我国首颗能源工程专用卫星“电建一号”成功发射
近日，我国航天与能源基建领域传来一则重磅消息：首颗能源工程专用卫星“电建一号”成功发射，顺利进入预定轨道。这标志着我国在重大基础设施的“天基监测”能力上，迈出了关键一步。 这颗卫星由中国电力建设集团有限公司所属的成都院牵头，联合中国地质大学（武汉）及天仪空间科技股份有限公司共同打造。它的特别之处在于
近日，我国航天与能源基建领域传来一则重磅消息：首颗能源工程专用卫星“电建一号”成功发射，顺利进入预定轨道。这标志着我国在重大基础设施的“天基监测”能力上，迈出了关键一步。
这颗卫星由中国电力建设集团有限公司所属的成都院牵头，联合中国地质大学（武汉）及天仪空间科技股份有限公司共同打造。它的特别之处在于，这是国内能源基建行业首颗专用的X波段合成孔径雷达（SAR）卫星。简单来说，它填补了该领域专用卫星的空白，意味着从卫星研制到数据应用的全链条核心技术，我们已经实现了自主可控。
那么，这颗卫星到底有多厉害？它搭载了先进的平板式相控阵雷达系统，拥有多种成像模式。其最高分辨率优于0.5米，最大扫描幅宽可达数十公里。更重要的是，借助重复轨道干涉测量技术，它能实现毫米级的地表形变监测。这意味着，无论是云雾还是雨雪，它都能全天候、全天时地穿透观测，为地面工程提供高精度影像。
这些能力将直接应用于国家重大工程的全生命周期管理。想象一下，对于遍布全国的大型水电枢纽、水利设施、交通网络和新能源基地，卫星可以从太空进行大范围扫描，精准识别潜在的滑坡、崩塌或地面沉降隐患。同时，对于大坝、高边坡、隧道、桥梁这些关键构筑物，它能进行非接触、连续性的面状监测，从而构建起一个“天空地内水”（即卫星、低空、地面、深地、水下）一体化的智能感知体系。这无疑为工程安全上了一道前所未有的“太空保险”。
技术突破远不止于此。为了满足特定任务需求，研发团队在整星设计上实现了多项创新：通过机、电、热的一体化集成设计，成功将卫星重量控制在300公斤级；同时，采用创新的轨道设计方法，实现了200米级别的高精度轨道重访控制。这项技术是确保合成孔径雷达干涉测量（InSAR）成功应用的核心，直接关系到形变监测数据的可靠性。
“电建一号”的成功只是一个开始。根据规划，它将与后续正在研制的“电建二号”低轨微波链路测雨卫星等系列卫星协同工作，共同构建一个覆盖能源工程勘察、设计、施工、运营全生命周期的空间信息支持系统。未来，从规划选址到长期运营，中国的基础设施建设将拥有一双更加智慧、敏锐的“天空之眼”。
2026年上半年，组合驾驶辅助功能新车渗透率达70%，30万级智驾配置加速下探至10万级市场。埃安N60上市两月销量破万，在10-15万级纯电SUV激光雷达智驾细分市场占据73.3%份额，其全系标配128项配置，以L4级同源算法实现高阶智驾平权。
福瑞泰克宣布全球首发量产8T8R边缘架构4D成像毫米波雷达FVR60，与英飞凌合作，探测距离达350米，水平角分辨率0.9°，俯仰角分辨率1.2%，各项指标全面超越国标。后续还将推出卫星雷达及超大天线阵列产品。
在自动驾驶步入攻坚阶段的2026年，算力竞赛已逐渐走向平台化与标准化，产业竞争的焦点正悄然转向感知能力的维度跃迁。据内部消息人士透露，鸿蒙智行即将启动一轮关键性技术升级，其中最具突破性的亮点，当属全新一代激光雷达的正式登场。事实上，激光雷达性能的跨越式进步具有深远战略价值。当部分车企仍在纯视觉方案与多传感器融合路径之间反复权衡时，业内普遍研判，鸿蒙智行正通过强化底层感知硬件，为全场景高阶智能驾驶打造更牢靠的三维物理世界建模根基。有接近项目的消息源进一步指出，这项有望重新定义行业技术边界的前沿成果，或将率先
