课程核心定位 - 课程聚焦于自动驾驶领域端到端技术的量产化实战应用，旨在解决行业量产人才稀缺的问题 [1] - 课程设计历时三个月，内容涵盖从模型优化、场景优化、数据优化到下游规划兜底的全栈技能 [1] - 课程由自动驾驶之心联合工业界算法专家开设，重点为面向就业直击落地，目前仅剩35个招生名额 [3][5] 核心算法与技术内容 - 课程涉及的核心算法包括一段式端到端、两段式端到端、导航信息的量产应用、开闭环强化学习等 [3] - 技术组合涵盖扩散模型+强化学习、自回归+强化学习、时空联合规划等前沿方法 [3] - 课程最后将分享实际的量产经验，帮助学员构建完整的量产优化知识体系 [3] 讲师背景 - 讲师王路拥有C9本科和QS50 PhD学历，已发表多篇CCF-A和CCF-B论文 [6] - 现任国内顶级tier1公司算法专家，从事大模型、世界模型等前沿算法的预研和量产工作 [6] - 所研发算法已成功落地并量产，拥有丰富的端到端算法研发和实战经验 [6] 课程大纲详解 - 第一章介绍主流感知模型一体化架构和经典规控learning化方案，以及开源数据集和评测方式 [9] - 第二章讲解两段式端到端算法框架，包括建模方式、感知与PNC信息传递，并通过PLUTO算法实战 [10] - 第三章深入一段式端到端框架，涵盖基于VLA和diffusion的方法，重点学习VAD系列 [11] - 第四章专注导航信息的量产应用，包括导航地图格式、编码嵌入方式及能力发挥 [12] - 第五章从模仿学习过渡到强化学习，重点介绍RL算法及其训练策略以解决corner-case场景 [13] - 第六章进行nn planner项目实战，结合模仿学习与强化学习，重点讲解扩散模型和自回归算法 [14] - 第七章介绍时空联合规划等轨迹平滑优化算法，作为模型直出的兜底方案确保轨迹稳定可靠 [15] - 第八章从数据、模型、场景、规则多视角分享量产经验，提升系统能力边界 [16] 课程安排与学员要求 - 课程于11月30日开课，预计三个月结课，采用离线视频教学加VIP群答疑模式 [17] - 学员需自备GPU，推荐算力在4090及以上，并具备BEV感知、视觉Transformer等算法基础 [18] - 要求掌握强化学习、扩散模型理论基础，熟悉Python、PyTorch及mmdet3d算法框架 [18] - 需要一定的高等数学、线性代数和矩阵论基础，课程按周解锁章节，持续至次年2月底 [19]

端到端自动驾驶技术行业需求与挑战 - 端到端技术已成为车企量产核心招聘岗位 但市场上面向量产的真正人才极为稀缺[1] - 端到端岗位要求全栈能力 涵盖模型优化 场景优化 数据优化以及下游规划兜底等多个环节[1] - 行业当前需攻克导航信息引入 强化学习调优 轨迹建模与优化等量产一线难题[3] 端到端量产课程核心内容 - 课程设计历时三个月 聚焦从实战到落地的进阶内容[3] - 核心算法覆盖一段式端到端 两段式端到端 导航信息量产应用 开闭环强化学习 扩散模型+强化学习 自回归+强化学习 时空联合规划等[5] - 课程重点在于面向就业与直击落地 仅开放35个招生名额[5] 课程详细大纲 - 第一章：介绍感知模型一体化架构与规控学习化方案 分析任务合并与模块设计[10] - 第二章：讲解两段式框架建模 感知与PNC信息传递 优缺点 并以PLUTO算法实战[11] - 第三章：分析一段式框架优势 学习VLA VAD等基于diffusion的方法 实现信息无损传递[12] - 第四章：解析导航地图格式 内容 及其在端到端模型中的编码与嵌入方式[13] - 第五章：从模仿学习过渡到强化学习 讲解RL算法及训练策略以解决场景泛化问题[14] - 第六章：进行nn planner项目实战 结合模仿学习与强化学习 涵盖扩散模型与自回归算法[15] - 第七章：介绍时空联合规划等轨迹平滑优化算法 作为模型输出不准时的兜底方案[16] - 第八章：分享数据 模型 