1640起碰撞事故背后，美国自动驾驶的十点观察基于NHTSA Standing General Order全量数据 | 709起ADS + 931起ADAS数据截至2026年2月17日 | 覆盖13家ADS实体 + 17家ADAS实体引言2021年6月，NHTSA史无前例地动用监管权力，强制要求自动驾驶（ADS，SAE L3-5）和辅助驾驶（ADAS，SAE L2）系统的制造商报告碰撞事故。截至2

## 1. 概述..`ObserverBase` 是 `horizon_plugin_pytorch` 量化框架中所有 Observer 的抽象基类。它定义了量化校准器的统一接口和核心功能，为各种量化策略（MinMax、MSE、KL等）提供了基础架构。..---..## 2. ABCMeta 深度解析..### 2.1 Python 元类机制..在 Python 中，**类也是对象**，类是由**

自动驾驶系统能否稳定、安全地工作，关键在于它能不能持续学习、持续改进。自动驾驶系统并不是靠一个写好的程序就能一直用下去的，它在运行过程中会经常遇到“看不懂”或“判断错”的情况。如果无法将这些在实际驾驶中出现的问题和新场景反馈给研发团队，团队就难以修复缺陷、提升系统能力。数据闭环，正是为了解决这个问题而建立的完整循环。它指的是把车辆在真实道路或测试中收集到的数据，持续传回给开发团队，经过处理、学习、

行泊一体的本质难点，绝非行车与泊车两个功能的简单叠加，而是两大场景在底层特性上的强对立，带来的感知、定位、规控全链路算法融合、软硬件架构协同、量产全场景泛化与成本控制的系统性工程难题。（主要还是目标场景变化后【中高速场景→低速场景】的传感复用、控制成本问题）行业的核心矛盾，是用户对“全场景可用、高稳定、低接管”的体验需求，与量产方案“降本压力下的性能折中、跨场景技术割裂、长尾场景泛化不足”之间的冲

导读直击端到端自动驾驶（E2E-AD）规划器的核心矛盾：现有主流架构依赖“感知-规划分离模块+BEV特征网格”的设计，在开环数据集（如NuScenes）上因优化中间感知任务表现优异，但闭环驾驶中暴露出“可扩展性差、鲁棒性不足”的致命缺陷——高分辨率感知表示易过拟合、解纠缠轨迹表示泛化受限、生成式规划增加冗余复杂度，且三者的联合影响缺乏系统分析，导致开环优化与闭环实用需求脱节。为此，奔驰AG联合马克

.本文基于 `horizon_plugin_pytorch` 量化工具链，详细介绍多输出网络的量化配置策略、HistogramObserver使用、混合精度设置及校准流程。..## 1. 模型结构设计..### 1.1 多输出网络示例..```python.import torch.import torch.nn as nn.import torch.nn.functional as F.from

一、写在前面之前在「人在途中」系列中，分享了一些工具链使用过程中的经验与踩坑笔记。这一篇想做一个补充：不讲算法、不讲优化，只讲基础但极其影响效率的使用方式。因为我觉得很多问题不是能力问题，而是使用方式的问题。古人说得很直接：工欲善其事，必先利其器。希望这篇文章帮你把“器”用顺。二、工具链发布包到底包含什么（必须搞清楚）这是很多人第一步就忽略的点，但其实是根本问题。每次工具链发布，本质上是一个完整的

..## 1. HistogramObserver的定义与原理..HistogramObserver是horizon_plugin_pytorch中一种基于直方图统计的量化Observer。与MinMaxObserver仅记录最小最大值、MSEObserver在线性搜索中计算MSE不同，HistogramObserver通过构建完整的数值分布直方图来捕获张量的统计特性，并支持多种量化参数计算方法。

## 1. Observer的作用..在神经网络量化过程中，Observer（观察者）是连接浮点模型与量化模型的桥梁，负责在量化感知校准/训练（Calib/QAT）过程中收集张量的统计信息，并基于这些统计信息计算出最优的量化参数。..Observer的功能包括：..1. **统计信息收集**：在前向传播过程中，Observer会记录每个张量的数值分布特征，如最小值、最大值等。..2. **量化参数

作者 | 鲁大师出品 | 汽车电子与软件在自动驾驶行业的招聘信息中，“自动驾驶系统架构师”始终是高频出现的核心岗位，薪资待遇居高不下，却也让不少从业者感到困惑：这个岗位既不直接写感知算法代码，也不负责硬件焊接调试，却被称为自动驾驶系统的“总设计师”。日常工作中，架构师们频繁召开需求评审会、绘制架构蓝图、协调各模块协同，看似“不接地气”，却直接决定了自动驾驶系统的性能、安全性、可扩展性与量产落地能力

