1. 问题描述智驾算法模型训练过程中，可能存在如下情况：使用Data1完成一阶段浮点模型model_stage1_float训练后，更换训练数据为Data2，固定model_stage1_float权重，用model_stage1_float模型浮点输出，训练二阶段模型model_stage2_float，最后拼到一起成 model_all_float 用于量化部署。在进行量化时，按需使用对应的D

在 J6 BPU 内部，TAE 硬件作为张量加速引擎，主要用于 Conv、ConvTranspose、MatMul、Linear 等 Gemm 类算子的计算加速。J6 不同计算平台 TAE 支持的输入、输出精度类型如下：..||TAE输入|TAE输出（模型中间层）|TAE输出（模型输出层）|.|---|---|---|---|.|**J6E/M**|双int8、int8+int16|int8、in

在自动驾驶的感知方案中，占据感知网络（Occupancy Network，简称OCC）近年来成为了行业热点。它不再像传统的检测方法那样，费力地去猜前方是一个行人还是一个消火栓，而是直接把三维空间划分成一个个微小的方块，通过判断这些方块是否被物体占据，来告诉车辆哪里可以开，哪里不能碰。这种从识别物体到感知空间的转变，虽极大地提升了系统对异形障碍物的避障能力，但在实际落地过程中，依然面临着诸多问题。几

# 模型剪枝..## 1. 引言..在神经网络轻量化方法中，模型剪枝是一条非常重要的技术路径。它的基本目标，是在尽可能保持模型主要表达能力的前提下，删除其中冗余的参数或结构，从而降低模型规模与计算开销。对于已经训练完成的网络来说，剪枝提供了一种直接面向模型冗余的压缩方式；对于轻量化研究来说，剪枝也提供了一个观察网络内部冗余分布的重要视角。..从模型角度看，剪枝所处理的核心问题是：深度网络在达到较高

# 经典轻量化网络盘点：MobileNet、ShuffleNet与GhostNet..## 1. 引言..在前面的几篇文章中，我们已经依次讨论了神经网络模型为什么需要轻量化、如何衡量一个模型是否轻量、标准卷积为什么会成为模型复杂度的重要来源，以及深度可分离卷积为什么能够成为轻量化卷积设计中的经典方法。沿着这条思路继续往下分析，一个非常自然的问题就是：当这些轻量化思想真正落到完整网络结构中时，会形成

J6P 上 ConvTranspose3d 编译落 CPU 的问题分析与等价改写优化实践1. 背景在模型适配 J6P 平台的过程中，我们遇到一个典型问题：模型中存在 ConvTranspose3d，ONNX 中该节点可以正常导出，但经过工具链转换和编译后，在编译图中出现了 hbtl_call_native_Conv 节点。由于 hbtl_ 开头的节点表示运行在 CPU 上，没有落到 BPU，因此该

大家好，我是橙子，套用某位老总的话“安全是最大的豪华”，在智能驾驶的算法的一个细分领域—路径规划算法，同样离不开安全，如何确保路径安全，那就需要准确的碰撞检测算法。算法很多种，各有优劣势，今天给大家用大白话讲清楚两个常用的，也是我实践中用到的算法，AABB碰撞检测算法和SAT碰撞检测算法。Part 1. AABB碰撞检测算法AABB是Axis-Aligned Bounding Box的缩写，中文名

2026年的进展比想象中要快。本文从三个维度梳理2026年以来具有代表性的开源工作：认知与规划的融合、高效端到端架构的探索，以及世界模型的最新进展。所有收录工作均经过 GitHub 仓库真实性核查，确保代码可用。说明：本文主要以 GitHub 上已公开的项目为线索进行整理，筛选标准以代码可获取性和项目活跃度为主（具有一定Star数量），难免存在遗漏。未被提及的相关工作同样具有参考价值，读者可结合自

.> 本文主要来源网络资料整理学习，如有错漏，欢迎评论交流...## 1. 引言..AI Agent 正在智能座舱中加速实现规模化量产。然而，车载环境对 AI 提出了极为苛刻的要求：资源受限的硬件、毫秒级实时响应、高安全可靠性，以及“千人千面”的个性化体验。..通用基座大模型虽然能力强大，但缺乏车载场景的领域知识，也无法记忆特定用户的习惯与偏好。传统的全参数微调面临两大困境：显存消耗巨大——BF1

随着自动驾驶、机器人、无人叉车、智慧交通、港口自动化、矿山无人运输和安防周界感知的发展，激光雷达正在越来越多地部署到真实环境中。过去，一个系统可能只安装一台激光雷达；现在，一个机器人可能装多台激光雷达，一辆无人车可能装多颗激光雷达，一个路口可能部署多套激光感知设备，一个园区可能同时运行多台无人车、巡检机器人和智能设备。这就带来一个问题：当多台激光雷达同时工作时，它们会不会互相干扰？答案是：会。尤其