场景 规则等多视角的量产经验 提升系统能力边界[17] 课程师资与安排 - 讲师王路拥有C9本科及QS50 PhD背景 发表多篇CCF-A/B论文 现任国内顶级Tier1算法专家 具备大模型 世界模型等前沿算法预研与量产经验[6] - 课程面向具备BEV感知 视觉Transformer 强化学习 扩散模型 Python/PyTorch等基础的进阶学员 需自备4090及以上算力GPU[18][19] - 课程采用离线视频教学 辅以VIP群答疑及三次线上答疑 自11月30日开课 预计三个月结课 按周解锁各章节内容[20]

行业与公司概览 * 纪要涉及的行业为智能驾驶（智驾）行业，包括高级辅助驾驶（L2/L2+）和全自动驾驶（L4/Robotaxi）领域 [1] * 纪要重点讨论的第三方智驾软件供应商包括Momenta、华为、大疆（卓翼）、地平线、元戎启行 [3] 市场格局与公司能力 * Momenta在第三方智驾市场占据领先地位，份额达55%，华为占25% [1][3] * Momenta提供单Orin X和双Orin X两种方案，覆盖从比亚迪、智己到奇瑞等不同车型，展现其工程化和算法裁剪能力 [1][3] * 华为凭借强大的体验和工程化能力，支持多款车型、自研芯片及大规模路侧泛化，但其顶尖算力芯片目前主要用于ADS 4.0 Ultra版本 [3] * 大疆在低算力芯片（如TI TDA4）解决方案上工程化能力出众，但市场对低算力芯片（32 TOPS或100 TOPS以下）的需求正在转向中高算力方案 [1][4] * 地平线采用自研软硬一体化方案（如HSD及G6P系列），已在奇瑞星途车型上量产，但受限于NPU算力及迭代升级，整体效果仍需提升，需更多车型验证工程化能力 [1][6] * 元戎启行主要集中在城市NOA，基于英伟达平台开发并与长城汽车合作紧密，其算法开发能力领先但工程化能力相对较弱 [7] 技术路线与核心观点 * 当前智驾行业技术路线主要分为三类：端到端算法（代表企业有Momenta、特斯拉、极氪）、VLA模型（代表企业有理想、小鹏）以及世界模型（华为、Momenta、地平线等正在开发） [2] * 车企智驾能力差异主要由算法、数据和算力三大因素决定，短期内算法调整效果明显，长期来看数据积累是关键，高效训练依赖强大计算资源 [8][9] * 长期看，若厂商继续沿用当前技术路线（如Transformer），智驾能力差异将逐渐收敛，数据积累达到一定规模（如特斯拉的50亿英里）后会出现数据饱和效应 [10] * 在感知硬件路线上，融合感知路线（结合激光雷达）比纯视觉更具长期优势，原因包括激光雷达成本已降至200多美元、数据处理技术提升能应对复杂场景、新法规对障碍物检测提出更高要求 [12] * L2+公司向L4发展更具优势，过渡自然且资源投入较少，但挑战在于全域泛化能力和量产一致性 [1][20] 芯片架构与发展需求 * 下一代智能驾驶芯片需求包括：强大的GPU/NPU以支持VLA和世界模型等高级功能、高带宽（未来可能需要从当前290GB/s翻倍或增至1.5倍）、工艺与功耗平衡（如3纳米或5纳米）、增加内存容量 [14][15] * 不同级别自动驾驶的算力需求：L2级需5-10 TOPS，增加泊车功能需约16 TOPS；L2++（高速辅助驾驶）需30-100 TOPS；L3级需500 TOPS以上；L4级普遍认为需1,000 TOPS以上 [16] * 对于L3及以上级别，冗余设计变得重要，例如采用双Orin芯片配置以备未来升级 [16] * 智能驾驶芯片与机器人芯片平台差异不大，许多厂商借鉴共用平台以降低成本 [17] Robotaxi商业化前景 * Robotaxi市场是一个正能性市场，不完全依赖技术驱动，关键在于提高场景内车辆通行效率和减少远程接管及事故率 [18] * 实现盈亏平衡需区域扩展足够大且定价合理，主要成本来自车辆折旧（如小马智行第六代车成本高达60万人民币），可通过定制化、换电等方式降本，同时需确保价格竞争力和扩大行驶里程覆盖范围以提高收入 [19] 其他重要细节 * VLA技术对智能驾驶体验的提升主要集中在功能创新（如自动前进/后退）和对带有语义信息的环境理解能力上，提高了决策合理性和流畅性 [11] * 大多数第三方算法公司（如Momenta、元戎启行）更倾向于开发通用算法并进行跨平台适配，而非与特定芯片厂商深度绑定，软硬件耦合较深的主要是同时提供软硬件解决方案的公司（如华为、地平线） [13]

