TA开发.==========================..OP-TEE OS支持动态加载和运行可信应用程序(TA)，TA是运行在安全世界的应用程序，可以访问安全世界的资源。..为了TA的安全运行，通常需要对TA进行签名和加密，签名保证TA完整性，加密保证TA的机密性。其中，TA签名为强制开启，TA加密用户可根据自身需求选择是否开启。..为了开发方便，当前SDK中内置了一组密钥，在实际开发中

ARM TrustZone.==========================..ARM TrustZone技术是所有Cortex-A类处理器的基本功能，是通过ARM架构安全扩展引入的。这些扩展可在供应商、平台和应用程序中提供一致的程序员模型，同时提供真实的硬件支持的安全环境。..ARM TrustZone技术是系统范围的安全方法，针对高性能计算平台上的大量应用，包括安全支付、数字版权管理(DR

本文以地平线 Open Explorer（OE）中的 CenterPoint 参考算法为主线，系统梳理 CenterPoint 的模型结构设计、Head 与 box 语义拆分方式，以及在工具链中从训练、导出到编译部署的完整工程语义。文末通过 nuScenes → KITTI 的一次实际配置修改，作为参考算法“应用级改造”的示例，帮助理解这些设计在真实项目中的影响范围。一、CenterPoint 是

J6X VDSP数字信号处理器..开发指南.===========..CPU侧开发.------------..镜像加载卸载..J6X VDSP 所有core共用一个Firmware，默认名字为vdsp0。.J6X系统在启动时默认不启动VDSP.FW（Firmware），需要用户通过命令的形式手动加载和卸载FW，命令如下所示：... echo -n > /sys/module/firmwar

最近有个好友问了一个问题，能不能用通俗易懂的话说明一下VLA和世界模型的区别，一时间没有找到几句合适的话。想了几天终于想出一句不知道合不合适。VLA的架构是让AI记住和学习人类的开车经验，而世界模型是让AI自己去推演物理世界，让AI真正理解驾驶任务背后的关联。再通俗一点，如果将驾驶任务比作大学四六级考试，VLA像是每天翻开abandon的单词书背单词靠积累和匹配完成通过考试，而世界模型更像是学习语

概览Waymo自动驾驶系统的完全自动驾驶里程已近2亿英里，成为美国主要城市交通脉络的重要组成部分，持续提升道路安全水平。而乘客与当地社区未曾看到的是，这套系统早已在虚拟世界完成了数十亿英里的仿真行驶，在现实道路遭遇复杂场景前，就已将其悉数掌握。今日，我们欣喜地推出Waymo世界模型——一款前沿生成式模型，为大规模、超写实的自动驾驶仿真树立了全新标杆。仿真是Waymo人工智能生态系统的核心组成部分，

在自动驾驶的技术发展过程中，激光雷达一直被认为是核心的感知硬件，其线束数量也被视为衡量感知能力的主要指标。从早期的16线、32线，到如今量产车型上标配的128线、192线，乃至最新发布的512线，行业内似乎陷入了一种“线束”竞赛，似乎线束越多，就代表自动驾驶的能力越强，那事实果真如此吗？激光雷达线束的本质激光雷达的线束也被称为通道数，它指的是激光雷达在垂直视场角（FOV）内分布的激光束数量。对于传

自动驾驶的世界模型，不仅要 “画得像”，更要 “动得对”—— 车辆交互、行人运动、场景演化都得符合物理与社会规则，而多数通用视频生成模型，更擅长外观逼真，却很难稳定地建模多智能体之间的结构化运动关系。为了弥补这一差距，近年的自动驾驶世界模型往往选择“大力出奇迹”：用海量驾驶数据、长时间算力，把通用模型强行拉进驾驶领域。但这种方式成本极高，也很难复用通用模型已有的能力。这篇来自 EPFL （洛桑联邦

在如今的电动车发布会上，如果不甩出128/256/512线激光雷达这张王牌，似乎都不好意思说自己懂智驾。很多人以为加了激光雷达，车辆就有了上帝视角，计算压力会变小。大错特错。今天我们就从底层数据的角度，扒一扒激光雷达到底占用了多少算力，以及它为何让智驾芯片有苦说不出。算力消耗如果只看 NPU 的账面数字，处理激光雷达的数据似乎并不贵。以主流的 NVIDIA Orin-X 平台为例，运行一个经典的

相信很多人小时候看动画片的时候，一定看到过这么一个画面，动画片中的主角会在墙壁上画出极其逼真的隧道，从而误导对手撞向墙壁。就在去年，前美国国家航空航天局工程师马克·罗伯就利用类似的手段，在泡沫塑料墙上绘制了一幅三维道路画作，结果成功骗过了一辆处于自动辅助驾驶状态的特斯拉（开启Autopilot功能）。实验中，特斯拉在时速四十英里的情况下，完全没有做出制动动作，直接穿透了这堵假墙，而另一辆配备了激光