COMPACT-VA：自动驾驶长上下文，不是记得越多越好作者 | Zhixuan Liang、Yuxiao Chen、Yurong You、Peter Karkus、Wenhao Ding、Boyi Li、Alexander Popov、Yan Wang、Maximilian Igl、Yiming Li、Danfei Xu、Nikolai Smolyanskiy、Boris Ivanovic、Pi

大家好，我是橙子，本章主要介绍，开发过程中关于主车前方目标车辆的生成在Carla中，要在任何时刻准确生成一辆静止的车辆在主车前方，检测主车是否在算法控制下稳定停下来，首先需要的是获取主车的位置，知道主车在哪，其次是通过主车的位置进行偏移一定距离生成目标车辆，这个距离不宜太近，太近的话，由于计算延时和主车本身存在速度，会在生成时刻，主车突然检测到目标车辆无法及时制动，导致发生碰撞。1.获取主车的位置

大家好，我是橙子，本章主要介绍，开发过程中关于视角切换的代码,由于仿真过程中，我们需要变换视角观测车辆动态表现，所以我想的是通过GUI选择视角类型，切换不同视角，并使视角跟车行驶。1.视角切换功能实现我采用是使用QT的 QComboBox控件，添加不同类型的视角，通过对控件值得返回判断切换不同得视角代码功能解析该代码片段实现了一个视角切换功能，通过View_Select下拉菜单选择不同视角（前视、

大家好，我是橙子，本节为补发之前遗漏的章节，主要介绍场景构建工具的GUI设计环境配置方法，许多同学常常直接通过AI生GUI,，但是AI设计的结果往往不够理想或者对话了N轮仍无法达到自己想要的结果，建议先通过成熟工具QT可视化搭建框架，将框架生成代码，再通过AI来持续优化，本文分享的是在PyCharm中接入QT,并通过QT的Python库直接调用QT设计的GUI来实现功能，也可以将QT设计的GUI转

对于智驾系统工程师而言，智能驾驶绝非简单的算法堆叠与硬件拼接，而是一套多模块高度耦合、全链路实时协同、安全冗余闭环的复杂车载智能系统。一套可落地、可量产的智能驾驶系统，能够模拟人类驾驶员的完整操作逻辑：通过传感器感知环境、依托算法决策判断、通过整车执行动作，同时搭配安全防护、人机交互、云端协同体系，适配复杂多变的道路交通场景。FUTURE TECHNOLOGY感知定位层：筑牢环境认知基础感知定位层

# 引言..对于使用地平线J6各平台的用户而言，QAT量化感知训练是模型量化部署流程中重要的环节，同时也是量化调优的难点之一。在QAT训练过程中，受模型结构、量化配置、训练超参、硬件特性适配等多因素影响，可能出现训练Loss不收敛、前向反向过程存在NAN/INF异常值、量化精度指标相比校准阶段回退或无法通过QAT训练使指标达标等各类异常问题。....本文作为前序J6平台QAT精度调优教程的补充，总

> 声明：本文主要参考开源资料进行学习整理，如有错漏，欢迎评论交流~..本文主要介绍时序模型在使用 `horizon_plugin_profiler.QuantAnalysis` 进行量化调试时的原理以及具体示例。..## 1. **时序模型分类**..时序模型根据状态传递方式分为两类：..|类型|定义方式|特点|.|---|---|---|.|**显式时序**|`forward(x, pre_

自动驾驶是不断迭代的，早期自动驾驶依赖工程师发现问题、标注数据、调整模型，一辆无人车在路上的一次犹豫、一次误判，需要工程师事后调取日志、逐帧分析，才能定位问题所在。但当车队规模从几百辆扩展到几千辆甚至上万辆时，这种人工驱动的迭代方式必然会出现效率瓶颈。2026年4月，小马智行发布了PonyWorld世界模型2.0，那它的表现到底如何？小马智行的智驾技术取得了什么发展？小马智行PonyWorld 2

> 声明：本文主要基于公开资源学习整理，如有错漏，欢迎评论交流~...## 1. reset_scale 的作用..> 源码位于 `horizon_plugin_pytorch/quantization/observer_v2.py`。..校准完成后，每个 HistogramObserver 实例已累积了直方图数据并算出了 scale。但如果默认搜索策略（如 mse）的精度不满足预期，想换一种策略

25TOPS，这是2014年第一代Autopilot硬件Mobileye EyeQ3的算力水平。十年之后，特斯拉下一代FSD计算平台AI5的算力飙到了2000 TOPS～2500TOPS，算力提升的背后，不仅仅是晶体管数量在堆叠，更是芯片设计理念在重构。2024年6月，马斯克在社交媒体上宣布，原本预计命名为HW5.0的第五代车载计算平台，正式更名为AI5，2025年6月，AI5正式进入量产阶段，由