该示例为参考算法，仅作为在J6上模型部署的设计参考，非量产算法简介Diffusion-Based 模型是一类基于概率扩散过程的生成式模型，通过逐步加噪与逆向去噪实现高质量轨迹生成。Diffusion-Based 模型分为正向扩散与反向生成两个阶段：正向过程对真实数据逐步添加高斯噪声，使其最终趋近于纯噪声分布；反向过程则通过神经网络学习从噪声中逐步去除扰动，还原出符合真实分布的数据。Diffusio

简介Dense 多任务感知是在统一的稠密空间特征上，联合完成多个感知任务的模型设计。在自动驾驶中，通常将多视角图像转换到鸟瞰视角（Bird’s Eye View，BEV），得到具有统一空间坐标的特征，再通过不同任务头分别输出目标、道路结构与空间占用信息。常见应用包括：动态目标感知：车辆、行人、骑行者等目标的类别、位置、尺寸、朝向和运动信息，为预测与规划提供输入。静态障碍物感知：交通锥、隔离栏等道路

# SOTA方案--SOTA SLAVE模块设计参考..> 明确模块职责，串起升级、校验、回滚与结算。..sota_slave 负责设备侧升级执行：接管本地包，准备应用镜像和启动计划，完成启动校验、恢复与结果上报。..本文采用**独立进程 + Core／Adapter 分层 + 共享状态框架**，复用通信、异步执行与持久化工具。读者可以参考并搭建自己项目的类似模块。..## 一、模块设计..Mas

# SOTA方案--总体设计参考..> 方案概要：后台准备，启动切换，校验确认，失败回退。..应用、模型频繁迭代，系统和驱动有自己的发布节奏。对征程 6 等 Linux 车载平台，可以用 SOTA 单独管理应用更新。..本文参考方案是：**完整应用镜像 + 应用逻辑 A/B + 启动时切换**。重点关注更新对象、模块分工、生效时机和失败恢复，方便读者搭建自己的方案骨架。..## 一、总体框架..!

1. 功能概述¶Linux网络的使用是基于标准socket的，使用方法遵循socket标准即可，使用方式也比较多样，本文仅简单介绍下基于udp协议进行收发包的例子。1.1. 软件架构说明¶软件架构框图如下图所示 ：1.2. 代码位置及目录结构¶代码位置如下：$HR_TOP_DIR/test/samples/platform_samples/source/S83_Sample/S83E02_Comm

# 让 AI Agent 和 J6 台架高效、稳定、安全地协作..> 从远程执行脚本出发，设计一个结果可验证、故障可恢复、权限有边界的台架交互工具。..## 摘要..在征程 6（J6）开发中，查看状态、分析日志、下发脚本、回收结果，都是高频操作。让 AI Agent 承担这些工作，需要处理多跳连接、结果判定、任务恢复、设备隔离和权限控制。..本文复盘一次台架交互工具的设计与迭代，介绍关键问题、实现

前面的文章已经完成 YOLOv5x 的 HBM 编译、板端推理，以及 `hb_analyzer` 性能分析。这次换一个问题：**如果部署后的检测结果与浮点模型不同，差异从哪一个模型阶段开始出现？**..OpenExplorer 的 `hb_compile` 不会只留下一个 HBM。它还会保存原始浮点模型、优化后的浮点模型、校准模型、PTQ 模型和量化 BC。`hb_verifier` 可以在这些阶

前面的部署实践已经把 YOLOv5x 编译为 HBM，并完成了板端推理。这次换一个观察角度：直接对同一份 HBM 运行 `hb_analyzer`，查看模型级性能、内存与算子热点，再对比开发机静态预估和 J6E 板端采集结果。..`hb_analyzer analyze` 支持直接分析 HBM；不指定 `--ip` 时生成静态预估，指定板卡 IP 时采集板端性能。工具还提供 `visualize`

1. 为什么视觉 Token 值得重新挑选一个语言模型读一张图，并不是把整张图当成一个词。图像通常先经过视觉编码器和投影模块，变成数百个视觉 Token，再与问题文本一同进入 LLM。分辨率提高、多图像或多帧视频会让这段序列更长，后续 Transformer 每层也要处理更多位置。FastV 的出发点是：这些视觉位置并不都需要在 LLM 深层被同等保留。官方仓库通过 Attention 可视化观察

.> 一句话理解：先把图片和文本都变成向量，搜索时只需要找到方向最接近的那些向量。..上一篇《CLIP 的零样本分类：一组文本如何变成图像分类器？》中，我们把几个候选类别写成文本，再让图片与它们逐一比较：..```text.一张图片. ↓.分别与 cat、dog、car 的文本向量比较. ↓.选择相似度最高的类别.```..如果不再把候选文本限制为类别名称，而是换成任意描述，会发生什么？.

