一：入圈必懂的基础黑话
1: ADAS (高级驾驶辅助系统) 自动驾驶的“学前班”，帮你踩刹车、把方向盘，但你依然得全神贯注当全职司机。
2: L0-L5 (自动驾驶分级) 行业打怪升级的段位，L0是纯人肉驾驶，L5是车里连方向盘都不需要给你的终极形态。
3: ODD (运行设计域) 自动驾驶系统能够安全运行的“结界”。出了这个设定的天气、路况或速度范围，系统就会罢工交权。
4: OEDR (目标和事件检测与响应) 系统在路上眼观六路、耳听八方的能力，以及看到障碍物后决定怎么做的综合素质。
5: DDT (动态驾驶任务) 把车开起来所需要做的所有实时操作，比如打方向、踩油门、盯着红绿灯，不包括规划明天的行程。
6: V2X (车路协同) 车与外界的“群聊”。车可以和红绿灯、其他车辆甚至行人交换信息，提前预判危险。
7: Robotaxi (自动驾驶出租车) 没有司机的网约车。目前各大自动驾驶公司最烧钱、也最想商业化落地的终极产品之一。
8: E/E架构 (电子电气架构) 汽车的神经网络和骨架。现在的趋势是从几百个小霸王游戏机（分布式MCU）变成一台超级电脑（中央计算架构）。
9: SOA (面向服务的架构) 把软件功能拆分成一个个可以独立调用的服务，让汽车也能像智能手机一样随时下载新APP和升级。
10: OTA (空中下载技术) 汽车界的“系统更新”。不用去4S店，睡一觉醒来你的车可能就学会了自动泊车。
二：汽车的眼睛与触觉 (传感器与底层)
11: LiDAR (激光雷达) 自动驾驶的3D透视眼。通过发射激光束来测量距离，能精准勾勒出周围世界的立体形状，价格昂贵但极为精准。
12: 毫米波雷达 测速达人与破雾专家。不受雨雪天气影响，能精准测出前方车辆的速度和距离，但看东西比较模糊。
13: 超声波雷达 泊车好帮手。就是我们常说的倒车雷达，测距短，但在几米内的近战防撞中必不可少。
14: 摄像头 汽车的“肉眼”。能看清红绿灯颜色和车道线，但依赖光线，晚上或者逆光时容易变成“近视眼”。
15: IMU (惯性测量单元) 汽车的半规管。在所有外部信号都丢失的隧道里，靠它感知加速度和旋转，硬算也能知道车在哪里。
16: GNSS (全球导航卫星系统) 高级版GPS。通过头顶的卫星给车辆提供绝对的经纬度坐标。
17: 算力平台 自动驾驶的大脑。把传感器收集来的海量数据进行疯狂计算的硬件核心，通常塞满了高性能芯片。
18: TOPS (每秒万亿次操作) 衡量芯片算力肌肉的单位。数字越大，说明大脑转得越快，处理复杂算法的能力越强。
19: NPU (神经网络处理器) 专门用来跑深度学习AI算法的特种部队，比传统的CPU和GPU在处理AI任务时效率更高。
20: ISP (图像信号处理器) 摄像头的专属美颜相机。负责把传感器抓取到的原始电信号变成算法能看懂的清晰图像。
三：看懂世界的智慧 (感知算法)
21: CV (计算机视觉) 教电脑如何“看”懂图像的一门学科，是自动驾驶感知模块的老祖宗。
22: 深度学习 让机器像人脑一样通过海量数据自己总结规律的技术，也是目前自动驾驶算法的绝对主力。
23: CNN (卷积神经网络) 曾经的图像处理王者。通过一层层的滤波器提取图片的特征，找出哪里是车、哪里是树。
24: Transformer 从语言模型跨界来抢地盘的AI新贵。擅长理解全局信息，目前在自动驾驶大模型中混得风生水起。
25: BEV (鸟瞰图) 上帝视角。把各个摄像头拍到的画面拼接、转换成从天上看下来的俯视图，让车辆能360度无死角理解周围。
