.环境感知：场景理解_（2）.环境感知技术 .环境感知技术是计算机视觉领域的一个重要分支，主要目的是使机器能够理解和解释其周围环境。这一技术在自动驾驶、机器人导航、增强现实和智能家居等领域有着广泛的应用。环境感知技术的核心在于通过各种传感器（如摄像头、激光雷达、毫米波雷达等）获取环境数据，并利用计算机视觉算法对这些数据进行处理和分析，从而实现对环境的准确感知和理解。 . .  . .1. 环境感

.1.什么是无线电射频认证 .2.无线电射频认证的重要信息 .3.汽车主机厂应如何应对 .  .1.什么是无线电射频认证 .  .       无线电作为宝贵的国家资源，各国对无线电都有相应的法律法规进行管控。无线电射频（Radio Frequency，简称RF）认证，也称为无线电频率认证，是对无线电设备、产品或系统进行测试和验证的过程，以确保其符合国际、国家或地区的相关无线电技术标准和要求。

. . . 1.FMVSS108主要内容及要求. . . 2.R48及GB4785对智能远近光灯的要求. . . 3.FMVSS108对智能远近光灯的要求. . . . 4.FMVSS108对智能远近光灯的测试. . . .  . . . 1.FMVSS108主要内容及要求. . .  . . . 美国FMVSS108法规是关于车辆照明设备的重要标准，它属

. . .        为了降低行人撞车的风险，特别是盲人和视障人士的撞车风险，并满足2010年 《行人安全增强》PSEA (Pedestrian Satety Enhancement Act) 的要求，美国国家公路交通安全管理局NHTSA为混合动力和纯电动汽车制定了最低声音要求，即FMVSS 141《混合动力和电动汽车的最低声音要求》。 . .   .         FMV

.环境感知：场景理解_（3）.场景理解技术 .语义分割是指将图像中的每个像素分类为预定义的类别，如道路、人、建筑物等。这一技术在自动驾驶、医学图像分析和地理信息系统等领域有广泛的应用。实例分割不仅将图像中的每个像素分类为特定的类别，还能区分同一类别下的不同实例。这一技术在自动驾驶、机器人视觉和视频监控等领域有重要的应用。场景分类是指识别图像中的整体场景类型，如室内、室外、城市、乡村等。这一技术在

.障碍物检测技术概述 . .障碍物检测是环境感知中的一个核心问题，特别是在自动驾驶、机器人导航和无人机等应用中，准确的障碍物检测对于系统的安全和可靠性至关重要。本节将详细介绍障碍物检测的基本原理、常用技术以及应用场景。 .1. 引言 .障碍物检测是指通过传感器获取环境信息，进一步处理和分析这些信息以识别和定位环境中存在的障碍物。这些传感器可以包括摄像头、激光雷达（LIDAR）、毫米波雷达（RAD

.. . .环境感知：目标检测与识别_（1）.环境感知基础 .目标检测是指在图像或视频中确定特定物体的位置和大小。检测结果通常表示为一个或多个边界框，每个边界框包含物体的类别和置信度。目标检测的常见应用场景包括行人检测、车辆检测、物体跟踪等。目标识别是指在图像或视频中确定特定物体的具体类别。识别结果通常是一个或多个类别的标签。目标识别的常见应用场景包括图像分类、物体识别、人脸识别等。场景理解是指

使用地平线算法工具链的小伙伴在阅读HAT模型代码时可能会注意到在开源模型的有些层明明也是工具链支持的，但是却被替换成了来自`Quantized.FloatFunctional`类的方法，这是为啥呢？量化感知训练（Quantization-Aware Training, QAT）是一种在训练阶段模拟量化误差的技术，使模型在推理时能够有效利用低比特量化（如 INT8）的计算优势。`torch.nn.q

写在前面&笔者的个人理解在实际部署之前，大规模测试对于确保自动驾驶汽车 (SDV) 等自主机器人的安全至关重要。从收集的日志中生成数字孪生的数据驱动方法提供了一种可扩展的方式来构建多样化、逼真的测试仿真环境。与成本高昂、耗时且受物理约束限制的实际测试不同，模拟可以快速、低成本地探索多种场景，有助于优化自动驾驶车辆的安全性、舒适性和效率。受此启发，出现了多种基于NeRF和3DGS的方法。最近基于 N

1. 模型简介.HybridNets 是一种针对自动驾驶场景开发的多任务深度学习模型。它能够同时处理多个任务，包括目标检测、图像分割和车道线检测。该模型是基于高效的EfficientNet主干网络构建的，目的是在提高精度的同时保持较低的计算成本和资源消耗。HybridNets 尤其适用于资源有限的嵌入式设备或实时应用场景。...1.1 关键特点.多任务学习：..目标检测：检测场景中的车辆、行人、交

