摘要：本研究基于2025年度AQEF全量评估数据，从品牌类型、能源类型、车型特征、实际产量规模、地域分布等维度展开深度剖析，系统拆解不同群体的制造质量差异与核心痛点。研究表明，全行业质量结构不均衡，车身附件及电器是最大的共性短板；质量分层特征明显，豪华品牌、头部规模化工厂质量表现显著更优，高级别车型因零部件集成度与系统复杂度更高，叠加更高的用户期望，质量管控挑战也随之增大；新能源转型带来新的质量挑

本文基于地平线征程6芯片的特性以及部署经验积累，将在各场景的模型设计上给出高效模型结构建议，以达到加速用户的模型部署效率和落地效果的目的。高效backbone为了 提供针对 J6 系列芯片专门设计的高效 backbone，结合 J6 芯片的硬件特性，设计了高效模型 HENet (Hybrid Efficient Network)。模型介绍参考社区文章：https://developer.horiz

# YOLOv5x 在 Horizon J6 上的端到端部署实践（上）：工具链部署..本文记录 YOLOv5x 从 PyTorch 权重到 J6 可执行 HBM 模型的部署流程。上篇聚焦工具链侧：环境准备、ONNX 导出、校准数据生成和 HBM 编译；下篇再展开板端 C++ 推理部署与精度评估。..> 平台：Horizon J6 (nash-e) .> SDK：horizon_j6_open_e

# QAT链路模型改造.### 模型改造步骤.1. 量化范围界定：若模型包含前处理或后处理模块，应将不需要量化的前处理置于 QuantStub 之前，后处理置于 DeQuantStub 之后..2. 不支持算子算子替换：参照[算子约束表](https://doc.oe.horizon.auto/guide/appendix/supported_op_list.html)，将自定义算子，非class

# J6工具链模型X86推理方式说明..X86 推理是指 开发机（X86 CPU/GPU）上针对不同阶段的模型：ONNX模型、Hbir模型和hbm模型，进行相应的推理验证。绝大多数的推理验证不需要实际开发板，但是使用hbm_infer需要"board_ip"来连续开发板。以下是工具链常见的几种推理方式说明。..# ONNX模型..## HBRuntime推理库..HBRuntime是地平线提供的一

自动驾驶系统过去很像一个老派工厂：感知部门负责把世界拆成一张张清单，预测部门负责猜这些清单下一秒会去哪，规划部门拿着这些清单做路线。车、行人、锥桶、护栏、车道线、停止线，每一个对象都要被命名、归档、排序，然后再被送进规划器。这套系统的问题不在于不聪明，而在于它太依赖“命名”（障碍物必须先有ID）。现实道路并不总是配合算法分类。掉落的床垫、横放的梯子、半开的货车尾门、积水反光、施工围挡、被遮挡一半的

引言视觉-语言-动作（VLA）模型正成为自动驾驶研究的热点，但语言生成对闭环驾驶的实际影响缺乏系统量化。本文揭示语言仅在少数场景有益，却消耗大量计算，由此提出高效语言使用的解决思路。简介本文提出 BLUE，一种面向自动驾驶视觉-语言-动作模型更优语言使用的极简方法。通过约 2000 GPU 小时的闭环分析发现，语言生成仅在 14.5% 的路线上显著改善驾驶，在 23.6% 的路线上主动损害性能，而

自动驾驶最难的，不只是识别已经出现在镜头里的车。更麻烦的是：货车、建筑、路牌后面可能还藏着一个目标，但它到底会不会影响自己的行驶路线？如果系统把所有遮挡都当成高风险，就会变得过度保守，动不动就减速甚至停住；如果它只靠补全场景去猜，又可能编出并不存在的目标。真正的问题是：哪些看不见的目标，才是规划必须关心的目标？IROS 2026 论文 What’s Hidden Matters 给出的思路，是把遮

自动驾驶技术路线不断变化，过去两年，端到端自动驾驶就完成了从概念到量产的跨越，分段式端到端在2024到2025年实现了规模化落地，一段式端到端与VLA技术则在2025到2026年集中上车，而现在，物理AI又被推到了台前（相关阅读：各车企相继发布的物理 AI大模型是什么？有何优势？）。有数据显示，近18个月超百亿美元涌入物理AI赛道，市场预计2035年全球物理AI规模将达828亿美元，如此庞大的市场

不同传感器看到的世界是不一样的，前视摄像头可以捕捉前方的红绿灯和车道线，环视摄像头则用于探测车身周围的盲区，激光雷达以三维点云描绘障碍物的形状，毫米波雷达则跟踪物体的移动速度。这些来自不同坐标系、不同信息格式的数据，要让它们协同工作，就必须先把所有信息翻译到同一种通用语言中。BEV感知做的就是这件事。BEV解决了什么问题？BEV做的事情就是在车辆上方提供一个上帝视角的俯瞰图，将车辆周围的环境统一投

