每日阅读

Bazel——Sandboxing

2021-05-22T00:00:00+08:00

Sandboxing

🐣restricting file system access

🐣constructs an execroot/ directory for each action

🐣execroot/ contains all input files to the action

Reasons for sandboxing

🐣not know if a tool uses undeclared input files

🐣incorrect reuse of cache entries creates problems during remote caching

🐣closely related to remote execution

sandboxfs

🐣a FUSE file system

🐣exposes an arbitrary view of the underlying file system

Debugging

Deactivated namespaces

On some platforms user namespaces are deactivated by default due to security concerns.

Rule execution failures

Detailed debugging for build failures

If your build failed, use --verbose_failures and --sandbox_debug to make Bazel show the exact command.

阅读原文

一文搞懂Raft算法

2021-05-21T00:00:00+08:00

概览

Raft 是工程上使用较为广泛的 强一致性、去中心化、高可用的分布式协议。

Raft 协议是一种 leader-based的共识算法，与之相应的是 leaderless 的共识算法。

☁☁☁

Leader Election

一个节点任一时刻处于以下三个状态之一：

leader
follower
candidate

每个 leader 工作一段时间，然后选出新的 leader 继续负责，每一届新的履职期称之为一届任期（term）。

任期是递增的，充当了逻辑时钟的作用。

☁

如果 follower 在 election timeout 内没有收到来自 leader 的心跳，则会主动 发起选举：

增加节点本地的 current term ，切换到candidate状态
投自己一票
并行给其他节点发送 RequestVote RPCs
等待其他节点的回复

情况 1️⃣：收到majority的投票（含自己的一票），则赢得选举，成为 leader；

情况 2️⃣：被告知别人已当选，那么自行 切换到 follower；

情况 3️⃣：保持 candidate。

引入 randomized election timeouts 来尽量避免平票情况。

节点的数目是 奇数个，尽量保证 majority 的出现。

阅读原文

拜登「喊话」背后丨决战汽车电动化：中美争锋，殃及德日

2021-05-20T00:00:00+08:00

美国

美国总统拜登近日在 福特工厂 参观时公开“点名”中国：

电动汽车是汽车工业的未来。而现在，中国却在这场竞赛中保持领先。

美国绝对不会允许中国赢！

此前，拜登政府曾发布了一项 2万亿 美元的基建计划，其中划出 1740亿 美元支持美国的电动汽车产业。

2020年的美国电动化率为 2.2%，而同期中国和欧洲的电动化率分别为 5.4% 和 7.7%。

🌲🌲🌲

中国

中国拥有世界上最大、增长最快的电动汽车市场。目前 80% 的电动汽车电池由中国制造，在德国和 墨西哥 都设有生产链，并着眼于向美国市场出口。

2020年，中国已经建成 80万 座公共充电站，是美国公共充电站数量的8倍。

国务院规划，到2025年我国新能源汽车新车销量占汽车新车总销量的 20% 左右。

🌲🌲🌲

德国

2019年整体产能为 466万 辆汽车，同比 下降47万 辆。

宝马

在各类驱动系统上发力：燃机、插电混动、纯电动和氢燃料电池；

每年 200万 台左右的销量让它无力同时专注四大系统；

对生产平台进行了改造，无论哪种驱动系统，都能使用相同的生产线；

在技术和设计上妥协，纯电动车始终差强人意而且成本更高。

戴姆勒

针对驱动系统和宝马有着相同的战略；

较高的 负债率，不得不缩减成本：

要裁掉近 3万名员工
关掉一些卡车工厂
卖掉共享出行业务
取消与宝马合作的自动驾驶项目
暂停与博世合作的自动驾驶业务

吉利握有戴姆勒近 10% 股权，可能会进一步提升股比。

大众

有清晰 纯电战略；

电动战略核心是 MEB平台，愿意授权给其它厂商；

在 电池技术 上投资巨大；

借助销量上的议价权来降低成本，首座纯电动车工厂已经在上海就位；

债务总量 1920亿 美元。

🌲🌲🌲

日本

2019年的日本新能源汽车销量总计为 3.8 万辆；

充电桩建设主要依赖政府补贴，在今年3月底充电桩数量仅为 3万个。

阅读原文

印度调查报告

2021-05-16T00:00:00+08:00

厕所和神牛

2018年的政府官方数据是 44% 的农村人口在野外排便。

无论在哪里，都见到无数的牛群。这些牛都是有主人的，撞到的话大概要赔 1000-1500元 人民币，而且保险不理赔。

农业

印度现在单季一亩产量 250 公斤 ，中国在袁隆平时单季亩产 900 多公斤。

印度有 1.6-1.7 亿 公顷可耕地，中国有 1.2-1.3 亿 公顷可耕地，印度还 一年三熟，中国一般 一年两熟。世界银行2017年数据，中国粮食产量全球最高为 6.179 亿吨，美国排第二为 4 .4 亿吨，印度第三为 3.316 亿吨。