26: Occupancy Network (占据栅格网络) 不问“这是什么”，只问“这里有没有东西”。把世界切成无数个3D小方块，用来解决奇形怪状障碍物无法识别的问题。
27: 目标检测 在画面中画框框的游戏。不仅要找出画面里的物体，还要准确标出它的位置并分类（是人还是狗）。
28: 语义分割 给图像里的每一个像素贴标签。精准区分出哪片是马路、哪片是天空、哪片是行人。
29: 实例分割 在语义分割的基础上，还能数数。不仅知道这是一群羊，还能分清哪只是喜羊羊，哪只是懒羊羊。
30: 目标追踪 给移动的物体发一个唯一的身份证号。保证上一秒看到的车和下一秒看到的车是同一个，并记录它的运动轨迹。
31: 传感器融合 兼听则明。把激光雷达的精准测距、摄像头的颜色识别和雷达的测速结合起来，拼凑出一个完美的世界模型。
32: 前融合 在传感器刚吐出最原始数据（比如像素和点云）的时候就强行揉在一起处理，对算力要求极高，但信息损失小。
33: 后融合 大家各干各的，摄像头得出结论“前面是车”，雷达得出结论“前面有金属”，最后再把结论汇总开会决定。
34: Point Cloud (点云) 激光雷达眼里的世界。由无数个带有三维坐标的微小点组成的立体数字雕塑。
35: Anchor (锚框) 目标检测算法预设的无数个大大小小的虚线框，像拿网兜去套目标，套中了再微调大小。
36: NMS (非极大值抑制) 去重神器。当算法对同一个行人画了十几个预测框时，只保留最准的那一个，其他的统统扔掉。
37: 特征提取 把复杂的图像剥丝抽茧，变成一堆只有机器能看懂的数字矩阵（特征向量）。
38: 边缘计算 不把数据传回云端机房，直接在车端的大脑里就地解决计算任务，保证极低的延迟。
39: 盲区 (Blind Spot) 传感器配置不到位或者被遮挡导致看不见的地方，是引发事故的重灾区。
40: 标定 (Calibration) 给传感器的位置和角度定规矩。确保摄像头看到的正前方和雷达扫到的正前方在物理世界上是同一个点。
四：我在哪？(定位与建图)
41: HD Map (高精度地图) 专给自动驾驶看的“作弊纸”。包含了车道线毫米级的坐标、红绿灯的高度、甚至路面坡度信息。
42: SLAM (同步定位与建图) 一边走路一边画地图的绝技。在完全陌生的环境中，车辆靠传感器自己探索并构建出周围的地图，同时知道自己在图里的哪。
43: 视觉SLAM 纯靠摄像头画面来建图和定位，计算量大，遇到纯白墙壁或者晚上容易抓瞎。
44: 激光SLAM 靠激光雷达打出的点云来建图，精度极高，也是目前测绘高精地图的主流手段。
45: 里程计 (Odometry) 靠车轮转速或者传感器数据累加来推算自己走了多远、转了多大弯。时间长了容易有累积误差。
46: RTK (实时动态差分定位) 给GPS加外挂。通过地面的基站来修正卫星定位的误差，把精度从米级硬生生拉到厘米级。
47: 绝对定位 我知道自己在地球上的精确经纬度，不管周围有什么参照物。
48: 相对定位 我不知道经纬度，但我知道我在你右后方两米处。自动驾驶中变道超车主要靠这个。
49: 闭环检测 (Loop Closure) SLAM算法的纠错本能。当车绕了一圈回到原地时，系统能认出“这地方我来过”，并借此消除之前积累的路径误差。
50: 栅格地图 把地图切成一张巨大的网格纸，黑格子是障碍物，白格子是能走的路，简单粗暴。
51: 拓扑地图 不关心具体的物理距离，只关心路口与路口之间的连接关系，像地铁线路图一样抽象。
52: 矢量地图 用数学方程式和几何线段来描述车道线和马路边界，文件极小且极度精准。
