.前言.在上一篇文章中，我们深入探讨了VLM 模型在自动驾驶中的应用。VLA（Vision Language Action）和 VLM（Vision Language Model）在 AI 领域皆指向超大规模的神经网络模型，然而，它们的侧重点存在显著差异。VLA 端到端特指融合视觉、语言和动作这三种能力的端到端自动驾驶架构。细致来讲，它是一种前沿的多模态机器学习模型，致力于达成从感知输入径直映射到

..前言.相比J5芯片，J6引入了SMMU单元模块，用来地址转译；.概述.System Memory Management Unit（SMMU）系统内存管理单元，是I/O device与总线之间的地址转换桥。部分I/O device存在地址线位宽的限制，只能访问低地址内存。为了使I/O device能够访问高地址内存，需要有一个地址转换元件，将低地址转换成高地址。此外，在虚拟化环境下，VM中持有地

....自动驾驶场景中，常见的是多路感知通路，在不考虑应用获取释放帧异常操作的前提下，一般出现帧获取异常的情况，主要原因是通路中某段断流的情况，如何去准确的定位，对大部分客户来说，依赖我司的支持；针对这种情况，会列举几种断流日志分析；...场景一：11V 环视yuv场景，多进程反复启停.现象：应用程序报 get data failed..logcat日志.E/ (597844): [

..底层buffer状态机..系统通过五个状态队列实现帧缓冲区的全生命周期管理，各状态定义及转换逻辑如下：...FREE（空闲态）.....功能描述 ：管理初始可用缓冲区...初始化操作 ：...场景运行时预分配所有 frame buffer 数组至该队列...记录 buffer 的内核虚拟地址及物理地址信息.....数据结构 ：frame buffer 结构体存储地址映射关系.....REQUE

...前言...随着端到端 AI 和多模态学习的迅猛发展，VLM（视觉-语言模型）在自动驾驶领域中的应用正逐渐成为一个备受瞩目的重要研究方向。VLM 凭借其强大的融合能力，将视觉（如高清晰度的摄像头图像、精准的雷达数据）和语言（涵盖详细的地图信息、明确的交通标志、准确的驾驶指令）等多种类型的信息进行有机整合，从而使得自动驾驶系统在感知复杂的道路环境、进行精确的推理以及制定明智的决策等方面展现出更为

..时间类型.J6内部的时间类型如下....Linux系统时间是基于arm system counter抽象的，Linux的基于arm system counter抽象了很多种时间，图中画了两种。CLOCK_MONOTONIC_RAW是不会被时间同步调整的。....... .leap second？.clock set？.clock tunning？.original point.resoluti

...论文链接：https://arxiv.org/pdf/2502.18042.......摘要.......本文介绍了VLM-E2E：通过多模态驾驶员注意力融合来增强端到端自动驾驶。人类驾驶员通过利用丰富的注意力语义来熟练地在复杂场景中导航，但是目前的自动驾驶系统难以复制这种能力，因为它们在将2D观测转换到3D空间时往往会丢失关键的语义信息。从这个意义而言，这阻碍了它们在动态且复杂的环境中的有

.写在前面 & 笔者的个人理解.当前端到端自动驾驶架构的串行设计导致训练稳定性问题，而且高度依赖于BEV，严重限制了其Scale Up潜力。在我们ICLR2025工作DriveTransformer中，不同于以往算法Scale Up Vision Backbone，我们设计了一套以Decoder为核心的无需BEV的大一统架构。在Scale Up提出的类GPT式并行架构后，我们发现训练稳定性大幅提高

.前言.我们知道，大模型现在很火爆，尤其是 deepseek 风靡全球后，大模型毫无疑问成为为中国新质生产力的代表。百度创始人李彦宏也说：“2025 年可能会成为 AI 智能体爆发的元年”。.随着科技的飞速发展，大模型的影响力日益凸显。它不仅在数据处理和分析方面展现出了强大的能力，还为各个领域带来了前所未有的创新机遇。在众多应用场景中，智能驾驶无疑是备受瞩目的一个领域。.智能驾驶作为未来交通的重要

# 1. 引言.模型压缩常用的方案包括量化、蒸馏、轻量化网络、网络剪枝(稀疏化)等，详细介绍可见文章：[模型压缩理论简介及剪枝与稀疏化在J5上实践](https://developer.horizon.auto/blog/10273)。最近在学习地平线提供的轻量化网络结构HENet，结合几年前整理的mobilenetv3、Efficnertnet放在一块进行介绍。..轻量化网络旨在减少模型参数和计

