# 地平线征程5域控试用报告：从零搭建激光雷达3D感知...---..## 一、背景与目标..评估地平线征程5域控制器在自动驾驶激光雷达感知场景下的开发体验与推理能力。核心目标：**从零搭建一条 16 线激光雷达 3D 目标检测的完整工程链**，包括数据收发、模型部署、BPU 推理、后处理解码与精度验证。..技术路线：VLP-16 协议 UDP 数据流 → 点云解包与累积 → 体素化预处理 → C

1. 问题现象：模型能跑，但落不了地在项目支持过程中，一个非常典型但高频的问题是：模型在 PC 侧验证一切正常，但在地平线工具链编译阶段直接失败。典型表现：ONNXRuntime 推理 ✅ 正常TensorRT 推理 ✅ 正常hb_compile ❌ 失败（算子不支持）进一步分析后，基本都能定位到一个共性问题：👉 ONNX 模型中存在 自定义算子（Custom Operator）2. 不要误判：

（三）Open Explorer什么是OEOE是Open Explorer的缩写简称，中文名为天工开物（以下简称OE），它是基于地平线自研计算平台打造的全生命周期开发平台， 主要包括模型编译优化工具集、算法仓库和应用开发SDK三大功能模块。基于这三大功能模块开发的应用参考解决方案，为智能驾驶、智能物联网等行业方案提供了案例支撑。1. 模型编译优化工具集：聚焦于智能业务场景，包括完成算法模型转换与编

今天要介绍的是世界模型X-World，这是一篇小鹏汽车GWM（Generative World Model：生成式世界模型）团队发表的技术报告。该技术方向包括多相机世界模型、端到端驾驶等对行业具有战略意义！https://arxiv.org/html/2603.19979v1X-World简要来说是一个大规模、可控的自动驾驶仿真器。但它并不是简单的贴图，而是基于多相机生成式世界模型，能精准模拟不同

# 衡量模型轻量性的指标..## 1. 引言..在讨论神经网络模型轻量化时，人们常常会直接使用“轻”“小”“适合部署”这类描述性表述。然而，这类判断如果缺乏明确的衡量标准，就容易停留在经验层面，难以形成统一、可比较的分析框架。对于同一个模型，有的人可能认为它已经足够轻量，有的人则可能认为它依然偏重，根本原因就在于“轻量”本身不是一个抽象的标签，而是一个需要通过具体指标加以刻画的技术概念。..从模型

自动驾驶技术的演进过程，本质上是人类试图赋予机器理解物理世界几何结构能力的过程。在过去很长一段时间里，感知系统高度依赖于对特定目标的分类与识别，这种方式虽然在简单的道路环境下卓成效，但在面对复杂多变的现实世界时，却暴露出明显的局限性。如果感知系统在训练集中见过某种标准的轿车或行人，它就能在道路上精准地将其标注出来。然而，当系统遇到那些从未见过的、形状奇特的障碍物时，基于目标的识别算法就会陷入迷茫。

请问使用J6M Sample-codec中/app/multimedia_demo/codec_demo/sample_venc_vdec中的例子，在设置intra_refresh时出现错误，错误码为: -268435450，表示Operation is not allowed，是什么原因，怎么解决！调用hb_mm_mc_set_intra_refresh_config的位置放在hb_mm_mc_

# Horizon 模型多 Batch 配置..---..## 一、基础概念..在 Horizon 模型转换与部署中，涉及三个关键参数：`input_shape`、`input_batch`、`separate_batch`。理解这三个参数的作用与限制，是正确配置模型的前提。..---..### 1. input_shape..`input_shape` 定义模型输入张量的维度，格式为 `N x

自动驾驶全链路（感知、定位、规划、控制）的核心是空间位置与运动状态的精准描述，依赖一套层级清晰的坐标系体系，不同坐标系承担差异化核心职能，按全链路核心度、工程使用优先级排序如下：★★★★★ 车体坐标系（Vehicle Coordinate System, VCS/Body Frame）全链路核心枢纽，自动驾驶最重要的基准坐标系标准定义：严格遵循ISO 8855道路车辆国际标准，行业主流工程定义为：

作者 | 自动驾驶之心团队编辑 | 自动驾驶之心2026年3月16日，圣何塞，座无虚席。450+赞助商、1000场 session、2000位演讲者 ——G TC 2026 的信息密度，大概是普通行业峰会的十倍不止。如果你只把 GTC 2026 看成一场 AI 行业大会，那大概率会低估它。 因为这次 GTC 的自动驾驶分会场，更像一次关于 “下一代自动驾驶到底该怎么做” 的集体摊牌。端到端时代，自