一个可以自动分析PDF、网页、海报、Excel图表内容的大模型，对于打工人来说简直不要太方便。上海AILab，香港中文大学等研究机构提出的InternLM-XComposer2-4KHD（简写为IXC2-4KHD）模型让这成为了现实。相比于其他多模态大模型不超过1500x1500的分辨率限制，该工作将多模态大模型的最大输入图像提升到超过4K（3840x1600）分辨率，并支持任意长宽比和336像素～4K动态分辨率变化。发布三天，该模型就登顶HuggingFace视觉问答模型热度榜单第一。轻松拿捏4K图像理
写在前面&&笔者的个人理解在自动驾驶领域，一辆自动驾驶汽车通常配备多种传感器，例如激光雷达传感器用于采集点云数据，相机传感器用于采集图像数据等。由于激光雷达传感器能够更准确地获取待检测物体的几何和位置信息，因此基于点云的感知算法模型得以迅速迭代和发展。目前，基于点云的感知算法主要分为以下两大类一类是基于Voxel-based的感知算法，如经典的SECOND、VoxelNet等算法。Voxel-based的算法模型首先会将输入的点云数据转换成3D的体素结构表示，然后利用3D的卷积算法模型实现后续的特征提取，
论文思路：maskedautoencoding已经成为文本、图像和最近的点云的Transformer模型的一个成功的预训练范例。原始的汽车数据集适合进行自监督的预训练，因为与3D目标检测(OD)等任务的标注相比，它们的收集成本通常较低。然而，针对点云的maskedautoencoders的开发仅仅集中在合成和室内数据上。因此，现有的方法已经将它们的表示和模型定制为小而稠密的点云，具有均匀的点密度。在这项工作中，本文研究了在汽车设置中对点云进行的maskedautoencoding，这些点云是稀疏的，并且在
导读：随着现代科技的不断发展，雷达信号处理技术得到日益广泛的应用。Java作为目前最流行的编程语言之一，被广泛用于雷达信号处理算法的实现，本文就介绍一下Java实现的雷达信号处理技术。一、雷达信号处理技术简介雷达信号处理技术可以说是雷达系统发展的核心和灵魂，是实现雷达系统自动化、数字化的关键技术。雷达信号处理技术包含波形处理、滤波处理、脉冲压缩、自适应波束形
目前常见的激光点云分割算法有基于平面拟合的方法和基于激光点云数据特点的方法两类。具体如下：点云地面分割算法01基于平面拟合的方法-GroundPlaneFitting算法思想：一种简单的处理方法就是沿着x方向（车头的方向）将空间分割成若干个子平面，然后对每个子平面使用地面平面拟合算法（GPF）从而得到能够处理陡坡的地面分割方法。该方法是在单帧点云中拟合全局平面，在点云数量较多时效果较好，点云稀疏时极易带来漏检和误检，比如16线激光雷达。算法伪代码：伪代码算法流程是对于给定的点云P,分割的最终结果
激光雷达在自动驾驶应用中主要用来探测道路上的障碍物信息，把数据和信号传递给自动驾驶的大脑，再做出相应的驾驶动作，但室外常见的干扰因素如雨、雾、雪、粉尘、高低温等对激光雷达的识别造成了极大的影响。因此，激光雷达投入实际应用前需要在雨、雾、光、尘等特殊环境中进行大量的测试。在自然环境条件下，所需要的测试场景可遇不可求且无法复现，无法满足激光雷达大量真实环境测试的需求。在此基础上，国家智能网联汽车（长沙）测试区即将打造完成雨、雾、光、尘等典型测试场景，也是目前国内唯一同时具备雨、雾、光、尘等场景的测试区，可满足
特斯拉前人工智能总监，新晋AI网红老师AndrejKarpathy近日参加了MIT人工智能专家LexFridman的播客节目。对于人工智能爱好者来说，这次访谈可谓是「双厨狂喜」。将近三个半小时的访谈中，两人谈论了人工智能、宇宙、人类社会等宏大命题，还具体讨论了特斯拉的多项技术，如自动驾驶、Optimus人形机器人、和特斯拉视觉方案。此外，两人还聊到了观众最关心的Andrej的离职，以及特斯拉取消超声波雷达的原因。不用雷达：贵还难使！特斯拉去年从传感器套件中删除了毫米波雷达，刚刚又宣布要移除所有超声波雷
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