53: 特征匹配 把当前看到的画面里的特征点，去和历史地图库里的特征点连连看，连上了就知道自己在哪。
54: ICP算法 (迭代最近点) 把两坨不同时间拍到的激光点云严丝合缝地拼在一起的经典数学方法。
55: Kalman Filter (卡尔曼滤波) 定位界的玄学大师。在充满噪音的传感器数据和物理运动规律之间，找出一个最靠谱的当前状态估计值。
五：神机妙算 (预测算法)
56: 行为预测 猜心游戏。预测马路上的其他人接下来要干嘛：这辆车是要加塞还是减速？那个行人是要过马路还是后退？
57: 轨迹预测 不仅要猜意图，还要用数学曲线画出对方未来几秒内可能走出的路线。
58: 意图推断 透过现象看本质。根据旁车打了左转向灯且稍微向左压线的动作，断定它的终极目的是变道。
59: 交互感知 你的行为会影响我的行为，我的行为也会影响你。预测算法必须考虑到博弈的过程，而不是当大家都是木头人。
60: MDP (马尔可夫决策过程) 一套用来做序列决策的数学框架，假设“未来只与现在有关，与过去无关”。
61: HMM (隐马尔可夫模型) 通过能看到的表面现象（比如车速忽快忽慢），去推测看不见的隐藏状态（司机可能在玩手机）。
62: LSTM (长短期记忆网络) 一种专治“健忘症”的神经网络，非常擅长处理和时间相关的数据，以前常用来预测轨迹。
63: GNN (图神经网络) 把马路上的所有车和行人连成一张复杂的网，通过网络来分析他们之间互相产生的影响。
64: 时序分析 把过去10秒的视频一帧一帧连起来看，寻找运动的规律，而不是只看静态的一张图。
65: 冲突消解 当系统预测到未来3秒内自己的轨迹会和别人的轨迹交叉相撞时，提前采取措施避开。
六：运筹帷幄 (规划与控制)
66: 路由规划 (Global Routing) 自动驾驶的导航仪。解决的是“从北京开到上海应该走哪条高速”这种宏观级别的路线问题。
67: 行为规划 (Behavioral Planning) 自动驾驶的战术大师。根据当前路况决定是“跟车”、“变道”、“超车”还是“紧急避险”。
68: 运动规划 (Motion Planning) 精雕细琢的工匠。在决定了要变道后，计算出一条平滑、不撞车且坐着舒服的精准几何轨迹。
69: 轨迹生成 输出一连串带有时间戳的位置点，告诉底盘每一毫秒车应该出现在哪、速度是多少。
70: A*算法 经典寻路算法。在无数条通往目标的网格路径中，靠着估算成本，以最快速度找到最短的那条。
71: Dijkstra算法 A*算法的老前辈。虽然能找到绝对最短的路径，但像无头苍蝇一样向四面八方盲目探索，计算太慢。
72: RRT算法 (快速随机树) 在空间里随机撒点疯狂长树枝，只要有一根树枝碰到终点就算成功。适合在高维度的复杂空间里找路。
73: Frenet坐标系 自动驾驶专属坐标系。抛弃了死板的XY轴，改成沿着车道中心线为S轴，偏离中心线为D轴，让算法计算变道变得极简。
74: 状态机 (State Machine) 给汽车写死一堆规则剧本。满足条件A就进入“巡航状态”，满足条件B就切换到“刹车状态”，逻辑清晰但难以应对复杂世界。
75: 决策树 像做选择题一样一层层往下分叉。前方有人吗？（有/无）-> 距离小于10米吗？（是/否），最后推导出行动方案。
76: 强化学习 (RL) 训练虚拟狗子的方法。不教车具体规则，只给设定好奖励和惩罚，让算法在无数次虚拟撞车中自己学会在马路上怎么博弈。
77: Cost Function (成本函数) 评判轨迹好坏的打分表。离障碍物太近扣分，急刹车让乘客吐了扣分，偏离车道中心线扣分。总分最低的轨迹就是最优解。
