ADS4.0、特斯拉FSD V12实现纯视觉端到端，理想汽车2024年推出的“双系统”架构成为行业新标杆。课程深度解析基于深度学习的BEV多模态感知、CenterPoint激光雷达3D检测、Diffusion Planner动态轨迹生成，以及强化学习与规则混合的规划算法，结合UniAD模块化端到端框架与大语言模型的场景理解能力，直面数据闭环“80%性能爬坡”挑战。通过Carla仿真验证及实战演练，帮助学员掌握从传统HD map+规则方案到AI驱动的高阶智驾系统转型路径，直击量产落地痛点。实训课程内容基于行业最新实践，涵盖从感知、决策到验证的全链路AI技术应用，确保学员能快速将理论转化为实操能力。

实训目标

1.掌握核心技术与AI基础

理解L3-L5自动驾驶技术瓶颈，熟悉感知、决策、控制流程。

掌握ML/DL/RL在自动驾驶中的应用及挑战（如数据依赖、可解释性）。

2.精通AI环境感知与预测

运用深度学习模型（YOLO、U-Net等）实现精准感知。

掌握轨迹预测模型（LSTM/Transformer）及多模态交互技术。

3.理解决策规划与测试验证

学习强化学习与规则混合的路径规划及动态优化技术。

掌握仿真平台（Carla）使用及对抗性测试方法。

实训课程大纲

一、高阶自动驾驶概述与AI基础

1.1、高阶自动驾驶的定义与发展现状

1.2、自动驾驶的感知、决策与控制循环

1.3、人工智能在自动驾驶中的独特优势与挑战

1.4、AI基础知识回顾：机器学习、深度学习与强化学习简介

二、基于深度学习的环境感知（上）

2.1、视觉感知：图像识别与目标检测

2.2、雷达与激光雷达感知：点云处理

三、基于深度学习的环境感知（下）与交通标识识别

3.1、BEV感知算法

3.2、交通标识识别：红绿灯与车道线识别

四、预测与行为分析

4.1、交通参与者行为预测：基于深度学习的轨迹预测模型

4.2、意图识别

4.3、场景理解与事件检测

五、决策规划

5.1、基于强化学习和规则的混合规划算法

5.2、全局路径与局部路径规划

5.3、运动规划：避障与舒适性优化

六、导航与控制

6.1、基于VLN和VLA的导航

七、AI在自动驾驶测试与验证中的应用

7.1、自动驾驶仿真平台与虚拟测试环境

7.2、数据驱动的测试

八、前沿进展与未来趋势

8.1、End-to-End自动驾驶的探索与挑战。

8.2、大模型与自动驾驶的结合

部分实训授课课件

实战讲师介绍

任老师 自动驾驶系统研发专家

资质专长： 智能驾驶系统架构设计；多传感器融合算法；算法研发与量产落地；国际化项目支持；500强研发工程师、高级顾问。

在智能驾驶领域拥有十多年丰富经验，在世界Top100强企业的智能驾驶部门担任智能驾驶算法专家，负责基于多传感器融合的环境构建算法的总体框架设计及性能优化。在智驾算法研发与量产落地方面有着卓越的成就，主导研发的感知融合算法已在国内外多个主机厂的核心车型中实现量产，性能表现处于行业领先水平。具有国际化项目支持的经验，曾在公司欧洲研发中心支持全球智能驾驶量产项目，成功推动项目进展。他长期与多家车企保持培训咨询合作，包含一汽、保时捷、阿维塔等。专业背景和实践经验使他在智能座舱培训领域备受推崇。不仅注重理论知识的传授，更强调实际操作和体验的重要性。能够结合自己在智能驾驶领域的丰富经验，为学员提供从理论到实践的全方位指导。擅长将复杂的技术概念转化为易于理解的语言，使学员能够快速掌握智能座舱的设计和应用。课程设计注重互动性和实用性，通过案例分析、模拟操作和现场演示等多种教学方法，确保学员能够在实际工作中灵活运用所学知识。教学风格亲切而富有启发性，能够激发学员的学习兴趣和创新思维，帮助他们在智能座舱领域取得更大的成就。

李义昂 自动驾驶算法专家

坐标北京，国内头部自驾企业研发工程师，出版书籍《c++设计模式》，工作之余一直坚持在公众号和B站 <码出名企路>分享经验和技术，做自驾和编程相关培训，全网累积粉丝10万+，付费学员500多人，帮助300+同学找到满意工作，爱交流，乐分享，期待与你一起进步。

硕士毕业后，一直在自动驾驶行业深耕，主要负责车端系统架构方案设计与开发，独自负责过多款车型软件架构的落地，深度主导百度Apollo系统架构、软件设计与调试优化设计，熟悉车路云交互链路，在自动驾驶方案落地上做过重大贡献。

