.#01............debounce防抖机制介绍... .debounce防抖机制既出现在车辆电子领域，也出现在互联网领域，是一种基本的信号平滑机制。. .车辆电控的防抖机制旨在确保传感器信号稳定，避免因信号抖动引发系统误判，特别是故障诊断系统的误判。车辆行驶时，油门、刹车、方向盘、液位、振动NVH等传感器会产生高频信号，若直接传输至电控单元（ECU），可能导致执行器异常动作。为此，车

.1. 定位技术的核心作用..核心问题 ：解决“我在哪儿”（厘米级精度）。.要求 ：高可靠性、安全性（自动驾驶三大核心问题之首）。.技术起源 ：机器人定位技术延伸，依赖SLAM（即时定位与地图构建）与先验地图匹配。..2. 定位技术分类........类型.....原理.....代表技术.....局限性........基于信号...接收外部信号定位...GNSS（如GPS）...信号遮挡、精度不足

..1.概述.1.1 VIO框架演变.从XJ2时期到J5时期，都是采用VAPI接口，到了J6时期，设计了一套HBN接口，但对外还是沿用VAPI接口；.1.2为什么不采用V4L2框架？...V4L2 驱动框架结构庞大，引入后需遵循其严格接口设计，新功能开发成本高；...不利于跨OS平台移植；... .2.VPF框架.2.1.为什么设计VPF框架？...J系列接口单一，X系列接口灵活性大，VPF兼容X

.1. 功能概述¶...1.1. 软件架构说明¶...J6X芯片位于MCU域的CAN控制器负责完成雷达、底盘和车身等CAN数据收发。由于感知等应用位于Acore，因此部分CAN数据需要通过IPC核间通信机制转发到Acore。...为保证传输可靠性，转发机制需要实现数据正确性检测、丢包检测和传输超时检测等机制。此外，还需要规避MCU侧高频转发小数据块导致CPU占用率过高，造成MCU实时性降低等性能问

使用kdb/kgdb调试内核.=======================..开启kgdb.-----------.J6X内核默认并不支持kgdb，需要对内核做一些修改：..- 修改 hobot-drivers/configs/hobot_j6x_defconfig 增加配置选项.. CONFIG_KGDB=y. CONFIG_KGDB_SERIAL_CONSOLE

.引言.在近期工具链实践过程中，频繁出现 BC 模型在插入 NV12 预处理节点后精度崩溃的现象。经分析，此类问题可分为两类：其一为用户侧 BGR/RGB 转 NV12 的代码实现缺陷；其二为 BGR/RGB 与 NV12 格式转换过程中固有的不可逆误差所致。后者的根本原因在于模型训练阶段存在严重过拟合现象，导致模型泛化能力薄弱，无法容忍格式转换带来的微小数据偏差。.此类问题的传统排查流程耗时较长

..1.功能概述¶.本文档为J6X（Journey 6X）系列soc芯片平台与外部GPS设备通信的使用案例，可通过UART协议获取GPS原始数据，用户可以选择.将其在终端中显示或存储至文件中或用于车辆定位。..1.1. 架构说明¶.GPS sample架构图如下:..GPS模块作为导航系统的核心组件，负责精准捕获卫星传输的微弱信号，从中提取出关键的定位数据，这些数据经过模块内部的复杂.算法处理，转

..1. 功能概述¶.本sample实现获取芯片关键信息功能演示，此处主要介绍该sample的实现与使用方法。..1.1. 模式说明¶.本sample分为路测模式和量产模式两种：.路测模式.每1秒采集一次cpu负载、bpu负载和cpu结温，每10秒保存一次最高值、最低值、平均值和当前值。.量产模式.cpu结温不超过115°C：.  a.不记录cpu负载和bpu负载；.  b.每1秒采集一次cpu结

.1. 功能概述¶..本文的sample主要实现了两个设备之间的数据传输的演示，此处主要介绍该sample的实现及使用方法。..1.1. 软件架构说明¶.本sample基于PCIe的High Level API (libhbpciehl.so) 来实现，High Level API 基于 Low Level API（libhbpcie.so)，抽象出通用的 topic / subscribe /

.1. 功能概述¶..本文的demo sample实现ISP模块回灌功能，将raw图通过ISP处理后得到YUV图(支持NV12和NV16)，sample默认输出NV12格式。 基本的回灌模式不加载效果库，可用来验证ISP通路性能，只支持raw12格式的raw图。 dummy sensor回灌模式通过hb_dev.json指定效果库和raw格式，可用来验证ISP处理效果，支持raw8、raw12、r