78: 碰撞检测 数学上的扫雷游戏。用几何框把自己的车和障碍物包起来，疯狂计算这两个框在未来几秒会不会重叠。
79: 避障 在发现前方有路障时，瞬间重新计算一条能绕过去的轨迹，且不能冲出马路牙子。
80: 换道规划 权衡速度与安全的艺术。既要找到旁边车道的空档，又要设计出一条如丝般顺滑的切入曲线。
七：驯服钢铁巨兽 (底层控制与执行)
81: 横向控制 死死把控方向盘。主要任务是让车辆精准地行驶在规划好的那条轨迹线上，不画龙。
82: 纵向控制 掌管油门和刹车。负责让车辆保持在设定的速度，或者和前车保持安全的距离。
83: PID控制 工业界控制的万金油。通过比较“我想在的位置”和“我实际的位置”的偏差，用比例、积分、微分三种数学魔法来调整方向盘角度。
84: MPC (模型预测控制) 走一步看十步的围棋大师。不仅考虑现在的状态，还能预测未来一段时间的运动趋势，求出一个长期来看最优的控制策略。
85: LQR (线性二次型调节器) 追求极致平衡的数学工具。在保证车能开到目标的同时，还要尽量省油、并且不让方向盘打得太猛。
86: Pure Pursuit (纯跟踪算法) 用几何学开车。在前方轨迹上找一个目标点，像个死心眼一样一直计算怎么打方向盘才能追上那个点。
87: Stanley算法 斯坦福大学的成名作。专门计算前轮的偏航角和横向误差，用来在低速下极其精准地贴着车道线走。
88: 车辆运动学模型 把汽车简化成一辆自行车。只考虑速度、角度和轴距的纯几何运动规律，不考虑车有多重、轮胎滑不滑。
89: 车辆动力学模型 硬核物理学。把轮胎摩擦力、悬挂受力、空气阻力全都算进去的复杂模型，在高速过弯快要打滑时保命必用。
90: 线控底盘 (Drive-by-Wire) 干掉机械连接的钢丝和连杆。方向盘和车轮之间变成纯纯的电信号传输，自动驾驶系统才能随心所欲地控制底盘。
八：造物主的实验室 (测试与安全)
91: ISO 26262 (功能安全) 汽车界的免死金牌标准。确保系统在硬件坏掉或者软件崩溃的时候，不会变成杀人机器。
92: SOTIF (预期功能安全) 防微杜渐的进阶版。硬件没坏、软件没崩，但因为算法太笨导致在奇怪的天气里识别错了红绿灯引发危险，这也是它要解决的问题。
93: 冗余系统 汽车的双保险。主大脑死机了，副大脑立刻接管；主刹车失灵了，备用刹车顶上。花双倍的钱买一条命。
94: Shadow Mode (影子模式) 算法在你车里“静静地看着你装X”。它在后台模拟开车，但不控制车辆，如果它的决策和你的真实操作不一样，它就把数据传回总部去学习。
95: HIL (硬件在环测试) 把汽车的真实大脑拆下来插在电脑上，电脑用模拟的传感器信号骗大脑，看看大脑在各种极端场景下会不会犯错。
96: SIL (软件在环测试) 连硬件都不用了。直接把自动驾驶的代码丢到纯虚拟的仿真软件里跑，一天能在虚拟世界开几百万公里。
97: VIL (车辆在环测试) 真车在空旷的试验场里开，但戴上了“VR眼镜”，各种虚拟的障碍物和路况直接灌进车的脑子里，考验整车的真实反应。
98: 场景库 (Scenario Library) 自动驾驶的题库。包含了无数种刁钻的交通状况（比如鬼探头、加塞），算法每天都要做这些模拟试卷。
99: 数字孪生 在电脑里用代码一比一克隆出一个真实的城市路网和交通流，连每颗树的位置都一模一样，用来做究极仿真测试。
100: Corner Case (长尾效应/极端场景) 自动驾驶工程师一生的梦魇。那些发生概率极低但一旦遇到就可能出人命的奇葩场景，比如高速上跑来一只鸵鸟，或者前方有一辆拉着满车镜子的卡车。
