最近刷智驾新闻，两个词频繁“打架”：VLA 和世界模型。有人站VLA，说它是端到端的终极答案；有人挺世界模型，认为这才是通往自动驾驶的必经之路。评论区更是吵得不可开交，仿佛车企分成了两个对立阵营。但说实话，这很可能是一场误会。VLA 和世界模型，根本不是“二选一”的单选题。 它们是两个不同层次、不同分工的技术，而且现在主流玩家已经在悄悄把它们揉在一起用了。01 先搞清概念：一个是“大脑”，一个是“

摘要随着高阶自动驾驶技术的量产落地与研发迭代，仿真测试已从辅助验证工具升级为自动驾驶全生命周期研发的核心基础设施，是解决实车测试成本高、极端场景覆盖难、功能安全与预期功能安全合规要求的核心手段。本文系统梳理了当前自动驾驶仿真测试的核心架构、主流技术体系、工程落地范式与行业标准，重点阐述了高保真多传感器仿真、自动化场景生成、云原生闭环测试、仿真置信度量化等前沿关键技术，分析了当前行业面临的核心挑战与

> 声明：本文来自网络资源学习整理，如有错漏，欢迎评论交流~..# 1. 语义检索定义.语义检索模型，是把感知结果从“固定类别 + 数值输出”，升级为“可被文本/概念查询的语义空间”，用于完成目标定位、场景理解、记忆对齐和风险检索的能力模块。..以智驾中语义检索为例，传统智驾感知是：.```.检测 / 分割 / OCC.→ 固定类别（car / ped / lane / drivable）.→ 几

（五）YOLOv5性能评估静态性能验证cd /data/horizon_j5/model_output..hb_perf yolov5n-det.bin..2026-05-19 09:57:25,892 INFO log will be stored in /data/horizon_j5/model_output/hb_perf.log..2026-05-19 09:57:25,899 INFO

上文已经完成了wsl，ubuntu22.04和docker环境的安装进入wsl ubuntu之后进入解压的文件夹目录下运行 bash run_docker.sh ~/horizon/data cpu看到root@数字就进入了open explorer的docker环境，可以开始运行例程中的PTQ 。在wsl ubuntu中进入解压目录运行 这里我只是把run_docker_gpu.sh内容增加了一

各位可以查看https://developer.horizon.auto/docs/J5/toolchain/1.1.77/brief 的文档来进行环境的安装，查看视频【征程5】算法工具链系列课程https://developer.horizon.auto/course/10037 的前8节来了解如何安装环境。不得不吐槽下视频名称和顺序上传的有点乱，而且内容相对较老。win系统安装需要线安装wsl

智能驾驶（Intelligent Driving / Automated Driving）是当代汽车产业最核心的技术变革方向之一，它不仅是人工智能技术的集大成应用场景，更是衡量一个国家汽车产业竞争力和科技实力的重要标志。按SAE J3016标准，智能驾驶从L0（无自动化）到L5（完全自动驾驶）共分为六个等级，当前行业主流量产车型已跨越L2辅助驾驶阶段，正加速向L3有条件自动驾驶和L4高度自动驾驶迈

（四）YOLOv5模型PTQ量化YOLOv5模型介绍Ultralytics YOLOv5 🚀 是由 Ultralytics 开发的尖端、最先进（SOTA）计算机视觉模型。YOLOv5 基于 PyTorch 框架构建，以其易用性、速度和准确性而闻名。它融合了广泛研究与开发中的见解和最佳实践，使其成为各种视觉 AI 任务的热门选择，包括目标检测、图像分割和图像分类。（以上内容取自 Ultralyti

本文梳理当前自动驾驶领域主流的两种冗余架构（对称式、非对称式），均严格遵循ISO 26262功能安全标准，具备独立仲裁模块，完整覆盖感知、定位、规划、决策、控制、诊断、仲裁七大核心功能，可适配L2+至L4级自动驾驶场景，兼顾可靠性、安全性与工程可实现性。一、架构核心通用要求无论对称式还是非对称式冗余架构，均需满足以下基础要求，确保功能安全与冗余有效性：•功能安全合规：核心安全模块（仲裁、诊断、从系

本篇论文出发点：传统端到端方法主要专注于模仿专家轨迹，缺乏对环境进行深入理解和推理，尤其是在一些少见或复杂的场景中表现不足。随着视觉-语言模型VLM的发展，视觉语言模型能够拥有大量世界知识并具备推理能力，因此备受关注。在VLM基础上，视觉-语言-动作模型VLA更近一步，将场景理解拓展为"行动"，生成自车可执行的轨迹，但当前VLA模型中仍然存在着不少问题：1.动作生成要么不符合物理约束，要么模型结构

你有没有想过，未来的智能驾驶系统会不会有一天真的能像一个经验丰富的老司机那样开车？不是那种只会机械执行指令的机器，而是懂得察言观色、会礼让行人、能在拥堵路段见缝插针、甚至还能预判前方路况的"活"司机？小鹏的第二代VLA（视觉语言动作模型）正在让这个想象变成现实。从"翻译官"到"直觉反应"：AI开车的思维革命要理解VLA2.0的突破，我们先得看看传统智能驾驶是怎么工作的。以前的系统就像一个刚学外语的

智能驾驶车辆通过环境感知系统，实时检测自车行驶的交通环境信息如交通参与者、道路信息、交通设施信息等，并综合自车行驶状态，判断自车按照既定路线能否安全到达目的地，若不能则自车会要求驾驶员/自动实时调整行驶状态（制动、转向、加速），保证车辆以最优的方式安全到达目的地。智能驾驶系统分为三类，驾驶辅助（仅有提醒功能，不会对车辆进行任何干预）、高级驾驶辅助（可在横向或/和纵向上对驾驶员进行辅助，但不允许驾驶

自动驾驶的发展，本质上是一场机器如何理解真实交通世界的演进史。过去十余年，行业经历了多轮感知范式迭代：从早期基于规则与几何的检测跟踪，到深度学习驱动的2D感知；从多传感器点云时代，到以BEV为代表的空间统一表达；再到Occupancy（OCC）引领的连续世界建模，以及如今迈向感知-预测-规划一体化的端到端体系。如果说过去自动驾驶关注的是“看见什么”，那么今天行业关注的是：★世界长什么样？ 它接下来

在自动驾驶的感知领域，占据感知网络（Occupancy Network，简称OCC）已成为理解三维世界的主流方案。它就像是将车身周围的空间切割成无数个细小的乐高方块，通过判断每个方块是否被物体占据，来构建出一张完整的三维地图。如果想让自动驾驶系统看得更清、避障更准，那就得把这些方块做得更小、更密，也就是提升体素的精细度，那体素越精细就越好吗？01 怎样把虚拟空间刻画得更细腻？想要提升体素的精细度，

# 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。