.在自动驾驶领域，经常会听到BEV相关的技术讨论。BEV是Bird’s Eye View的缩写，中文译为“鸟瞰视角”或“俯视图”。简单理解它的含义，就是把摄像头、激光雷达、毫米波雷达或地图信息，统一映射到同一张以车为中心或者以世界坐标为基准的平面上，自动驾驶系统会像站在空中俯瞰一样，同时看到车周围所有物体的位置、车道线以及静态障碍物和动态交通参与者的分布。BEV能把三维的感知问题转换成二维的空间推

# 1. 整体介绍..在模型量化部署流程中，quantized.bc包含 qdq（Quantize/DeQuant）算子，在某些场景中，这些 qdq 算子可以删除融合到前后处理使用c++实现，但必须确保删除前后的 quantized.bc vs quantized_remove.bc 推理结果保持一致。..- quantized.bc：包含完整 qdq 的量化模型.- quantized_remo

.如果将自动驾驶的发展史比作人类的学习历程，那么在过去很长一段时间里，这个“学生”其实一直都在背诵极其繁琐的教条。这一阶段的自动驾驶系统使用的是模块化架构，它的运行高度依赖于手写的成千上万条逻辑规则。比如如果遇到行人过马路，你就刹车；如果前面的车打左转向灯，你就稍微减速；如果看到黄灯闪烁，你就判断距离是否足够停车。这种方式在逻辑简单的封闭园区或是结构化程度极高的高速公路上或许管用，但在充满随机性的

.最近有小伙伴提问，现阶段智驾能否应对井盖缺失场景，比如路上井盖被盗，车辆开过去会陷下去，那么端到端能不能识别和避开？.其实在城市道路的复杂环境中，井盖缺失、路面开裂或深坑等被称为“负障碍物”的场景，这类场景始终是智能驾驶感知领域的顽疾。与行人、车辆、交通锥等高出地平面的“正障碍物”不同，井盖缺失不仅在视觉特征上具有极强的隐蔽性，在物理探测原理上也存在天然的探测难度。对于目前的智能驾驶系统而言，能

.本文是一篇关于自动驾驶领域中视觉-语言-动作模型的综述论文，系统梳理了该方向的发展历程、核心架构、数据集、评估方法以及未来挑战。..论文：https://arxiv.org/pdf/2512.16760 .GITHUB: https://github.com/worldbench/awesome-vla-for-ad .项目主页：https://worldbench.github.io/vla4

# 1. BN简介.Batch Normalization (BN)：深度学习中常用的归一化层，核心作用是对每个 batch 的特征做 (x - μ)/σ 归一化（μ 是均值，σ 是方差），并通过可学习的 γ、β 调整分布；...![Description](https://prod-dc-resources.oss-cn-beijing.aliyuncs.com/20260117/ac3d7bc

# 1. 引言.在使用地平线算法工具链进行量化部署时，遇到两种FuseMode：OnlyBN、BNAddReLu。.....引起思考，融合的目的

1. 接入带宽计算.- Camera接入时，需评估链路上各模块之间的理论要求和限制，接入通路一般涉及加解串器，MIPI，CIM, ISP(RAW),PYM，GDC/STITCH(可选)等 ，接入模组一般分为RAW/YUV Sensor，RAW Sensor一般在通路上需要ISP处理进行处理，对处理性能有要求的需同时考虑通路中相关模块性能以及限制，对于数据接入来说前端解串器，MIPI, CIM的影响

. - [Summary](#summary). - [Introduction to YOLO26](#introduction-to-yolo26). - [Introduction to RDK S100P](#introduction-to-rdk-s100p). - [算法, 工具链, Runtime的权衡](#算法-工具链-runtime的权衡). - [BenchMark]

.自动驾驶时间同步是保障系统安全可靠运行的底层核心基础，其不仅能确保摄像头、激光雷达等多传感器数据的时空一致性，为传感器融合提供前提，还能保障决策与控制的实时准确性。本篇文章简单介绍时间同步的几种方法以及如何构建自动驾驶系统时间同步方案。.时间同步技术.GPS+PPS .基本原理.GPS 卫星搭载高精度原子钟提供 UTC 时间基准，接收机接收卫星信号后，同步输出两类关键信息：① PPS（每秒脉冲）