自动驾驶行业招聘与求职 - 金九银十为秋招关键期 业内tier 1公司已开始发放测试岗位offer 但部分求职者仍希望冲刺算法岗[1] - 行业招聘需求集中在感知算法、端到端自动驾驶、4D标注、多模态大模型等前沿方向[7][11][14] - 主流车企与科技公司包括理想、地平线、百度、上海人工智能实验室、蔚来、小鹏、华为车BU、大疆等均开放岗位[38] - 课程学员可获得直接推荐至算法开发负责人的机会 绕过官网投递流程[38] 自动驾驶技术发展趋势 - 端到端自动驾驶成为智驾量产核心算法 分为一段式与二段式技术方向 理想汽车已宣布E2E+VLM双系统架构量产[7] - 2024年端到端技术需融合多模态大模型、BEV感知、强化学习、视觉Transformer、扩散模型等多领域知识[8] - 4D自动标注算法需求激增 因端到端训练需时间同步后的传感器统一标注动静态元素、OCC和轨迹等[11] - 多模态大模型与自动驾驶结合成为新兴领域 学术界论文爆发 工业界融资案例快速增长[14] 专业培训课程体系 - 推出299元超级折扣卡 一年期内享受全平台课程七折优惠[4][6] - 开设端到端与VLA自动驾驶小班课 涵盖多模态大模型、BEV感知、强化学习等核心技术[7][8] - 4D自动标注算法就业小班课聚焦数据闭环算法开发与工程化落地[11][12] - 多模态大模型实战课程系统化覆盖从通用模型到端到端自动驾驶应用[14][15] - 感知系列课程包括BEV感知全栈、毫米波雷达视觉融合、激光雷达视觉融合等16个模块[16] - 规划控制与预测课程包含轨迹预测理论与实战、规划控制小班课等[18] - 模型部署课程涵盖CUDA与TensorRT部署、BEV模型部署实战[18] 硬件与科研平台 - 全栈教研平台黑武士001支持全流程开发[4][43] - 足式/强化学习科研平台TRON1针对进阶研究[4][43] - 四足机械狗+机械臂科研平台整合运动控制与操作[4][43] - 桌面级机械臂科研平台适用于轻量级实验[4][43] - 数采夹爪提供单臂与双臂方案 支持数据采集任务[4][43] 学习与交流机制 - 每门课程配备专属VIP交流群 主讲老师每日群内交流并定期直播答疑[26] - 重点解决小白常踩坑问题、工程常见问题及后续研究方向[26] - 实际讨论内容涵盖模型微调（如Florence2）、TensorRT部署、多模态数据标注等实操问题[28][29][32] 工程实践与挑战 - 车端部署需满足低于100毫秒响应时间的理想目标 复杂场景要求成功率99.9%以上[34] - 转向角误差需小于1度（理想目标）或2度（可接受范围）[34] - 加速制动误差需小于0.1 m/s²（理想目标）或0.2 m/s²（可接受范围）[34] - 传感器升级（如相机200万→800万像素）可能需重构数据集与模型重新训练[36] - 多传感器联合标定采用在线标定与优化结合方式 依赖高精地图投影验证精度[36]

