全面掌握端到端自动驾驶的核心理论，理解感知与规划的端到端融合逻辑，清晰认知自动驾驶技术发展路线与行业趋势。
01熟练掌握基于Transformer的BEV Encoder构建方法、动静态感知Decoder设计、三大端到端规划范式（Query-based/AR/Diffusion）的模型设计与训练技巧；具备端到端多任务训练方案设计、多阶段模型训练/微调、开环/闭环评测指标设计、数据清洗/分类/增强等工程能力。
02建立端到端系统优化思维，能够从“数据-模型-评测”全链路分析并解决自动驾驶技术问题，理解前沿AI技术与自动驾驶场景的融合逻辑。
03具备端到端自动驾驶核心模块的研发能力，适配车企、自动驾驶科技公司的算法工程师、研发工程师等岗位需求，为职业进阶或技术创业奠定基础。
04
谢磊
西北工业大学教授、博导
长期从事语音信息处理方面的研究。担任语音顶级期刊IEEE Trans. on Audio, Speech and Language Processing期刊编委、中文信息学会语音信息专委会副主任，中国计算机学会语音对话与听觉专业组常务委员。在包括IEEE TASLP、ICASSP、Interspeech等重要期刊和会议上发表论文160余篇，带领团队获得多项国际评测第一名和国际会议最佳论文。
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域工程实践能力。
构建并可视化DriveTransformer中用于识别、定位并预测周围动态物体（如车辆、行人）行为的模型部分，核心是理解Agent及其相关输出。
利用DriveTransformer的代码实现和可视化静态环境特征（如车道线、道路边界）的感知，了解Map如何帮助构建车辆行驶所需的在线地图信息。
聚焦DriveTransformer中的规控决策部分，即如何利用Ego及其与其他任务Query的交互来生成自车未来的安全可行轨迹，并通过可视化来评估规划的合理性。
综合性Final Project，将DriveTransformer的各个模块整合成为一个统一系统进行端到端训练，并最终在仿真环境中进行闭环测试，以全面评估模型在真实驾驶场景下的性能和鲁棒性。
构建并可视化DriveTransformer中用于识别、定位并预测周围动态物体（如车辆、行人）行为的模型部分，核心是理解Agent及其相关输出。
利用DriveTransformer的代码实现和可视化静态环境特征（如车道线、道路边界）的感知，了解Map如何帮助构建车辆行驶所需的在线地图信息。
聚焦DriveTransformer中的规控决策部分，即如何利用Ego及其与其他任务Query的交互来生成自车未来的安全可行轨迹，并通过可视化来评估规划的合理性。
综合性Final Project，将DriveTransformer的各个模块整合成为一个统一系统进行端到端训练，并最终在仿真环境中进行闭环测试，以全面评估模型在真实驾驶场景下的性能和鲁棒性。
更多信息，请添加客服咨询