1.模型简介..YOLOP（You Only Look Once for Panoptic driving perception）是一种专门为自动驾驶场景设计的多任务感知模型。它基于YOLO架构，旨在在单个网络中同时完成三个关键任务： 目标检测、 车道线检测和 分割任务。这种多任务感知能力让YOLOP在实际应用中显得更加高效和实用，特别是在需要实时处理的自动驾驶场景中。...1.1关键特点.多任务

在我们深入探索产品及相关技术应用的过程中，大家针对诸多关键环节产生了一系列疑问。针对这些疑问我们经过收集与系统整理，将高频问题及精准解答汇总呈现，该FAQ旨在为您扫清知识障碍，助力您高效使用产品或技术。另外，我们会根据用户的反馈情况持续进行FAQ的整理和迭代并分期分享给用户。当你遇到困难，不妨来此查找看看，也是这里有与你“志同道合”的伙伴。.# 1. 开发环境.- **Q**：hrt_model_

驾驶行为谱系及反常驾驶行为建模.在开放道路实现正常、安全、高效的行驶是自动驾驶汽车的终极目标。自动驾驶汽车在开放世界中的交互对象复杂多样，其行为是影响自动驾驶车辆安全的关键因素之一。本文首先对驾驶行为进行分类、对驾驶行为谱系进行分解，随后基于跳跃—扩散方程对反常驾驶行为进行建模，并利用该模型对部分反常轨迹进行仿真。关键词：驾驶行为；反常驾驶；跟驰模型；汽车安全；交通安全；跳跃—扩散模型作者：浙江大

#01岚图的天元架构（SOA/EEA） 23年12月的岚图科技日上，岚图汽车将SOA电子电气架构命名为“天元架构”，寓意以之为中心点，延伸出万事万物皆可链接、生生不息、迭代进化的无限可能。天元架构是国内较为的“软件定义汽车”架构，包括1个中央控制器、4个区域控制器和Telematics-BOX车联网终端，旨在实现汽车的高度智能化和网络连接。据介绍，天元架构具有高效中枢、敏捷系统、智能互联、开放共创

# 1. 内存占用.神经网络模型常见的内存占用可以分为以下几个部分：.## 1.1 模型参数内存.- 定义：神经网络的权重和偏置等参数会占用内存。.- 计算方法：. - 参数总量 = 各层参数数量的总和。. - 每个参数的大小取决于数据类型（如 float32 为 4 字节，float16 为 2 字节，int8 为 1 字节）。.- 公式： 参数内存=参数总数×每个参数的字节数.- 示例：.

# 1. 如何理解VP.- VP，全称Vision Process，指UCP中的视觉处理功能模块。.- Backends，指UCP框架中的可分配处理单元。...VP模块主要用于模型的前后处理环节，在地平线统一架构中，多种硬件均已搭载了图像处理的算子，而VP模块将图像处理相关的硬件调用进行了封装， 通过设置backend来选择不同的硬件方案（若不指定backend，UCP会自动适配负载更低的处理单元

# 1. 引言.在学习《[0基础学习地平线J6 QAT量化感知训练](https://developer.horizon.auto/blog/10141)》后，会发现有qat.bc与quantized.bc是以前在其他地方没接触过的：.- qat.bc：相比于qat_model，多了一步查表算子定点化的操作，精度与qat_model可能会存在微小的差异。.- quantized.bc：模型中浮点算

..一，YOLOv10解析...简介...近些年来，研究人员对 YOLO 的架构设计、优化目标、数据增强策略等进行了探索，取得了显著进展。然而，后处理对非极大值抑制（NMS）的依赖阻碍了 YOLO 的端到端部署，并对推理延迟产生不利影响。此外，YOLO 中各个组件的设计缺乏全面彻底的检查，导致明显的计算冗余并限制了模型的能力。.YOLOv10 的突破就在于从后处理和模型架构方面进一步提升了 YOL

 ...一、hybridnets算法网络模型性能分析.1、hybridnets算子支持情况.网络模型转换bin文件在J5上算子支持情况，对很多算子支持不太友好，很多算子都在cpu上，并且模型量化掉点很严重，转换结果截图如下:.. ...总结：...1、第二列表示运行在CPU或者BPU上，通过分析hybridnets部分算子运行在CPU上。...2、第五列表示模型量化掉点情况，值越接近1表示误差越小

随着汽车电子电气架构的不断演进，从传统的分布式架构向域集中化和中央计算平台转变，汽车电子控制单元（ECU）的数量在逐渐减少，而每个ECU所承担的功能复杂度却显著提高。为了应对这一变化，虚拟化技术成为实现多任务并确保系统安全的关键手段。虚拟化不仅能够提升硬件资源的利用率，还能有效地实现不同功能的安全隔离，满足日益复杂的汽车功能安全要求。本文将探讨汽车ECU虚拟化的必要性、技术实现及未来发展趋势。