hb_videostitch_init函数原型：int32_t hb_videostitch_init(void);参数说明: NA备注：非线程安全、最大同时支持五个进程调用hb_videostitch_deinit函数原型：int32_t hb_videostitch_deinit(void);参数说明: NA备注：线程安全hb_videostitch_calc_outbuf_size函数原型：

概述¶hrut_camsys 旨在解决J6X Camsys相关的调试命令比较分散、不同芯片平台存在差异导致维护复杂等问题。其作为统一入口管理所有调试命令，支持交互式执行、快速执行、标签分类和带参数执行等功能。快速开始¶ 基本用法¶# 查看所有可选tag.hrut_camsys..# 执行特定命令.hrut_camsys ..# 通过命令编号执行.hrut_camsys ..# 查看帮助信息.hr

1. 功能概述¶本文的gpu sample简单展示了OpenCL的计算和图片处理功能1.1. 软件架构说明¶本文的sample基于gpu的libgbm api，libEGL api，libGLESv2 api（支持GLES2，GLES3.2）实现。1.2. 代码位置与目录结构¶代码路径1. 代码位置：{sdk_dir}/test/samples/platform_samples/source/S8

1. 功能概述¶本文的gpu sample简单展示了Vulkan的demo1.1. 软件架构说明¶本文的sample基于gpu的libgbm api，libEGL api，libGLESv2 api（支持GLES2，GLES3.2）实现。1.2. 代码位置与目录结构¶代码路径1. 代码位置：{sdk_dir}/test/samples/platform_samples/source/S83_Sam

分类程序跑出第一张图片时，很容易觉得工作已经完成。但把模型留在内存里连续处理以后，还有另一个问题：任务有没有逐帧释放？发生错误时，已经创建的模型、缓冲和任务怎样收尾？下一张正常图片还能不能继续运行？..前面的性能实验主要比较模型常驻与重新加载。这次我沿用同一个会话实现，增加了一份资源与恢复探针，在同一个进程内循环正常输入、制造分阶段失败、执行清理，再重新加载和运行正常输入。..首轮执行一万次正常推

1. 功能概述¶本文的gpu sample简单展示了OpenGL ES的渲染功能，几何shader，细分shader，计算shader1.1. 软件架构说明¶本文的sample基于gpu的libgbm api，libEGL api，libGLESv2 api（支持GLES2，GLES3.2）实现。1.2. 代码位置与目录结构¶代码路径1. 代码位置：{sdk_dir}/test/samples/p

# 换了件还是慢：一次 OTA 下载速度慢问题的排查复盘..> 一台车 OTA 下载只有 200 KB/s 出头，同批次的其他车能跑满限速。ICM（车机）换过，IDM（智驾域控）也换过，问题照旧。最后是 iperf3 的一次反向压测把方向定了下来——根因在硬件，而排查的价值在于把范围缩到硬件同事能直接接手的地方。..## 一、现象..去年 12 月，项目里的一台车（下称 A 车）报 OTA 下载慢

1. 功能概述¶本文的demo sample实现从用户层调用HSM中的硬件加解密引擎，完成对称算法、HASH算法、MAC算法、AEAD算法、非对称算法、密钥协商算法的计算。1.1. 软件架构说明¶按照调用的算法，将本demo分为三个部分，第一部分为hsm engine，通过调用openssl标准api，利用openssl engine机制，调用TA进入OP-TEE，OP-TEE通过IPC将请求发送

摘要：净推荐值（NPS）用一句话问题——「你有多大意愿向亲友推荐这个品牌/车型？」——映射用户忠诚与品牌增长潜力。但传统 NPS 只问「推荐的意愿」，却未评估「推荐的影响」。一个在车友群里天天吐槽的贬损者，与一个只跟家人提过一句满意的推荐者，在标准 NPS 里分数权重完全相同。对汽车这样的大宗、低频、高涉入品类，这种「平等幻觉」会系统性高估口碑水位、掩盖真实风险。面对这一问题，凯睿赛驰2026中国

# 改完代码，怎样知道 J6 图片程序没被改坏？一条回归检查命令..图片程序第一次跑出分类结果或检测框以后，往往还要继续改：调整图片处理、整理输出解码、换运行库，或者优化速度。改完程序仍然显示“运行成功”，原来正确的结果却可能已经变了。..之前的NV12实验就有这种情况：输入文件没变，只是复制到内存的方式写错，程序依然正常退出，十张图的检测框却从51个变成零个。..如果每次改代码都手动翻日志、比较