# 1. LLM训练基础概念.## 1.1 预训练(Pretrain).LLM首先要学习的并非直接与人交流，而是让网络参数中充满知识的墨水，“墨水” 理论上喝的越饱越好，产生大量的对世界的知识积累。 预训练就是让Model先埋头苦学大量基本的知识，例如从Wiki百科、新闻、书籍整理大规模的高质量训练数据。 这个过程是“无监督”的，即人类不需要在过程中做任何“有监督”的校正，而是由模型自己从大量文本

.前言.大模型（参数规模通常数十亿至万亿级）在处理复杂任务时面临三大核心问题：...显式关联的局限性：传统 Multi-head Attention 依赖输入数据的显式特征（如文本中的词向量、图像中的像素特征）计算注意力，难以捕捉深层语义（如 “同义词替换”“上下文隐喻”）或抽象结构（如 “逻辑推理链”）。...数据效率与泛化瓶颈：大模型训练需海量数据，但在低资源语言、专业领域（如医学、法律）中，

.前言.在J6工具链的量化精度调优实践中，当 Matmul/Conv 算子的两个输入皆为量化敏感算子时，PTQ 与 QAT 各自面临着难以克服的棘手困境。.在 PTQ 流程里，为了实现双 int16 输入的支持，工作人员不得不借助脚本将原本结构单一的 Matmul/Conv 算子拆解为 2 个 conv + add 算子，随后还要围绕这两个新算子进行一系列复杂且细致的量化配置。这一过程不仅涉及到

.在当今大模型蓬勃发展的时代，训练效率成为了制约模型发展与应用的关键因素。Transformer 架构中的自注意力机制虽强大，但面临着高计算成本与内存消耗的挑战。FlashAttention 应运而生，作为一种高效的注意力计算方法，它在加速模型训练与减少内存占用方面展现出了卓越的性能，为大模型的发展注入了新的活力。本文将深入探讨 FlashAttention 的原理，并结合代码实例进行详细解析。F

.在大型语言模型（LLM）的推理过程中，KV Cache 是一项关键技术，它通过缓存中间计算结果显著提升了模型的运行效率。本文将深入解析 KV Cache 的工作原理、实现方式，并通过代码示例展示其在实际应用中的效果。.一、为什么需要 KV Cache？.在 Transformer 进行自回归推理（如文本生成,每次生成一个 token 的时候需要结合前面所有的 token 做 attention

# 1. VLA简介..## 1.1 VLA定义..VLA (Vision Language Action)是一种多模态机器学习模型，结合了视觉、语言和动作三种能力，旨在实现从感知输入直接映射到控制动作的完整闭环能力。VLA强调一体化多模态端到端架构，非感知规控的模块化方案。..下图是常见端到端的框架，是RT-2、OpenVLA、CLIP-RT等 VLA 系统的典型代表，这些系统均采用基于 Tra

.........前言...........在汽车智能化浪潮中，OTA（Over-The-Air Technology，空中下载技术）被视为为汽车赋予“生命”、实现持续进化的一项新兴技术。车企大力宣传OTA，描绘着车辆可以像智能手机一样，随时在线升级，不断获得新功能、优化性能的美好愿景，消费者们也对其满怀期待。然而，理想很丰满，现实却很骨感。近年来，OTA相关的负面事件频频爆出，让我们不得不在今天

.荐 言：. ..今天推荐王伟峰老师的新书《一本书讲透汽车功能安全》，这是一本系统、深度解读ISO 26262/GB/T34590功能安全标准并解决标准落地难题的实战性著作，为读者打通标准与工程实践的桥梁，能有效弥合二者的差距。本书是作者从事汽车电子与功能安全10余年经验的总结，得到了众多行业专家的高度评价。特别推荐给大家！.. .本文节选自书籍第九章关于芯片功能安全架构的描述。更多内容可以点击下

.前言.在模型开发与应用领域，精准的性能分析和优化是提升效率的核心。地平线通过 J6 算法工具链 OE3.2.0 版本，对 hbm_perf 接口进行了重大升级，新增了 内存占用信息 和 硬件占用 Timeline 两大功能 。这些强化功能使开发者能够清晰掌握模型运行时的资源消耗和硬件效率，为后续优化提供关键依据。本文将深入解读新版 perf 文件的核心内容，并结合实例分析性能优化策略。.新功能介

在了解VLM之前，先复习下LLM。..# 1. LLM(Large Language Model)..大语言模型（LLM，Large Language Model）名字虽然带有语言二字，但其实并不局限于语言类场景。LLM 更多是一种统计建模的通用技术，它们主要通过自回归 Transformer 来模拟 token 流，这些 token 可以代表文本、图片、音频、动作选择、甚至是任何东西（多模态信号