..技术背景.YOLOv5是一种高效的目标检测算法，尤其在实时目标检测任务中表现突出。YOLOv5通过三种不同尺度的检测头分别处理大、中、小物体；检测头共包括三个关键任务：边界框回归、类别预测、置信度预测；每个检测头都会逐像素地使用三个Anchor，以帮助算法更准确地预测物体边界。.YOLOv5具有多种不同大小的模型（YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x）

pinctrl使用.==============..J6X芯片中3个sys包含可软件控制的pin脚，根据用户的需要，可以对pin脚进行功能复用，属性设置和电压域设置。..**pinmux功能**..soc中的pin脚可以被设置为不同的功能，通过pinmux设置可以根据用户需要配置为相应的功能， 每个引脚有四种复用功能可选。..**pinconf功能**..soc中的pin脚可以被设置为不同的状态，

..convert_tool工具介绍.下面主要介绍常见的APA场景和去畸变场景的使用方法， 工具使用命令行传参的方式来执行，自动生成相应的GDC、STITCH配置文件。...工具包构成.工具包含PC部分和板端两个部分...PC端工具......板端工具....其中configs目录包含7个场景的子目录......工具执行流程.根据场景的不同使用PC端工具生成相关场景的GDC配置文件或者STITCH

..性能测试方法原理.CAMSYS其性能指标主要包括：帧率、延迟，以及系统的DDR带宽、CPU占用率等。.对于帧率、延迟，通过在驱动中创建trace event，分别记录通路上的每个IP，每帧开始处理（frame_start）和结束处理（frame_end）的时间戳信息和帧信息，来实现帧率计算和延迟统计。...帧率统计.每个模块处理完成后会产生一个frame_done中断，此时会记录下一个even

在使用J6工具链进行模型转换编译链路中，有插入图像前处理节点的步骤，若不细究其中的参数原理，很有可能在这儿出现问题，本文将具体介绍插入图像前处理节点前后quantized.bc与nv12_quantized.bc的比对过程以及推荐方案。..# 1. 插入图像前处理.preprocess处理流程：输入 -> 图像类型转换 -> 数据格式转换 (int 转 float， 即除 divisor) ->

# 1. 引论：写在前面的 .性能评估和精度评估在模型开发和部署过程中是至关重要的两个部分。对于精度评估，地平线算法工具链提供了两中路径进行算法的精度评估。一条为服务器端精度评估，该路径通过PYTHON脚本使用PYTHON推理接口进行板端推理仿真，运行.BC或quantized.onnx量化量化模型以获取推理结果并进行后处理后与真值进行对比，最终计算出量化模型的精度；另一条另则是直接在板端推理量化

...01、前  言...行业内的小伙伴门基本都知道电子元器件的车规级测试标准是AEC标准，电子元器件通过AEC-Q认证测试后才能宣称是车规级器件。比如一颗车规级芯片一定是通过了AEC-Q100测试的，然后才具备了车载应用的条件（用在ECU上）。同理，对于一个汽车电子零部件或者说ECU来讲，也只有通过相应的车规级测试后才具备了车载应用的条件（安装在车上），这个测试就是我们通常说的DV测试。但是DV

..引言.征程6相比于征程5，在整体架构上得到了升级，相对应的，算法工具链的算子支持也得到了扩充，无论是算子支持的数量，还是BPU约束条件，征程6都有明显的加强，这就使得过去在征程5上无法部署的算法得以在征程6上成功部署。本文就以双目深度估计中比较经典的CGI算法为例，进行征程5和征程6算法工具链的编译部署对比。.CGI导出onnx.CGI是一种经典的双目深度估计算法，官方github地址为：ht

.在智能驾驶的控制执行过程中，通常输出给执行器的指令主要以加速度（或制动）和转向角的形式。这些指令通常通过车辆控制单元（VCU）或执行器控制器传递到物理执行机构（如电动转向系统、制动系统、加速器等）。因此，控制闭环一般在执行器端闭合，智能驾驶控制系统更多地关注高层的规划和控制指令输出，确保执行器能够根据系统要求进行精确操作。同时，智能驾驶系统也可能通过感知反馈进行更高层次的控制闭环，比如车速、位置

.1.乘员舱制冷模式. ..2.低负荷乘员舱制冷模式..3.电池压缩机制冷模式...4.乘员舱电池双冷模式..5.电池节能散热模式..6.乘员舱直接制热模式..7.乘员舱间接式制热模式..8.乘员舱余热利用模式或电机降效制热模式...9.电池单热模式..10.低负荷乘员舱制热模式、有三种方式，具体可以看哪种更节能....11.乘员舱制冷电池制热..12.乘员舱制热电池制冷..13.压缩机自产热..