核心观点 - 主动安全已成为智能电动车技术竞赛的新焦点 公司通过重写主动安全架构和代码 实现每日迭代更新 以重新进入主动安全第一梯队[2] - 公司采用纯视觉方案 通过端到端+NGP架构提升主动安全性能 实现130公里/时全速域AEB和行业唯一的低附着路面AES功能[4][7][19] - 团队通过设立急战室和每日迭代的开发模式 在半年内完成主动安全系统升级 以应对市场竞争和用户对安全功能的需求[15][16][13] 技术突破 - AEB系统覆盖0-150公里/时全速域 针对静止障碍物在130公里/时高速下实现两段式刹停 先以0.6-0.7G减速度提醒 再以1G减速度紧急制动[4] - 冰雪AES功能通过单边制动技术 在80-130公里时速范围内实现紧急转向避让 解决低附着系数路面（低于0.3）的车辆控制问题[7][8] - 视觉摄像头采用24Hz帧率 响应速度达主流激光雷达的2倍 端到端模型延时降低一半[19] 开发过程 - 组建跨部门团队（智驾+底盘）进行技术融合 通过实车测试验证单边制动等创新方案[9][10] - 在广州和上海设立急战室 实行每日版本迭代和每周例会机制 确保开发进度和质量控制[15][16] - 使用累计的庞大数据库（含标签数据）进行模型训练 道路测试超60万公里 并辅以云端仿真测试[20] 行业背景 - 行业从基础AEB功能转向高速/夜间/极端天气等复杂场景的性能竞争 AEB成为衡量智能辅助驾驶能力的新标尺[3] - 端到端算法应用趋于成熟 可提升场景识别准确率和驾驶行为拟人化 公司采用该架构重写AEB代码[18][19] - 纯视觉与多传感器融合路线存在争议 但公司通过纯视觉方案实现主动安全性能提升[12][19] 战略意义 - 主动安全被列为公司"五大战役"之一 获得高层直接关注和资源倾斜 包括算力分配和人员调配[13][17] - 技术显性化需求增强 需通过突破性功能（如冰雪AES）强化智能驾驶标签 应对行业竞争压力[14] - 优先解决高频高严重度场景（如车辆/行人/施工障碍） 终极目标为实现零碰撞的全场景覆盖[21][22]

端到端与VLA自动驾驶技术发展 - 端到端自动驾驶技术涉及多模态大模型、BEV感知、强化学习、视觉Transformer、扩散模型等多个领域技术栈 [32] - 技术发展从模块化方法演进至端到端范式 包括一段式、二段式和VLA范式 [36] - VLA（视觉语言动作）成为当前端到端自动驾驶的皇冠技术 上限高且业内招聘需求旺盛 [46] Transformer与大语言模型基础 - Transformer架构核心是注意力机制和多头注意力 通过基础模块堆叠形成Encoder和Decoder [11][13] - Token化采用BPE、Word-Piece等方法 通过合并高频字符实现压缩 [9][13] - 位置编码使用正弦和余弦函数 使模型记住词序且位置偏移量与当前位置呈线性关系 [9][13] 视觉与语言模型对齐技术 - CLIP是视觉与大模型对齐的广为认知的技术 为多模态大模型奠定基础 [18] - 视觉Transformer扩展了Transformer的基本概念 成为多模态模型重要组成部分 [43] - LLAVA等模型进一步推进了视觉语言模型的发展 [43] 课程内容体系设计 - 第一章介绍端到端算法发展历史、范式优缺点及学术界工业界动态 [36] - 第二章重点讲解大语言模型、BEV感知、扩散模型、强化学习等背景知识 [37][43] - 第三章分析二段式端到端 涵盖经典算法PLUTO、CVPR'25的CarPlanner和最新Plan-R1 [38] - 第四章深入一段式端到端子领域：基于感知的UniAD、基于世界模型的Drive-OccWorld、基于扩散模型的DiffusionDrive及基于VLA的ORION [39][41][44][46] - 第五章设置RLHF微调大作业 实现从理论到实践的完整闭环 [48] 技术人才市场需求 - VLA/VLM大模型算法专家岗位薪资达40-70K-15薪 要求3-5年经验硕士学历 [29] - VLA/VLM/LLM算法工程师薪资40-70K-15薪 不限经验但要求深度学习机器学习背景 [29] - VIA模型量化部署工程师薪资40-60K-15薪 要求1-3年经验及模型加速技能 [29] 课程特色与优势 - 采用Just-in-Time Learning理念 通过通俗语言和案例快速掌握核心技术栈 [33] - 