自动驾驶学习地图 — 一个以交互知识图谱为核心、面向博士级研究者的、中英双语的机器学习 / 强化学习 / 自动驾驶入门-进阶-前沿学习地图。
🌐 Live atlas：https://chatgpu.github.io/Autonomous-Driving-Learning-Atlas/
点击图片直达"打开 UniAD 卡片"的可分享 permalink。整张图谱 75 节点 / 122 条带类型边。
研究范式 2×2 地图：所有 spine 论文按 (modular ↔ E2E) × (data ↔ knowledge-driven) 摆位。
一个针对已具备 ML/CV 基础的自动驾驶研究者 / 博士生整理的、可交互的学习地图。它不是论文列表、不是综述、不是教程合集；它做三件事：
- 画出研究范式的全景图。 把 8 篇论文 + 3 个视频频道 + 2 门课 + 1 篇 Sutton 的短文（共 14 个 spine 节点），加上 ≈ 28 个祖师爷 / 平行 / 压缩级节点，在一张可交互的知识图谱里按 拓扑 / 时间轴 / playbook 三种视图组织起来。
- 每个节点配一张深度阅读卡片。 每张卡片包含 TL;DR · 数学锚点 · 架构直觉 · 工程实现 · 深度链接（PDF 页内锚 + 视频时间戳）· Bitter-Lesson 视角，最大程度减少"再去 Google 一遍"的成本。
- 每篇主线论文配一份可跑通的 lab。 11 个 Jupyter 笔记本，CI 每次推送都会用
Mock后端跑一遍，全绿才算"全部跑通"。涉及 LLM/VLM 的 lab 通过统一llm_provider.py抽象支持 OpenAI / Ollama / HF / Mock 四种后端。
风格定位：客观中立、专业但克制、有明确启发。每张卡片只在 Bitter-Lesson 视角 一节明确表态。
-
打开交互地图 → https://chatgpu.github.io/Autonomous-Driving-Learning-Atlas/
-
挑一条 playbook（按你已有背景）：
你的背景 推荐路径 数学好但没碰过 RL Path A — 强化学习从零 CV / 感知出身，要转 E2E AD Path B — 感知到端到端 关心能效 / 类脑 / 部署 Path C — 类脑 & 高效 AD LLM / VLM / Agent 切入 AD Path D — LLM·VLM·VLA 范式 -
跑配套 lab：
pip install -r labs/requirements.txt后打开对应 notebook。所有 lab 默认用 Mock LLM 后端离线可跑；想用真实 LLM 时把环境变量LLM_BACKEND切成openai/ollama/hf即可。
一键云端：本仓库带
.devcontainer，在 GitHub Codespaces 打开 即得到预装环境的 JupyterLab。每个 lab 顶部都有 Open in Colab 链接。
研究范式的真正难点不在"哪些论文要读"，而在"它们彼此什么关系"。本图谱把关系做成一等公民：
- prereq（先修） · covers（讲解） · extends（扩展） · parallel（平行） · contrasts（争锋） · feeds（喂入） · implements（lab 实现）
这样你能：
- 用 playbook 预设 一键看清"我这条路要走过的最短子图"；
- 用 年份滑条 把 2017→2026 的研究范式变迁播成一段 6 秒的"小电影"；
- 用 compare 模式（Shift-click 任意两节点）把两个方法的卡片并排对照；
- 用 永久链接
?node=...&tab=math&playbook=B把任意一刻的状态分享给同事。
| Tier | 角色 | 视觉权重 | 卡片深度 |
|---|---|---|---|
| Spine | 用户提供的 14 项核心资料 | 厚边框、满色 | 完整模板（9 节） |
| Tier-S | 祖师爷级 / 行业必看（Transformer、ViT、DETR、ResNet、GPT-3、PPO、DQN、DAgger、AlphaZero、BEVFormer 等） | 中厚边框 | 完整模板 |
| Tier-A | 平行创新 / 关键启发（VADv2、TransFuser、LLaVA、GAIA-1、DriveDreamer、DINOv2、SAM、Sutton-Barto、RLHF/DPO 等） | 中等边框 | 精简模板（4 节，聚焦交集） |
| Tier-B | 联系较弱但提供宏观坐标（Mamba、Diffuser、CARLA/nuScenes/NAVSIM/Bench2Drive、LINGO-2、Tesla AI Day 等） | 细边框 | 3 行 stub |
完整节点目录详见 concepts.md 与 docs/data/graph.json。
Autonomous-Driving-Learning-Atlas/
├── README.md / AGENTS.md / LICENSE / LICENSE-CC / CITATION.cff
├── docs/ # GitHub-Pages 根目录（交互站点）
│ ├── index.html · app.js · style.css
│ ├── compare.js · timeline.js
│ └── data/
│ ├── graph.json · schema.json
│ └── cards/ # 60+ 张研究卡片
├── concepts.md # ~30 个原子概念表
├── playbooks/ # Path A / B / C / D
├── labs/ # 11 个完全可跑的 Jupyter lab
│ ├── llm_provider.py # OpenAI / Ollama / HF / Mock 四后端
│ └── lab00 ... lab10
├── tools/ # graph 校验、deep-link 检查、SVG 生成
└── .github/workflows/ # Pages 部署 · graph 校验 · lab 冒烟
- 修补深度链接、补充新概念、加 lab 都欢迎，请走 PR；CI 会校验图谱完整性 & lab 可跑性。
- 在 Discussions 里提议要新增的论文或 playbook。
学术使用请参考 CITATION.cff；代码 MIT、文字 CC BY 4.0。
*本图谱建立在 14 项一手资源之上，并以"祖师爷 / 平行 / 压缩"三档扩展周围节点。每条边都试图回答一个问题：*这两件事到底什么关系？