印度农业落后的主要原因是因为 工业化与水利、农机落后。

这个村有4000名村民，只有一半的人有地，有人拥有200-300英亩地（约1200-1800亩地），普通人家一般只有2-3英亩地。这些有很多田地的人，最后都成了政客。

全世界土地私有制一定会发生这样的事，土地一定会发生兼并现象，大地主会在基层将经济和政治权力进行双重绑定。

贫民窟

孟买有全亚洲最大的 达拉维贫民窟。贫民窟已经形成了自己的 内循环，有一整套完整的系统，包括各式各样的 作坊、小工厂、学校、诊所。

贫民窟的人在这里的小作坊上班，挣着 1000元 人民币左右的工资。贫民窟里的学费是 1400元 人民币一年，贫民窟外的学校是 3500元 一年。

印度政府确实在执行15岁以下 免费教育制度，但是政府根本给不起钱。

贫民窟是印度经济的创可贴，是 失地流民们的生存底线。

交通、住房、医疗

火车跑得特别慢，最快的也只有 50-80公里 每小时，乘坐8小时的火车，只需要 30元 人民币。不仅没有门，还没有空调，没有空调是乘客们主要要求的，因为这样可以降低票价。

市内火车其实也不怎么查票，算是对穷人的一种福利。

住房贵得飞起，孟买房价是 6485美元/平（2018年数据）。住的酒店附近是10多万人民币每平。

孟买有完善的 公立医疗系统，如果是简单的手术，医院费用全免，如果是复杂的手术，病人还是要自己负责材料费、药品费。

公立医院 效率奇低，普通病人看病要等半个月以上。

种姓制度

公元前1200年，雅利安人 自北而来，花了600年灭了古印度文明，为了能千秋万代统治印度，雅利安人发明了种姓。

最上层是 婆罗门，负责宗教神学，主要是雅利安人担任；

第二层是 刹帝利，负责军队、政府类工作；

第三层是吠舍，普通的商人、教师、平民什么的普通岗位都在这一层；

第四层是 首陀罗，一般是仆人一类的工作；

四层以下还有一层叫 “不可触摸的人“，就是贱民 达利特人。

为保护种姓制度的谋杀案件，统称为 ”荣誉谋杀“。每年有 5000名 女性因为种姓荣誉问题，被各种男性亲属杀害。

印度政府在法律上已经废除了种姓制度，种姓只是印度民间的文化共识。种姓制度在年轻人与城市里已经没有那么严重。

为了获取选票，各个政客都需要团结自己所在的种姓。民主制度与种姓制度在印度结合，产生了 “身份政治” 这个概念。

贪污

印度政府的贪腐已经到了公开的地步，但一般都是 小拿小要。

各邦分治

GST税制说简单点，就跟中国国税、地税分开是一个道理。

GST税制不仅保证了中央政府能收到更多的钱，还让印度混乱的各邦分治的税务情况得到了改善。

印度如果要经济发展起来，必须要发展两大体系，一个是 工业化，一个是 房地产。两大产业的完成，必须建立在 基础建设之上的。

直到2019年，印度的高速公路也只有 1500公里，中国是 14万公里 世界第一。

而印度的 66000公里 的铁路里程是英国人从1853年到1929年 东印度公司 最先铺下的，到现在总里程居然没变过。

印度各邦还有自己的语言和文字。

印度的很多学校课本是英文的。

印度骨子里最大的问题，是 中央集权太弱。

视频版

文字版（上）

文字版（下）

华为入局「造车」始末：结盟、较量、历史自觉

2021-05-13T00:00:00+08:00

华为的国产汽车朋友圈

北汽

极狐阿尔法 S 华为 HI 版搭载了 华为 ADS 高阶自动驾驶全栈解决方案（包括 华为高算力智能驾驶计算平台 MDC 810 + 华为激光雷达），同时在车机上搭载了 鸿蒙 OS 操作系统 和 麒麟 990A 芯片，并且在动力层面采用了 华为的 AI 闪充动力域高压平台解决方案，可以说是一款充满华为元素的电动车。