优势：主导自驾方案落地，负责百度Apollo解决方案软件设计，工作之余一直坚持做培训，有丰富的授课经验、乐于学习，擅长与人交流，合作与共赢。

【核心项目1】自动驾驶感知架构升级与异构推理引擎适配

技术架构：基于Apollo Cyber RT框架的模块化感知系统重构；

创新价值：实现毫秒级多源异构数据吞吐，推理时延降低42%

核心贡献与实现路径

1. 感知流水线解耦设计

基于Apollo Component机制重构视觉感知拓扑，将原有单体架构拆分为Detector(检测)/Tracker(跟踪)/Fuser(融合)独立组件

采用Cyber RT DAG配置文件动态编排组件连接方式，通过共享内存+双缓冲队列实现零拷贝数据传输，解决1080P@30FPS视频流处理丢帧问题

设计跨线程池的任务调度策略，在Apollo默认Executor基础上扩展Priority-based调度器，确保关键路径（障碍物检测）优先抢占计算资源

2.异构推理引擎适配框架

研发Apollo插件式推理引擎接口层，兼容TensorRT/LibTorch/ONNXRuntime三种后端，支持YOLOv5/YOLOv7/FCOS等模型无缝迁移

基于CUDA Stream异步流水线技术优化预处理-推理-后处理流程，实现多Batch输入动态合并（最大支持Batch=16），GPU利用率从58%提升至91%

开发模型热加载机制，通过Apollo监控服务动态调整推理实例数，响应时间满足ISO 21434功能安全要求

3.感知质量增强体系

集成Apollo Sensor Bridge模块，实现激光雷达与视觉时序对齐误差<3ms

开发基于场景特性的模型切换策略（城市道路/高速公路/停车场模式），通过Apollo HMI动态更新检测阈值参数2

构建多维度评估系统（误检率/漏检率/时延分布），关键指标通过Apollo Dreamview可视化看板实时监控

【核心项目2】自动驾驶数据系统研发与云原生部署体系构建

技术载体：基于Apollo Cyber RT的分布式服务网格 ；创新价值：实现百节点级配置秒级同步，数据采集效率提升60%

核心突破与实现路径

1. 云边协同配置管理系统

基于Apollo Cyber Component规范重构服务节点，将配置下发系统拆分为ConfigMaster(中心)/ConfigAgent(边缘)双模组

研发Apollo扩展协议适配层，兼容Protobuf/JSON/YAML多格式配置模板，通过Cyber RT Service实现动态参数热加载（响应时延<200ms）

设计配置版本化回滚机制，与Apollo KV存储服务深度集成，支持10万级节点配置状态秒级同步

2.智能数据采集引擎

改造Apollo Recorder模块，开发多级缓存录制架构：

• 前置环形缓冲区（基于共享内存实现30秒数据预缓存）
• 后置持久化存储层（对接Apollo Data Pipeline实现自动分段上传）

创新研发场景触发式采集模式，通过Apollo Monitor模块动态捕获corner case事件，实现"事件前后±15秒"自动切片存储

构建数据质量评估子系统，集成Apollo数据校验规则引擎，自动过滤无效/重复/异常数据包

3.一键式编排部署体系

基于Apollo Bootstrap机制扩展集群管理功能，实现：

• 节点拓扑可视化编排（集成Apollo Dreamview拓扑编辑器）
• 资源需求预测调度（结合Prometheus监控数据动态分配计算节点）

开发Apollo Container Kit工具集，支持Docker/Kubernetes混合部署模式，启动耗时从分钟级压缩至秒级

关于TsingtaoAI

TsingtaoAI企业实训业务线专注于提供LLM、具身智能、AIGC、智算和数据科学领域的企业实训服务，通过深入业务场景的案例实战和项目式实训，帮助企业应对AI转型中的技术挑战。其实训内容涵盖AI大模型开发、Prompt工程、数据分析与模型优化等最新前沿技术，并结合实际应用场景，如智能制造、医药健康、金融科技和智能驾驶等。通过案例式学习和PBL项目训练，TsingtaoAI能够精准满足企业技术团队的学习需求，提升员工的业务能力和实战水平，实现AI技术的高效落地，为企业创新和生产力提升提供强有力的支持。

同时，TsingtaoAI公司并不是一家单纯的实训机构，我们同样是一家AI产品开发公司，公司核心团队主要也都是由技术和产品人才构成，公司团队大部分成员在大模型时代之前就在从事AI产品相关的工作。公司在过去一年里，为10余家客户开发了AI相关的产品，涵盖医疗、教育、智能制造、人力资源等领域。相信我们在AI产品开发和客户服务的过程所形成的认知和方法论，能对贵司的需求有更深更细的洞察和理解，也能提供更深入业务肌理的“AI能力获得”。