帮助学员梳理研究发展脉络 形成自己的研究体系和工作经验 [34] - 配备实战环节包括Diffusion Planner和ORION开源推理评测模块 [44][46] - 学员结课后可达1年左右端到端自动驾驶算法工程师水平 [53] 讲师资质与课程安排 - 讲师Jason为C9本科+QS50 PHD 发表CCF-A论文2篇 现任TOP主机厂算法专家 [24][49] - 课程8月15日开课 预计三个月结课 采用离线视频教学+vip群答疑模式 [52] - 章节解锁时间安排：第一章8月01日、第二章8月15日、第三章8月30日、第四章9月15日、第五章10月30日 [53]

财务业绩 - 2025年上半年收入242.5亿元，同比增长174% [1] - 毛利率达14.1%，创半年度历史新高，较2024年同期1.1%提升13个百分点 [1][6] - 股东净利润0.3亿元，经调整后股东净利润3.3亿元，成为第二家实现半年度盈利的中国造车新势力企业 [1][6] - 经营活动现金净额28.6亿元，在手资金达295.8亿元 [6] - 第二季度净利润1.63亿元，超出美银证券预期，较招银国际预期高出1.15亿元 [1] 销量表现 - 2025年上半年总交付量约22.2万辆，同比增长155.7%，位居中国新势力品牌交付量榜首 [1] - 2025年7月交付量达50129辆，连续5个月位居中国新势力品牌销量榜首，是2025年以来唯一月交付超5万辆的新势力品牌 [4] - 截至2025年8月，C10连续3个月稳居新势力中型SUV销量榜首，C16连续8周稳居20万内中大型SUV销量第一 [4] - 2025年1-7月出口量达24980辆，位居新势力出口榜首，7月欧洲单月订单超4000台创历史新高 [9][14] 产品战略 - 采取高端化策略，上半年单车价格同比上升76%，行业罕见 [5] - B系列4月上市车型B10次月交付破万，7月上市车型B01上市72小时订单超1万台 [4] - C系列长期霸榜销量榜单，B系列和C系列驱动销量持续突破 [4] - 全域自研技术LEAP3.5架构实现舱驾一体，12万级SUV B10搭载端到端辅助驾驶、激光雷达和高通8650芯片，续航达650公里 [7][8] 市场地位与投资者信心 - 取代理想成为新势力"零理小"格局领导者 [5] - 市值一度突破千亿港元，业绩发布次日股价涨幅7.63% [1] - 2025年市值升幅高达125%，港股通持股比例从4.8%提升至6.74% [14] - 美银证券、小摩及中金等多家投行上调目标价，平均目标价超90港元，较现价高出22.7% [14] 全球化布局 - 在欧洲、中东、非洲和亚太等约30国建立超600家销售服务网点，其中欧洲超550家 [14] - 计划2026年底前建立欧洲本土化生产基地 [14]

财务表现 - 2025年上半年实现净利润人民币0.3亿元 经调整净利润人民币3.3亿元 成为中国造车新势力中第二家半年度盈利企业[1] - 上半年营业收入达242.5亿元 同比增长174% 毛利率为14.1% 但二季度实际毛利率不足14%[1] - 下半年毛利率目标维持14%-15% 全年整车毛利率预计约12% 年度净利润指引上调至5-10亿元[2] 销量与交付 - 上半年交付新车22.17万辆 同比增长155.7% 居中国新势力品牌销冠[1] - 全年销量目标上调至58-65万辆 原目标50-60万辆 2026年计划挑战100万辆销售目标[2] - 前七月累计销量27.18万辆 未来5个月需完成30万辆销售 月均目标6万辆[2] 资金与产能 - 截至上半年在手资金达295.8亿元[1] - 计划2026年底前建立欧洲本土化生产基地 优化全球成本结构[2] 技术研发 - 基于端到端算法的城市通勤领航辅助功能实现量产上车[1] - 下半年加大端到端和VLA技术研发 年底前实现城市NOA组合辅助驾驶能力[1] 战略合作 - 与中国一汽签署战略合作备忘录 开展新能源乘用车联合开发及零部件合作[2] - 首个合作开发车型项目已落地 双方正探讨深化资本合作可行性[2] 海外拓展 - 前七月出口量达24980辆 欧洲市场表现突出[2] - 海外市场成为第二增长曲线 全球市场布局持续推进[2]