# 1. 引言.在算法模型部署阶段，大家可能会遇到这三个问题：..1. 为了保证精度，模型尾部conv/linear需要是int32输出.2. 为了适配后处理代码，模型尾部conv/linear输出layout有时是NCHW的，有时是NHWC的.3. 为什么conv/linear输出的scale会是1？这符合预期吗？..本文使用pytorch框架，以conv为例，介绍如何同时满足conv int3

...#01..............CP与PDU Router....PDU（Protocol Data Unit）是AutoSAR通信模型中的一个核心概念，它是在通信网络中传输的数据单元。PDU负责封装和传递应用层数据，使得不同的模块和设备能够互相交换信息。PDU可以包含各种类型的数据，如信号、报文、消息等。.           .根据功能和通信模式的不同，PDU可以分为以下几种类型：. 

.OTA：Over-the-Air Technology，即空中下载技术。 这项技术如此广泛使用，以至于汗牛充栋的文档对其描述。但是缺乏兼具深度和通俗的描述，大量的术语封锁了通俗理解，本文试图弥补这一缺憾。.           . ...#01..............空气Air就是无线，介质是电磁波... .本地升级 VS 无线升级. .只要是通过无线通信方式实现升级的，都可以叫OTA升级，

.进入2025年，自动驾驶行业正处于产业变革与技术重塑的道路上。过去几年，车路协同（V2X）与智能网联技术一度被视为自动驾驶不可或缺的组成部分。但随着技术发展与市场需求的变化，智驾最前沿逐渐发现一个显著变化：车路协同及其相关技术方案的讨论逐渐降温，行业的关注点转移至端到端（E2E）、重感知轻地图等与单车智能相关的方案上。. ...车路协同的时代背景与初衷.车路协同的提出源于自动驾驶技术发展的早期阶

# 1. 引言.在文章[【J6】VP简介与单算子实操](https://developer.horizon.auto/blog/12886)中，介绍了VP是什么，并以单算子rotate为例，介绍了VP API使用方法。在[【J6】工具链VP示例中日志打印解读](https://developer.horizon.auto/blog/12945) 中介绍了VP 单算子示例中用到的日志打印的头文件应该

# 1. 引言.在上一篇文章[【J6】VP简介与单算子实操](https://developer.horizon.auto/blog/12886)中，介绍了VP是什么，并以单算子rotate为例，介绍了VP API使用方法，其中有一些日志打印的代码显得特别高大上.```. LOGE_AND_RETURN_IF(src_mat.empty(), HB_UCP_INVALID_ARGUMENT,

# 1. 引言..在上一篇文章[【J6】VP简介与单算子实操](https://developer.horizon.auto/blog/12886) 中，介绍了VP是什么，并以单算子rotate为例，介绍了VP API使用方法，但对于对C++不那么熟悉的伙伴，可能会有这样的疑问：一个main函数就让VP示例跑起来了？没有什么依赖吗？CMakeLists.txt没看到，xxx.h头文件也没有，甚至连

# 1. 轨迹预测的定义.轨迹预测是自动驾驶系统“感知-预测-规控”流程中的核心环节，位于感知与规划模块之间，起到承上启下的作用。感知系统负责检测道路环境中的动态和静态元素，包括车辆、行人、自行车、交通标志、车道线等，而预测模块的任务是对这些动态对象（Agent）的未来轨迹进行推测，为后续的决策和规划提供参考。..在实际应用中，轨迹预测通常基于以下两类输入信息：..- map信息：包括车道线、交叉

J6X电源状态.=================================..J6X芯片电源域.-------------------------..J6x内部有AON、MCU和Main域三个电源域。其中AON为非下电状态需要一直供电的电源域，MCU电源域用于给Hsm和MCU及其内部IP供电，Main域给其他部分供电。..J6X电源状态列表.------------------------

.自动驾驶长尾问题是指自动驾驶汽车中的边缘情况，即发生概率较低的可能场景。感知的长尾问题是当前限制单车智能自动驾驶车辆运行设计域的主要原因之一。自动驾驶的底层架构和大部分技术问题已经被解决，剩下的5%的长尾问题，逐渐成了制约自动驾驶发展的关键。这些问题包括各种零碎的场景、极端的情况和无法预测的人类行为。..... .........自动驾驶中的边缘场景.长尾”是指自动驾驶汽车 (AV) 中的边缘情