在自动驾驶领域，如何准确地感知和理解周围的三维环境始终是技术核心。早期的感知方案主要依赖于二维目标检测，即通过图像识别出车辆、行人和交通标志，并在其周围画出矩形框。这种基于框的识别方式在面对复杂和不规则物体时显得力不从心。随着技术的发展，鸟瞰图技术将多摄像头采集的图像转换到俯视坐标系中，极大地改善了路径规划的效率，但它依然忽略了高度维度的信息。占用网络的出现彻底改变了这一现状。占用网络的优势是什么

# Senna-2：对齐视觉语言模型与端到端驾驶策略以实现一致的决策与规划......# 论文卡片..> ***Senna-2通过三阶段训练******范式**

很多人在评价自动驾驶传感器时，会把关注点放在性能参数上，比如激光雷达的点云密度够不够高、摄像头的分辨率是否足够清晰、毫米波雷达在雨雾天气下是否依然稳定。但在真实道路环境中，对于传感器的要求并不只是“看得清不清楚”，还有就是“在关键时刻有没有看丢”。激光雷达点云中出现的空洞、吸点，本质上正是“看丢”的具体表现，它并不是参数不足，而是传感器在复杂场景下对信息持续获取能力的边界。激光雷达点云空洞到底是什

VLM，即视觉语言模型，简单理解下，其就是把“看见的东西”和“说出来的话”放在同一个脑子里理解的模型。我们平时把相机拍到的画面交给视觉模型去做检测、分割、深度估计这些任务，语音或文本交给语言模型去处理。VLM则是把视觉信号和语言信号放一起训练，使其可以把画面用语言来描述，也能把一句话转化成对画面的关注点和推理。对于自动驾驶来说，这种能力并不只是多了一套“能说话”的模型，而是在很多复杂场景里，它能把

在自动驾驶开源平台领域，Autoware作为全球首个“All-in-One”全栈开源自动驾驶软件平台，凭借其完备的技术体系、持续的迭代升级以及广泛的行业适配性，确立了其在该领域的标杆地位，成为汽车行业工程师、科研机构及相关企业不可或缺的技术工具与研发底座。本文简单介绍Autoware的基本信息、系统架构、版本迭代、优势及局限。基本信息与起源Autoware 是世界领先的开源自动驾驶软件项目，提供从

在地平线 J6 平台，当前模型在转换&编译过程中，会生成 quantized.bc 和 hbm 两种定点模型，其中：hbm 用于板端部署，在 x86 端的指令仿真推理速度比较慢quantized.bc 主要用于 x86 端的仿真，其数值输出在无 CPU 算子的前提下理论和 hbm 保持 bit 一致为在服务器端加速量化模型的精度初测，本文分享了测试过程依赖、脚本、实施流程和参考测试结果，供小伙伴们

教程奉上，有问题评论区交流安装方式1强推腾讯的WorkBuddy（安装简单，提供模型，但是响应速度慢）:https://cloud.tencent.com/developer/article/2635686安装方式2openclaw安装（安装简单，只可以使用免费的模型，速度还可以）：https://mp.weixin.qq.com/s/d4MbY1rwMNgjiIX_eGf8nw飞书插件配置：ht

在学习自动驾驶感知算法的过程中，经常会遇到一系列看起来有些“零散”的名词：..- CenterPoint .- LSS / BEVDet .- BEVFormer .- BEVFusion .- Sparse4D ..刚接触这些算法时，很容易产生一种感觉：..> 为什么会有这么多方法？ .> 这些算法之间到底是什么关系？..如果只是从论文角度看，它们似乎是彼此独立的一些模型。但当逐渐深

为什么镁光的LP5颗粒，使用Link ECC时，要先初始化写一遍DDR，防止误报Read Link ECC，而三星的颗粒却不需要先初始化写这个动作。

在自动驾驶的纯视觉路线下（BEV+Occupancy+端到端Action），一套简洁而强大的技术链路逐渐成为行业共识：以多摄像头图像为输入，通过Transformer构建统一BEV（Bird's Eye View：鹰眼视角即鸟瞰图）特征空间，再由Occupancy占据网格完成稠密三维环境重建，最终直接输出车辆控制 Action，实现从感知、环境建模到决策动作的全链路一体化。本系列会从原理、架构与技