行业趋势分析 - 自动驾驶规划控制岗位从传统逻辑兜底转向规则算法与端到端结合的技术路线[2] - 端到端和VLA（Vision-Language-Action）量产趋势正在挤压传统规划控制生存空间[2] - 2025年端到端技术进一步落地但传统规控在L4高安全性场景仍占主导地位[4] 岗位能力要求 - 基础能力需覆盖横纵联合/解耦框架、搜索/采样/运动学规划算法[4] - 差异化竞争力体现在不确定环境下的Contingency Planning和博弈式交互规划能力[4] - 端到端技术（一段式/二段式）、VLM/VLA与大模型结合成为必备技能[4][29] 课程核心价值 - 覆盖经典规控方案与端到端融合落地方案，包含2个可直接写入简历的工程项目[7][13] - 通过博弈交互式规划和防御式规划等头部公司重点研究方向提升竞争力[24][26] - 学完对标2-3年算法工程师经验，前两期学员入职华为/百度/蔚小理等企业[8][10] 课程体系设计 - 基础算法模块：搜索/采样/优化/深度学习等规划算法对比与应用场景选择[20] - 决策规划框架：路径-速度解耦、时空联合及数据驱动框架构建[21][22] - 端到端专项：分析VLM/VLA技术优势与局限性，探讨数据驱动收益最大化[29] - 面试闭环服务：简历修改+模拟面试+公司推荐，直击华为等大厂招聘标准[31][36] 技术落地方向 - 防御式规划（Contingency Planning）解决感知/定位/社会车意图不确定性[24] - 博弈论模型实现自车与他车轨迹联合优化，突破传统预测-规划链路局限[26] - 端到端系统与传统规控融合方案成为量产落地关键突破点[4][29] 教学资源配置 - 采用C++/Python双语言开发，代码开源并提供容器运行环境[15][17] - 直播+录播形式授课，配备VIP群答疑及3个月内持续服务[12][17] - 赠送《规划控制理论&实战课程》并配套500元简历修改服务[36]

行业技术趋势 - 端到端自动驾驶技术正快速冲击传统规控方法 其场景泛化能力和数据驱动特性显著优于基于规则的系统 [2] - 传统规控依赖人工编写规则(PID/LQR/MPC等算法) 优势在于可解释性强但难以覆盖所有场景 [2] - 端到端方案直接从传感器映射控制指令 减少模块化架构的信息损失 实现全局优化 [4] 技术方案对比 端到端方案 - 优势：降低系统复杂性 通过数据学习人类驾驶风格 支持全流程联合优化 [4] - 劣势：决策过程黑箱化 需海量训练数据 极端场景依赖规则兜底 [4] 传统PNC方案 - 优势：模块功能明确 已知场景稳定性高 适合高安全需求场景 [5] - 劣势：多模块协同开发成本高 复杂场景规则覆盖有限 依赖高精地图 [5] 技术融合方向 - 行业实践表明端到端与PNC呈互补关系 如华为ADAS3.0采用传统规控作为安全冗余 [6] - 传统规控工程师转型需结合端到端技术 复合型人才更具竞争力 [7] 人才需求现状 规控算法工程师 - 岗位职责覆盖城区/高速/停车场等多场景决策规划算法开发 需掌握MPC/PID等经典算法 [10] - 任职要求硕士以上学历 熟悉强化学习算法 有Apollo等开源项目经验者优先 [10] - 薪资范围40k-100k/月 工作地集中在北京/上海 [10] 端到端工程师 - 核心任务包括VLA模型构建、训练数据集优化及闭环评测系统研发 [12] - 薪资30k-80k/月 工作地分布在深圳/上海 [12] 视觉算法专家 - 技术要求涵盖轻图感知、占据格网络研发及视觉大模型应用开发 [18] - 优先考虑有顶会论文或算法竞赛获奖经历者 薪资40k-80k/月 [17][18]