长安

长安与华为目前已经达成的合作：

长安正在论证使用 华为云，来增加其车联网云服务的稳定性；
人工智能服务，比如说 语音识别；
自动驾驶训练、仿真。

首款高端汽车品牌车型预计将于今年底发布，在 座舱、底盘、电驱、电池、电控 等都在深度使用华为的方案。

广汽

联合打造一款 L4 级的无人驾驶汽车，2024 年投产。

赛力斯

重庆 小康股份 旗下的新能源汽车品牌，负责人为小康股份创始人张兴海的公子 张正萍。

小康股份 2016 年在美国硅谷成立了 SF Motors，并且聘请了特斯拉联合创始人 Martin Eberhard 为汽车顾问。

后来 SF Motors 在美国遭遇困境，小康股份把新能源汽车业务重心转回国内，在 2019 年 4 月发布第一款 SUV 车型 赛力斯 SF5，售价 33.9 万， 2020 年 7 月开始交付，2020 年全年仅卖出 1051 辆。

小康股份在 2019 年 2 月就与华为达成全面合作。在上海车展上发布了 赛力斯华为智选 SF5，它搭载了 华为 DriveONE 三合一电驱系统，HUAWEI HiCar、HUAWEI Sound 等；华为还参与到了这款汽车的 外观设计与质量把控，但更重要的是，这款车型还可以 在华为的终端渠道进行销售。

中国传统汽车产业的十年跋涉

2009 年，上汽通用汽车正式引入了 OnStar 车载信息服务系统，这一动作被认为是在国内开启了车联网应用的前瞻探索，由此这一年也被认为是车联网元年。

阿里和上汽合作并推出了 斑马网络 智能系统，但是双方同样在进行针对车联网数据及技术和资源的争夺，甚至陷入内斗中。

长安非常重视 用户数据的安全和归属权 问题。这也是长安为何在上汽与阿里巴巴合作后不愿意再进入的原因所在。

2016 年，长安选择与华为合作打造第一款 T-BOX，双方已经签订协议，结果华为在做到一半之后，就单方面毁掉合同，并裁撤了整个 T-BOX 团队，华为为何始乱终弃，至今是未解之谜。

中国汽车产业在芯片、材料方面也有很多问题，有很多零部件依旧 依赖进口；甚至包括在整车厂生产车间里的 机器人，还是全部依赖从国外的工业机器人企业进口，比如说 发那科、库卡、ABB 等。

2020 年 1 月，长安汽车、中国一汽和东风汽车 三大汽车国企，与代表南京市政府的南京江宁经开科技发展有限公司，四方各出 40 亿共同发起设立了 T3 科技平台公司（又名中汽创智科技有限公司），意在通过自主研发与投资并购相结合的方式，获取 电动平台及先进底盘控制、氢燃料动力、智能驾驶及中央计算 三大领域技术。

在已经预判华为有可能造车的情况下，长安之愿意跟华为合作，原因有两个方面：

通过与华为的合作，车企的一些新产品可以做到行业首发，从而提高品牌声量；
双方的合作，在帮助华为打磨团队的同时，其实也打磨了车企自己的团队，而在两边业务重合的情况下，华为的存在也对自己的团队形成竞争和压力，比如说车型项目总监会去核算采用自由零部件和华为零部件的成本，谁成本低用谁的，这就是所谓 鲶鱼效应。

为什么是华为？

博世在内的 Tier1 对于中国本土车厂形成自己的研发创新能力是有防备之心的。

中国已经承诺将在 2022 年将取消外资股比限制，外资可以独立在中国建厂，对于中国传统的汽车工业来说，时间越来越紧迫，压力也越来越大。

当前的国际形势越来越严峻，尤其是 中美关系的挑战，使得整个中国汽车产业在核心零部件上也面临着被断供和卡脖子的风险，比如说芯片。

在整个行业走向智能化、网联化的大背景下，汽车在 联网控制系统、卫星定位系统 都涉及到 国家安全 的问题，甚至要考虑防范战争和核武器的威胁问题。

变革中的中国汽车工业要拥有自己的 Tier1 成为一种从上到下的自然选择。

做一家 Tier1 既需要长期投入，也需要有研发积累。

华为进入到汽车行业最大的优势在于，它有 足够的资本 投入到研发中去，而且是持续有钱；这样华为才有可能进入到正循环的模式，也就说投入大量的资金去做研发，用先进的技术推出前沿产品，带来高额利润后再投入到下一代领先的产品和技术。