# 地平线 J6 部署 YOLO26：从 INT64 Div 算子约束到 Cast 修复全流程..> 本文记录了在地平线 RDK J6 平台（Nash-E 架构）上部署 YOLO26 检测模型时，遇到的 INT64 类型 Div 算子 BPU 不支持问题，以及从定位到修复的完整过程，适合有一定 ONNX 和地平线部署基础的读者参考。..---..## 一、YOLO26 的结构与创新..YOLO26

自动驾驶里的多传感器融合，本质是把不同来源的信息拼在一起，让系统对环境的理解更完整。摄像头提供颜色和语义，激光雷达提供三维结构，毫米波雷达提供距离和速度，这些信息如果分开用，很容易出现盲区，而融合之后就可以相互补充。在这些融合方式里，前融合是最“靠前”的一种，它不是等模型理解完再合，而是直接从原始数据开始处理。什么叫“前融合”？前融合通常指数据级融合，也就是在传感器刚输出数据时就开始整合，而不是等

# 【模型轻量化专题】深度学习模型为什么需要轻量化..## 1. 引言..近年来，深度学习技术在图像分类、目标检测、实例分割、语音识别和自然语言处理等任务中取得了显著进展。随着研究的不断深入，神经网络模型的结构越来越复杂，层数不断加深，参数规模持续增长，模型精度也在不断提升。从研究角度看，更大的模型通常意味着更强的特征表达能力和更高的任务性能；但从工程应用角度看，模型规模的不断扩张也带来了越来越明

自动驾驶领域从来不缺“颠覆性”的概念。从早年的DNN取代传统CV，到BEV+Transformer的鸟瞰统一，再到如今行业里言必称的“端到端”，以及最近开始冒头的“VLA”。相信每个行业内人都能深刻感觉到，算法架构的每一次迭代，本质上都是工程师在“系统复杂度”与“性能上限”之间寻找平衡点的挣扎。行业内最经典的三种技术分别是：传统模块化（Modular）、端到端（End-to-End）、以及视觉语言

在人工智能从数字空间向物理世界跨越的进程中，自动驾驶和具身智能是现阶段较为瞩目的实现形式。从广义上讲，自动驾驶汽车可以被视为一种特殊的、带轮子的具身智能体，但两者在技术实现的底层逻辑、对大模型的需求以及运行环境的约束上，存在着显著的差异。自动驾驶专注于在高度结构化的交通规则下实现高效且极度安全的移动，而具身智能则试图在更广泛、更复杂的非结构化环境中，赋予机器像人类一样感知、推理及操纵物体的能力。物

（一）Horizon Journey 5 Evaluation and Development Kit 开箱及内容物开箱本次测评的是Horizon Journey 5 Evaluation and Development Kit。Horizon Journey 5 Evaluation and Development Kit 产品外包装为开盖印刷纸箱。箱内共包含两层，首层为电源适配器、各类线束等配

1. 激光雷达数据获取与解析UDP 接收模块 ：- 端口配置 ：监听 UDP 端口 （Helios-32 标准端口）- 数据包大小 ：支持 1206 字节的标准 Helios-32 数据包- 接收缓冲区 ：8192 字节，确保能完整接收数据包2.BPU 模型加载与推理模型文件 ：- 路径 ： /userdata/test/model.hbm- 类型 ：Horizon 打包模型（.hbm）- 模型

在自动驾驶行业，一个常见的认知误区是：只要不断提升感知精度，系统就会变得更安全。然而现实是，即使感知准确率达到99.9%，车辆依然可能发生事故。这揭示了自动驾驶安全的核心困境——系统级安全的缺失。真正的风险往往不在于感知本身，而在于模块间的耦合缺口。当感知完美识别出一个突然出现的行人，但预测模块误判了其运动意图，或规控模块选择了过于激进的避让策略，悲剧依然可能发生。这就是典型的“木桶效应”：任何一

当我们看一张照片时，可以通过肉眼自然地判断照片中的物体远近，这种对于空间和距离的感知，对于人类来说是本能，是从幼儿时期开始就形成的一种能力。对于自动驾驶汽车来说，为了能更好地辨别路况，也需要类似的能力。什么是深度估计？自动驾驶汽车必须理解环境中物体距离它有多远，需要能快速辨别前面是行人还是车？那个车到底是在十米开外还是一两百米远？深度估计就是让机器从感知到的图像或传感器数据中估计出物体到自身的距离

算法通过了，系统挂了。这是自动驾驶测试里最扎心的一种失败。一、22ms延迟案例：为什么SIL发现不了真实ECU的系统问题深夜十一点，测试室的灯还亮着。工程师盯着屏幕，闭环SIL（Software-in-the-Loop，软件在环仿真）已经跑了5000个场景，通过率100%。他从椅子上站起来，伸了个懒腰，心里有点飘——这套感知规划算法，在仿真世界里已经无懈可击了。第二天，他把代码烧进真实ECU（El