# 1. crop方案解读.## 1.1 引言.在OE/samples/ucp_tutorial/dnn/basic_samples/code/02_advanced_samples/crop路径下，提供了一个crop示例，该示例主要帮助您熟悉如何对图像进行裁剪并作为模型的输入进行推理。..示例代码的整体流程与 00_quick_start 相同，差异主要在于输入数据的准备，对整体流程感兴趣的可见

..GPIO使用.===========..J6X Acore芯片内中共有3个sys有gpio设备，分别是peri, cam和video，每个设备最多有32个gpio引脚，并且每个gpio引脚都支持中断。...![Description](https://prod-dc-resources.oss-cn-beijing.aliyuncs.com/20241216/440ae2a3-8fbb-4d8

.由于MATLAB Scopes可视化功能有限，不足以支持工程师进行详细的数据分析。优化模型参数的过程费时费力——需修改MATLAB Workspace中的值或生成特定的GUI元素。为此CANape推出的Simulink XCP Server功能，针对Simulink模型以及ECU内部数据的参数化和可视化，让模型调参变得简单。并且从CANape19.0版本起，该功能面向所有用户，不需额外选配，所以

.   近年来，ADAS市场增长迅速，这类系统已经从高端市场扩展到中端市场，并且在入门级乘用车领域也变得更加常见，一个性能良好的ADAS系统离不开ADAS系统标定工程师多次反复的测试验证，下面将分别通过横纵向两大块功能来介绍ADAS系统的主要标定验证过程。.纵向功能主要介绍自适应巡航ACC以及自动紧急制动功能AEB两大部分，横向功能主要介绍车道偏离预警LDW，车道偏离辅助LKA，车道居中保持LCK

.该示例为参考 算法 ，仅作为在 J6 上模型部署的设计参考，非量产算法。简介..激光雷达天然地具有深度信息，摄像头可以提供丰富的语义信息，它们是车载视觉感知系统中两个最关键的传感器。但是，如果激光雷达或者摄像头发生故障，则整个感知框架不能做出任何预测，这在根本上限制了实际自动驾驶场景的部署能力。目前主流的感知架构选择在特征层面进行多传感器融合，即中融合，其中比较有代表性的路线就是BEV范式。BE

> 该示例为参考算法，仅作为在J6上模型部署的设计参考，非量产算法。.# 1.简介.轨迹预测任务的目的是在给定历史轨迹的情况下预测未来轨迹。这项任务在自动驾驶、智能监控、运动分析等领域有着广泛应用。传统方法通常直接利用历史轨迹来预测未来，而忽略了预测目标的上下文或查询信息的影响。这种忽视可能导致预测精度的下降，特别是在复杂场景中。.QCNet（Query-Centric Network）引入了一种

.车联网市场中带智能座舱的汽车销售占比快速提升，用户对智能语音交互的需求从早期的尝鲜到现今需求的更多样化、多场景化，用户希望智能座舱中的智能语音交互更加智能化、更懂自己。.一、需求调研与痛点分析.1、目标用户分析：.（1）用户画像分析..（2）购车目的：.愉悦自我，拥有专属于自己的座驾：第1辆给老公、第2辆给给自己。、姐妹都有车， 我也想有。.增加出行便捷性： 提高生活质量， 出行方便、接送小孩、

该示例为参考算法，仅作为在J6上模型部署的设计参考，非量产算法.简介.BEVFormer是当前热门的自动驾驶系统中的3D视觉感知任务模型。BEVFormer是一个端到端的框架，BEVFormer可以直接从原始图像数据生成BEV特征，无需依赖于传统的图像处理流程。它通过利用Transformer架构和注意力机制，有效地从多摄像头图像中学习生成高质量的鸟瞰图（Bird's-Eye-View, BEV）

# 1. J6参考算法介绍.J6参考算法在覆盖J5已有的分类、检测和分割等高效参考算法的基础上，新增了面向J6平台的高效基础算法Backbone，同时面向典型智驾场景推出针对性的场景算法，覆盖动静态目标检测、双目、道路拓扑和预测等丰富场景，秉承地平线软硬件结合的理念，极大地赋能客户设计出J6平台高效的算法。J6平台新增的算法和模型包括：.- 高效Backbone：HENET系列；.- 动态障碍物检

.产品防呆设计运用避免产生错误的限制方法，让操作者几乎可以“无脑”的完成正确的操作。运用防呆设计不仅仅能够节约产品成本也能够节约用户成本，并构造良好的用户体验。.. ..你的用户在使用你产品的过程中，会不会不太理智、很粗心？.你的用户在使用你产品的过程中，无意间的操作，会不会引起很大损失？.你的用户在使用你产品的过程中，会不会感觉你设计不好，而让他们犯了错？..如果对如上问题的答案都是“会的”，那