华为的担当和历史自觉

华为造不造车不是能力问题，而是一个商业权衡问题，取决于华为的选择。

Tier1 路径华为更擅长

华为向来推崇 高举高打，一直以来的运作模式是 大投入、重研发、标准化、高产出 的模式，这已经突破了一般中国企业的模式，接近欧美企业的操作方法。

华为选择做供应商其实会更赚钱，可以给多个中国车企品牌供货，而且相对安全。

造车涉及环节太多，投入成本巨大，在任何一个环节，都可能 被美国和西方国家卡脖子，届时风险和不确定性太大。

国家希望华为作为基础平台

国家希望华为作为基础平台，赋能国内各车企。

徐直军在 2021 华为分析师大会上的回答中表示：从 2012 年到现在，华为跟中国所有汽车品牌的董事长、总裁，以及德国、日本的汽车企业高层都进行了沟通，发现 汽车产业界更需要华为的，不是华为这个品牌，而是华为的 ICT 能力，来帮助他们造面向未来的车。

阅读原文

苏州豪米波雷达白杰：未来属于4D毫米波雷达点云

2021-05-12T00:00:00+08:00

多传感器数据融合的层次与结构

传感器处理层次

数据
特征
决策

局部传感器数据处理结构

集中式

把传感器所有信息送到 域控制器 当中处理。

优点是数据处理的精度高；

缺点是大量数据易造成通信负载过大，对控制器处理的性能要求高。

分布式

每个传感器会将自身目标观测结果在本地进行相关 目标检测与跟踪 处理，送入域控制器的是已经完成多目标跟踪的 局部航迹 信息。

优点是对通信带宽的需求低、计算速度快；

缺点是跟踪的精度远没有集中式高。

混合式

兼具集中式和分布式结构的优点，弥补了两者的不足。

空间匹配

需要进行多个传感器坐标系之间的转换，包括 世界坐标系，需要知道 大地坐标系 还有 车辆坐标系。

在传感器坐标系当中，主要是 图像坐标系、雷达坐标系，还有 激光雷达坐标系。

以相机和毫米波雷达为例，主要是需要标定 相机的内参和外参矩阵。

时钟同步

硬件同步

主要是设置一个硬件多线程触发，例如毫米波雷达和图像处理数据传输的频率或是采样频率不同，雷达采样频率一般要低于视频数据。那么，可以通过雷达检测后，以 硬件触发 方式来获得图像信息。这个方案更适用于以下情况，即 雷达相机一体化 的低成本方案，当然硬件方面比较复杂。

软件同步

目前常用的方案，大部分可以用GPS加入一个 时间戳，如毫米波雷达和相机，采集的数据都有GPS时间戳，后面根据最近匹配或通过差值方法进行 数据补偿，常用的有线性差值、拉格朗日差值法。

相机和雷达融合的经典方法

决策级/目标级融合与数据关联

由传感器分别在控制器中完成目标检测，得到 目标位置信息 和 分类信息 列表，之后统一进行 数据关联，再进行感知结果的汇总，通过决策判断多个信息，获得一个目标的 最佳位置结果。

基于雷达生成图像感兴趣区域

首先把雷达和图像传感器进行标定，之后把 雷达数据结果投影到相机 中，生成一个 ROI，然后图像在ROI区域中进行 目标检测。新方法可直接找到感兴趣的区域，图像只在这个框内进行目标识别和分类，好处是 节省时间。

二维毫米波雷达 在各大互联网厂商应用中并不十分普遍，大部分是作为 前方预警 的附加功能。

如传感器可以检测到或没有检测到，但是上一时刻是存在的，我们认为是 暂时的量测丢失，但是这个目标并不一定会丢失，所以我们进行了补偿，通过加入一个 衰减函数，针对标签进行补偿。

相机与雷达融合的前沿方法

将图片传入到 CenterNet 特征提取网络中，通过深度学习，得到目标的 热力图、宽高、估计深度、物体 实际中心 离热力点偏移情况、旋转等信息。

对雷达点云信息进行 支柱扩张 预处理，再通过视锥的关联方法，将雷达点云与相机目标关联起来。雷达能很好的测出目标的深度、速度信息，并有 信噪比、雷达散射面积 等特征，将雷达特征与图片特征结合起来。

