.> 本文主要来源网络资料整理学习，如有错漏，欢迎评论交流...## 1. 引言..AI Agent 正在智能座舱中加速实现规模化量产。然而，车载环境对 AI 提出了极为苛刻的要求：资源受限的硬件、毫秒级实时响应、高安全可靠性，以及“千人千面”的个性化体验。..通用基座大模型虽然能力强大，但缺乏车载场景的领域知识，也无法记忆特定用户的习惯与偏好。传统的全参数微调面临两大困境：显存消耗巨大——BF1

随着自动驾驶、机器人、无人叉车、智慧交通、港口自动化、矿山无人运输和安防周界感知的发展，激光雷达正在越来越多地部署到真实环境中。过去，一个系统可能只安装一台激光雷达；现在，一个机器人可能装多台激光雷达，一辆无人车可能装多颗激光雷达，一个路口可能部署多套激光感知设备，一个园区可能同时运行多台无人车、巡检机器人和智能设备。这就带来一个问题：当多台激光雷达同时工作时，它们会不会互相干扰？答案是：会。尤其

COMPACT-VA：自动驾驶长上下文，不是记得越多越好作者 | Zhixuan Liang、Yuxiao Chen、Yurong You、Peter Karkus、Wenhao Ding、Boyi Li、Alexander Popov、Yan Wang、Maximilian Igl、Yiming Li、Danfei Xu、Nikolai Smolyanskiy、Boris Ivanovic、Pi

大家好，我是橙子，本章主要介绍，开发过程中关于主车前方目标车辆的生成在Carla中，要在任何时刻准确生成一辆静止的车辆在主车前方，检测主车是否在算法控制下稳定停下来，首先需要的是获取主车的位置，知道主车在哪，其次是通过主车的位置进行偏移一定距离生成目标车辆，这个距离不宜太近，太近的话，由于计算延时和主车本身存在速度，会在生成时刻，主车突然检测到目标车辆无法及时制动，导致发生碰撞。1.获取主车的位置

大家好，我是橙子，本章主要介绍，开发过程中关于视角切换的代码,由于仿真过程中，我们需要变换视角观测车辆动态表现，所以我想的是通过GUI选择视角类型，切换不同视角，并使视角跟车行驶。1.视角切换功能实现我采用是使用QT的 QComboBox控件，添加不同类型的视角，通过对控件值得返回判断切换不同得视角代码功能解析该代码片段实现了一个视角切换功能，通过View_Select下拉菜单选择不同视角（前视、

大家好，我是橙子，本节为补发之前遗漏的章节，主要介绍场景构建工具的GUI设计环境配置方法，许多同学常常直接通过AI生GUI,，但是AI设计的结果往往不够理想或者对话了N轮仍无法达到自己想要的结果，建议先通过成熟工具QT可视化搭建框架，将框架生成代码，再通过AI来持续优化，本文分享的是在PyCharm中接入QT,并通过QT的Python库直接调用QT设计的GUI来实现功能，也可以将QT设计的GUI转

对于智驾系统工程师而言，智能驾驶绝非简单的算法堆叠与硬件拼接，而是一套多模块高度耦合、全链路实时协同、安全冗余闭环的复杂车载智能系统。一套可落地、可量产的智能驾驶系统，能够模拟人类驾驶员的完整操作逻辑：通过传感器感知环境、依托算法决策判断、通过整车执行动作，同时搭配安全防护、人机交互、云端协同体系，适配复杂多变的道路交通场景。FUTURE TECHNOLOGY感知定位层：筑牢环境认知基础感知定位层

# 引言..对于使用地平线J6各平台的用户而言，QAT量化感知训练是模型量化部署流程中重要的环节，同时也是量化调优的难点之一。在QAT训练过程中，受模型结构、量化配置、训练超参、硬件特性适配等多因素影响，可能出现训练Loss不收敛、前向反向过程存在NAN/INF异常值、量化精度指标相比校准阶段回退或无法通过QAT训练使指标达标等各类异常问题。....本文作为前序J6平台QAT精度调优教程的补充，总

> 声明：本文主要参考开源资料进行学习整理，如有错漏，欢迎评论交流~..本文主要介绍时序模型在使用 `horizon_plugin_profiler.QuantAnalysis` 进行量化调试时的原理以及具体示例。..## 1. **时序模型分类**..时序模型根据状态传递方式分为两类：..|类型|定义方式|特点|.|---|---|---|.|**显式时序**|`forward(x, pre_

自动驾驶是不断迭代的，早期自动驾驶依赖工程师发现问题、标注数据、调整模型，一辆无人车在路上的一次犹豫、一次误判，需要工程师事后调取日志、逐帧分析，才能定位问题所在。但当车队规模从几百辆扩展到几千辆甚至上万辆时，这种人工驱动的迭代方式必然会出现效率瓶颈。2026年4月，小马智行发布了PonyWorld世界模型2.0，那它的表现到底如何？小马智行的智驾技术取得了什么发展？小马智行PonyWorld 2