整体看，GB 44721 报批稿把 L3/L4 自动驾驶系统从算法能力推进到可审查、可追溯、可证明的安全体系。1. 核心定位相比 2024 版，把重点从“通用技术要求”转向“安全要求”，并新增了保障要求检验、安全档案检验等内容。适用范围：适用于装备 L3和/或 L4驾驶自动化系统 的 M 类、N 类车辆，不适用于自动泊车系统 APS。前置法规：要求 ADS 证明在 ODD/ODC 内安全，在边界外

作者 | Xinglong Sun, Kevin Xie, Jenny Schmalfuss, Despoina Paschalidou, Xiuming Zhang, Sanja Fidler, Kashyap Chitta, Jose M. Alvarez机构 | NVIDIA论文标题 | DriveJudge: Rethinking Autonomous Driving Evaluation

在自动驾驶领域，VLA模型凭借感知、推理、决策一体化的能力，成为端到端自动驾驶的主流技术方向。但主流大尺寸VLA模型依赖重型骨干网络与自回归推理逻辑，推理延迟居高不下，很难在车流密集、路况多变的城市道路实现实时响应。卡内基梅隆大学团队推出的RT-VLA，创新性采用多级知识蒸馏+双分支解耦方案，在保留原有驾驶性能与语言解释能力的前提下，大幅压缩推理耗时，为高性能VLA模型走向车载量产提供了可行路径。

最近一些智驾玩家发布大模型，尤其是世界模型时，有一项技术总是伴随着频繁出现，那就是强化学习，地平线6月29日发布的HSD V2.0，核心升级就是世界模型+端到端强化学习双技术底座；Momenta在4月北京车展上宣布R7强化学习世界模型量产首发；小马智行4月发布PonyWorld世界模型2.0，强调其核心变化在于AI具备了自我诊断与定向进化的能力；蔚来在2026年1月将世界模型+闭环强化学习架构全量

讨论自动驾驶安全时，一个容易被忽略的问题是：车辆并不一定要发生硬件故障，才会进入危险状态。摄像头正常、域控正常、制动系统正常，系统仍可能因为感知边界、场景覆盖不足、目标行为预测错误，做出不合适的驾驶决策。这就是自动驾驶功能安全比传统 ECU 功能安全更复杂的地方。传统功能安全主要处理“系统发生故障后如何避免不可接受风险”；自动驾驶还必须处理“系统按设计运行，但设计能力本身不足”的风险。一、功能安全

本篇论文识别了当前VLA方案的根本性两难问题，如下图1a）以VLM模型为主干，直出轨迹的VLA方案，有较强的推理场景理解和推理能力，但缺乏空间感知能力b）以VLM模型为主干，融合感知输入或直接注入agent、occ token的VLA方案，空间感知能力有提升，但由于表征干扰：空间token与语义token在共享权重解码器中被联合优化，两种特征在冲突中训练，最终削弱VLM原生推理能力。如图2：LLM

2026年过半，自动驾驶行业的技术路线愈演愈烈，从2025年端到端大模型全面上车，到2026年VLA（视觉-语言-动作模型）与世界模型两条路线的公开激化，技术路线选择成为了每家车企都必须面对的选择题。在英伟达GTC大会上，吉利汽车集团CTO李传海、Momenta CEO曹旭东等人公开对VLA提出质疑；华为车BU CEO靳玉志则直接称VLA是取巧方案，主张以‌世界行为模型‌替代；另一边，理想、小鹏、

摘要： 美国交通部（DOT）下属国家公路交通安全管理局（NHTSA）于6月25日启动联邦机动车安全标准（FMVSS）第五次修订。作为新版《自动驾驶框架》（AV Framework）的一部分，监管机构正着手移除一项“不合时宜”的规定：允许专为自动驾驶设计的车辆不再强制安装手动刹车踏板。为了配合“美国创新”战略，美国交通部（DOT）正在对针对人类驾驶员的传统监管体系进行大刀阔斧的改革。作为其全新《自动

Calibration 阶段执行 forward 时，Observer会统计张量分布，并据此计算量化所需的 scale 等参数。 不同 Observer 的统计方式和搜索策略不同，因此最终 Calibration 效果也可能存在差异。HistogramObserver 是 horizon_plugin_pytorch 量化工具中推荐的校准Observer（OE3.7.0 horizon-plugi

香港大学 Hongyang Li 在 CVPR 2025 WAD 上这篇报告，我觉得算是讲清楚了：《End-to-end Autonomous Driving: Past, Current and Onwards》。翻译过来就是《端到端自动驾驶技术的前世今生》。重点在于下图： 他把 UniAD 这一类工作放在端到端早期阶段，也就是 Modular E2E Planning；再往前，是面向 Driv