# 1. 问题描述.A同学训完一阶段浮点模型P_model_float，将模型提供给B同学，B同学固定P_model_float权重后（用一阶段浮点输出），分别用不同数据分开去训练二阶段prediction、planning两个分支，最后拼到一起成 float_model_all 提供给C同学用于量化部署。..![Description](https://prod-dc-resources.oss

.一、写在前面：为什么要写这篇文章.在 BPU 推理链路中，VP（Vision Pipeline）承担了大量图像前处理工作，例如裁剪、缩放、颜色格式转换等。相比普通的软件图像处理接口，VP 接口直接面向硬件，性能优势明显，但也引入了严格且隐含的使用约束。.在实际项目中，hbVPRoiResize 是一个非常常用的接口，同时也是一个非常容易踩坑的接口。本文基于一次真实的客户问题排查过程，对 hbVP

.# Sparse4D：从 Dense BEV 到工程可落地的世界建模..---..## 引言：当 BEV 走到工程拐点..在 BEV 路线逐渐成为智能驾驶感知主流之后，一个现实问题开始变得无法回避： .BEV 在方法论上是正确的，但以 Dense BEV 为核心的实现方式，并不天然适合长期运行在真实系统中。..无论是 BEVFormer 还是 BEVFusion，它们都隐含着一个共同前提——

..在接触智能驾驶算法之前，我对“感知”的理解更多来自图像世界：图像是规则的二维网格，像素密集、连续，卷积网络天然适配。.而当真正进入 3D 感知、多传感器融合、BEV 表达以及工程落地 之后，点云成了一个绕不开的核心对象，也成了很多复杂问题的源头。.这篇文章是我在从「会用点云模型」到「逐步理解点云数据、算法结构与工程落地」这个阶段，对点云算法的一次系统整理。希望读完后，你能形成一张清晰可复用的点

.在智能驾驶相关的算法中，RT（R|T） 几乎无处不在。但在实际工程中，RT 往往被当作“理所当然存在的几何工具”，很少被系统性地讨论。.直到开始做多模态融合、BEV、时序对齐，以及模型量化和部署，很多人才会意识到：..RT 相关的几何链路，往往是数值最敏感、量化最容易出问题的一环。..文章从客户支持过程中遇到的问题进行整理，尝试从可理解的角度，系统梳理 RT 的基本概念、使用方式、与内参外参的关

# 智能驾驶感知算法的演进 .## 从 2D 感知到 BEV 世界模型..---..## 一、问题的本质：自动驾驶究竟要“理解”什么..智能驾驶中的感

自动驾驶开发者，你是否还在为“安全”与“高效”的永恒矛盾而头疼？一套算法在空旷高速上表现完美，一到复杂路口就“怂”成乌龟。另一套算法交互激进，却又在舒适度上丢分。2024年CommonRoad规划大赛的冠军方案，用一套“双脑”协同的博弈论策略，给出了一个令人惊艳的解法：牺牲少量“最优解”质量，换取覆盖99%以上复杂场景的超强鲁棒性。 读完本文，你将彻底掌握这套顶级规划器的核心架构与博弈精髓。❓ 为

超声波雷达作为一种基于声波反射原理的非接触式传感设备，凭借其结构简单、成本低廉、对障碍物识别灵敏等优势，在智能驾驶领域得到了广泛应用。本篇文章简单介绍超声波雷达原理、分类、安装、特性及其应用。工作原理超声波雷达的核心原理基于超声波的发射、传播与反射特性，通过计算声波往返时间实现距离测量，整体工作流程可分为四个关键步骤：超声波发射：雷达内部的压电换能器（核心部件）在电信号激励下发生机械振动，产生频率

自动驾驶技术路径的每一次技术转向，都伴随着底层数据处理逻辑的彻底重构。过去，智驾系统普遍依赖模块化设计，将驾驶任务拆解为感知、预测、规控等独立环节；而今，以端到端技术为核心的新路径正迅速崛起，试图通过一个统一的神经网络直接完成从传感器输入到驾驶指令输出的全过程。这种架构上的根本差异，也对数据标注提出了不同的要求。模块化与端到端的区别，图片源自：网络 模块化技术路径，以环境理解为核心的微观标注在自动

# 多 Batch 量化校准与单 Batch 校准的数值差异 .## ——从 GPU 浮点计算与并行归约谈起..在模型量化过程中，常见的一种工程优化手段是**使用多 batch 进行校准（calibration）**，以提升 GPU 利用率、缩短校准时间。在实践中可以观察到这样一个现象：在部分模型上，多 batch 校准与单 batch 校准得到的量化结果并不完全一致，甚至可能出现精度差异。..