> 声明：本文主要基于公开资源学习整理，如有错漏，欢迎评论交流~...## 1. reset_scale 的作用..> 源码位于 `horizon_plugin_pytorch/quantization/observer_v2.py`。..校准完成后，每个 HistogramObserver 实例已累积了直方图数据并算出了 scale。但如果默认搜索策略（如 mse）的精度不满足预期，想换一种策略

25TOPS，这是2014年第一代Autopilot硬件Mobileye EyeQ3的算力水平。十年之后，特斯拉下一代FSD计算平台AI5的算力飙到了2000 TOPS～2500TOPS，算力提升的背后，不仅仅是晶体管数量在堆叠，更是芯片设计理念在重构。2024年6月，马斯克在社交媒体上宣布，原本预计命名为HW5.0的第五代车载计算平台，正式更名为AI5，2025年6月，AI5正式进入量产阶段，由

卡车和乘用车自动驾驶虽然在技术路径上共享了一部分底层逻辑，但由于应用环境及使用场景的巨大差异，两者在技术实现上其实走的是两条完全不同的路线。那卡车和乘用车自动驾驶技术上有何不同？为什么卡车需要在一公里外就开始观察？感知距离是卡车与乘用车在传感器层面最显著的区别，对于自重约两吨的乘用车，在时速100公里的情况下，紧急制动距离在40米左右，加上系统反应时间，两百米的感知范围已经绰绰有余。但一辆满载后达

## 1. 写在前面..J6E/M Matrix 板卡是面向 J6 系列芯片开发、调试和部署验证的开发平台。对于第一次接触 Matrix 板卡的同学来说，最关键的不是马上跑模型，而是先把板卡的**供电、散热、网络、串口调试链路**正确连接起来，保证板卡可以稳定上电、正常启动，并能通过网络或串口进入系统。..本文作为 J6E/M Matrix 板卡使用系列的第一篇，主要介绍三件事：..1. Matr

> 本文基于开源内容进行学习整理，如有错漏，欢迎评论交流~..### 背景..J6M 开发板要求量化感知训练与板端推理采用同一模型，流程连贯。本文基于 `plugin_basic/run_pipeline/fx_mode.py` 示例完成 QAT 量化编译，再使用 `ucp_tutorial/dnn/basic_samples/code/00_quick_start/resnet_rgb/src/

# 深度可分离卷积：轻量化网络设计的经典方法..## 1. 引言..在上一篇文章中，我们已经分析了标准卷积为什么会成为卷积神经网络中的主要复杂度来源。其根本原因在于，标准卷积将空间特征提取和通道信息融合绑定在一次高成本操作中完成：每个输出通道都要与全部输入通道相连，同时卷积核还要在整张特征图上反复滑动。这样虽然保证了较强的表达能力，但也带来了较高的参数量和 FLOPs。..轻量化卷积的目标，并不是

# 从标准卷积到轻量化卷积..## 1. 引言..在前两篇文章中，我们已经分别讨论了神经网络模型为什么需要轻量化，以及如何从参数量、模型大小、FLOPs 和推理时延等指标去衡量一个模型是否轻量。沿着这条思路继续往下分析，一个很自然的问题就是：模型为什么会重？..对于卷积神经网络而言，这个问题的答案往往首先指向卷积层。卷积层是 CNN 中最核心的计算单元，它承担了绝大多数特征提取任务，也通常贡献了模

2026年4月底，特斯拉开始向北美用户推送FSD V14.3。这个版本在技术层面做了很多改动，其将车辆控制环节最后的30多万行手写C++代码全部移除，改由神经网络直接输出驾驶指令。与此配套的还有编译器重写、模型规模大幅提升，以及时空记忆能力首次落地等。今天就详细和大家聊一聊特斯拉的FSD V14.3。图片源自：网络端到端的最后一块拼图，是怎么做到的？其实从V12开始，特斯拉就将感知和路径规划这两个

地平线征程6M（J6M）采用“四芯合一”超异构架构，将控制算法部署在片内集成的MCU安全岛、其余算法部署在SOC域，核心是两类算法的核心需求与硬件特性匹配，同时满足车规功能安全、硬实时性、系统冗余与算力效率的硬性要求，具体原因如下：一、车规功能安全与合规的硬性约束这是架构划分的核心前提。车辆控制算法（横向/纵向控制、制动/转向执行器控制、故障安全处理）属于智能驾驶最高安全等级的安全关键任务，直接关

高阶辅助驾驶一旦实质依赖视觉系统，问题就不再是“某个模块好不好用”，而是视频链路、网络带宽、中央算力、降级边界与整车工程目标共同作用后的系统结果很多人讨论辅助驾驶时，习惯把体验差异直接归因到“某个摄像头不好”“某个模块不行”或“某套方案水平高低”。但从整车工程角度看，只要系统已经实质依赖视觉输入，视频系统就不再是单一部件问题，而是摄像头数量、链路拓扑、带宽预算、中央计算平台、故障降级策略，以及OE