把新的特征图放于深度学习中，得到最后融合后的目标检测结果。

整个传感器由一个毫米波雷达和 双目相机 组成。双目相机是为了提供更准确的位置估计和3D检测。

未来属于4D毫米波雷达

4D成像雷达可以输出 带有高度的目标点云，反映出目标的轮廓外形，与激光雷达的点云成像的原理不同，仅仅从毫米比雷达的点云并无法准确判断一个目标的外形等特征，但是其点云的 散射特征 具备一定规律。

其机器学习目标分类算法吸取了点云的几个特征：多普勒速度、点云强度分布，与距离有关的关联特征 等。在分类算法数据集中的测试对于行人达 95% 以上，特别是大型车辆分类达到了 99%。

阅读原文

印度：无药可医贫

2021-04-28T00:00:00+08:00

根据世界银行的估算，2015年，全球共有 7.36亿 极端贫困人口（日收入低于 1.9美元），其中印度有 1.76亿，约占24%。

印度正在进行一场大规模的减贫运动。直到2018年，其极端贫困人口已减少到1亿以下。

疫情带来了衰退。2020/21财年，印度经济预计 下滑8%，为近60年来最低增速。

皮尤研究中心估计，由于疫情，印度的极端贫困人口从 6000万 增加至 1.34亿，

4月21日，印度新增确诊病例 31.48万人。此后六天，印度单日新增病例都在30万以上。

中国疫情之初，医用口罩生产企业只 330多家，日产量只有 800万只。

两个月后，医用口罩生产企业变成了7 80多家，日产能突破 1亿只。

一年之后，医用口罩生产企业变成了 3000多家，口罩日产量高达 55亿只。

中国800台制氧机从香港运至德里，本周还将运去1000台。各国的援助也在不断运往印度，同时仍有印度公司正从中国采购制氧机。

印度中央政府计划在新德里建设8座变压吸附制氧工厂，但因新德里政府不发放许可而被拖延。新德里首席部长Arvind Kejriwal随后回应，中央政府完全是虚假陈述，以掩饰其在制氧工厂建设上的失败。印度确实是一个我们不太能理解的国家，中央政府居然要跟地方政府互相甩锅。

但与其说这一切是思维、信仰、意志的问题，我更愿意将其理解为 能力的差别。

中国的制造业增加值是印度的接近十倍，名义数值领先20多年。

阅读原文

惊艳背后的问号 ——关于华为自动驾驶系统的首次亮相

2021-04-27T00:00:00+08:00

交通灯

推测：每个红绿灯的位置和高度在 HDmap 中有标定值，根据视觉捕捉的红绿黄信号进行UI上的填充处理。

第一次无保护左转

在国内的这种无保护左转的通行条件下，如果倾向保守的安全性，那就会造成 局部拥堵、被后车鸣笛催促等小范围的交通混乱。华为这个 抵近式——刹停——再贴着直行车尾左转 的动作，看似激进，实则必要。

Tesla 的 FSD基本都是 等停——通过 的机制，通过路口的效率很慢。

Waymo 的 Robotaxi 服务还有 规避左转 的规划政策，一个左转可抵达的目的地，会导致绕路执行四个右转。

Lidar助力下可以在 低时延 内获取 高置信度 的路口车流状态和测量结果，针对“他车”的状态预测很快而且比较准确，包括他车的 位置、速度、加速度、指向 和基于此的 未来轨迹预测。

第二次无保护左转

十字路口通常是 大范围的正方形区域，无地面标识线，自动驾驶的难点区域之一。

Tesla FSD 是 优选前车跟随，直到可以视觉捕捉目标方向上的目标车道，再做微调。

华为应该是借助 高精地图 和 高精定位（融合定位），可以准确进入目标车道。

直行被左转车辆干扰

主车作为直行车辆在有优先权的前提下，在受到转弯车辆威胁之后，大脚刹车后，立刻在威胁解除之后恢复到正常速度。

通过机动车、非机动车、行人干扰路段

对于国内普遍存在的开放社区路段，难点体现在：

对向机动车辆不遵守道路中心线分割原则而借道行驶
主车也有需要借道的需求
路旁泊车侵占非机动车道，导致非机动车驶入机动车道，并有大量的横穿现象
行人横穿马路无规则

机器最重要的是在 感知能力过关 的基础上，执行 快速和高置信度的预测动作。

阅读原文

瑕不掩瑜，应对于华为技术寄予厚望（1） ——关于华为自动驾驶系统的夜间表现

2021-04-27T00:00:00+08:00

路口区间内执行变道

车辆自动驾驶决策的输出，不应该是建立在对于交通规则的破坏基础之上的。

Tesla 的 Autopilot 是尽可能采用 数据驱动 的 NN神经网络结构 方式来构造自动驾驶控制链条上的每一个模块。

决策阶段的细节上的处理，是每个 厂家自己的判断和理解，以及和 执法机构、立法机构 的互动结果。

中控UI显示问题

UI给出的场景和驾驶员肉眼观测到的外部场景精准重合，这是 培养人类对于机器信心 的重要前提之一。

变道过程中遇到后车挑战

极狐阿尔法 S 的 Lidar 设备集中在车头前端，在暗光条件下的换道操作，必须依赖 侧视和后视摄像头 的联合工作。

阅读原文

Git 版本及版本范围表示法

2021-04-21T00:00:00+08:00

指定版本

<sha1>

git describe 命令输出

<refname>

符号引用，例如 master 通常代表 refs/heads/master。

@

HEAD

<refname>@{<date>}

如 master@{yesterday}、HEAD@{5 minutes ago}

<refname>@{<n>}

该引用之前的第 n 个值，如 master@{1} 代表 master 之前的值

@{-<n>}

之前第 n 次检出的分支或者提交

<rev>^

直接父提交，^<n> 代表第 n 个父提交

<rev>~<n>

第 n 个祖先提交

:/<text>

提交信息匹配正则表达式的最近一次提交

指定范围

<rev>

rev 的所有祖先

^<rev>

不包含从 rev 可以追踪到的提交

<rev1>..<rev2>

包含从 rev2 可以追踪到的所有提交，但是不包含从 rev1 可以追踪到的提交。

<rev1>…<rev2>

包含从 rev1 或者 rev2 可以追踪到的提交，但是不包含从两者都可以追踪到的提交

<rev>^@

代表 rev 所有的父提交，但是不包含它自己

<rev>^!

阅读原文

每日阅读

Bazel——Sandboxing

Sandboxing

Reasons for sandboxing

sandboxfs

Debugging

Deactivated namespaces

Rule execution failures

Detailed debugging for build failures

一文搞懂Raft算法

概览

Leader Election

拜登「喊话」背后丨决战汽车电动化：中美争锋，殃及德日

美国

中国

德国

宝马

戴姆勒

大众

日本

印度调查报告​

厕所和神牛

农业

贫民窟

交通、住房、医疗

种姓制度

贪污

各邦分治

华为入局 「造车」始末：结盟、较量、历史自觉​

华为的国产汽车朋友圈

北汽

长安

广汽

赛力斯

中国传统汽车产业的十年跋涉

为什么是华为？

华为的担当和历史自觉

Tier1 路径华为更擅长

国家希望华为作为基础平台

苏州豪米波雷达白杰：未来属于4D毫米波雷达点云​

多传感器数据融合的层次与结构

传感器处理层次

局部传感器数据处理结构

集中式

分布式

混合式

空间匹配

时钟同步

硬件同步

软件同步

相机和雷达融合的经典方法

决策级/目标级融合与数据关联

基于雷达生成图像感兴趣区域

相机与雷达融合的前沿方法

未来属于4D毫米波雷达

印度：无药可医贫​

惊艳背后的问号 ——关于华为自动驾驶系统的首次亮相

交通灯

第一次无保护左转

第二次无保护左转

直行被左转车辆干扰

通过机动车、非机动车、行人干扰路段

瑕不掩瑜，应对于华为技术寄予厚望（1） ——关于华为自动驾驶系统的夜间表现

路口区间内执行变道

中控UI显示问题

变道过程中遇到后车挑战

Git 版本及版本范围表示法

指定版本

<sha1>

git describe 命令输出

<refname>

@

<refname>@{<date>}

<refname>@{<n>}

@{-<n>}

<rev>^

<rev>~<n>

:/<text>

指定范围

<rev>

印度调查报告

华为入局「造车」始末：结盟、较量、历史自觉

苏州豪米波雷达白杰：未来属于4D毫米波雷达点云

印度：无药可医贫