.华为.华为 ADS 硬件迭代：多传感器融合方案....从 ADS1.0 到 4.0 的迭代过程中，华为坚持多传感方案，通过激光雷达、毫米波雷达、摄像头等多传感器互补融合感知，达到全天候全天时的高效感知能力。....摄像头作为基础图像信息传感器，起到不可或缺的作用。...激光雷达可以丰富周边环境信息并生成 3D 环境图像，不受光照条件的影响。...极端恶劣天气条件下，毫米波雷达（4D 毫米波雷达）

.在很多厂家的技术方案中，会提到世界模型的介绍。世界模型，就是自动驾驶系统内部用来表示外部世界并预测未来演变的一组模型或表征。换句话说，世界模型就是把传感器看到的东西（摄像头画面、激光雷达点云、雷达回波、定位速度等）组织起来，变成车能“理解”和“推演未来”的内部信息，然后用这套信息去预测接下来几秒钟可能发生的事。..紧急刹车，图片源自：网络.这个“内部信息”有两种常见风格。一种是把外界拆成一堆具体

.本文主要概述一下地平线一段式端到端方案（HSD）的两篇核心文章: DiffusionDrive + ResAD。.DiffusionDrive给读者们梳理了整体pipeline，ResAD则着重于性能提升的关键：轨迹残差设计。两篇文章都很精彩，也感谢地平线的分享，给从业者带来很多启发。.DiffusionDrive..图1: diffisonDrive整体架构..DiffusionDrive的整

.车载摄像头作为自动驾驶系统非常重要的一个感知硬件，提供了类似人类“眼睛”的功能，使车辆可以看清道路、行人、信号灯及周围障碍物。在理想状态下，车载摄像头可以获得非常清晰的图像信息，但真实交通环境非常复杂，逆光、夜间无光或者照明突然变化的情况经常出现。.在这些极端光照条件下，车载摄像头出现过曝、欠曝或区域对比过大等问题是不可避免的。这些问题不仅会影响目标检测的准确性，还会让用于深度估计的算法产生较大

...随着高阶自动驾驶迈向“端到端”阶段，VLA（Vision-Language-Action，简称VLA）正在成为自动驾驶的最佳模型方案。VLA大模型通过统一建模视觉感知、语义理解与逻辑决策，使自动驾驶能够像人一样具备语义理解与推理能力，已成为目前业界突破自动驾驶“长尾场景”挑战的关键。然而，VLA大模型参数规模增长至数十亿，多模态数据在异构算力间流转处理，模型延时普遍超100ms，难达实时需求

...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.SparseBevFusionMultitaskOE模型是一个bev多任务感知模型，包含感知三大任务的检测头：sparse动态检测头，sparse静态元素检测头和通用障碍物检测头。整体的模型结构如下：..sparse bev类模型主要思路是通过关键点投影回camera空间采样并进行预测。因此对于多任务模型来说，不同t

.🔥 2026年第一期征文活动来炸场了！「征程 6」算力底座已就位，泛智驾技术赛道全面解锁！. .不想让你的 BEV 融合算法、传感器优化方案、底软工具链神操作被埋没？这次征文直接把舞台拉满 —— 从征程 6 系列芯片工具链实战到多模态感知突破的干货，只要是泛智驾相关的技术脑洞、踩坑实录、创新方案，全都欢迎甩过来！. .你的代码里藏着前沿思路，你的笔记里满是实战智慧，现在就把这些 “技术干货”

# J5 YOLOv11 模型部署实战..> 面向地平线 J5 平台，从 YOLOv11 模型结构理解，到 ONNX 导出、工具链量化编译，再到板端性能测试的完整实战记录。..---..## 一、模型简介..YOLOv11 是 Ultralytics 团队推出的最新一代实时目标检测模型，延续了 YOLO 系列的高效与精度优势，并在网络架构上进行了进一步优化。该模型整体包含 Backbone、Nec

.> 本文不是算法论文，也不是 API 手册 .> 而是一线工程中，**模型量化训练 + 分段导出部署** 的一套可落地实践总结..---..# 一、为什么要写这篇？..在真实项目中，经常会遇到这种情况：..- 模型结构没问题 .- 精度评估也能接受 .- 单模型推理是通的 ..但一旦进入工程阶段：..- 模型太大，一次性编译和部署成本很高 .- Camera / LiDAR / BEV

....今年下半年涌现的一批工作，清晰地展现了强化学习正在渗透并重塑端到端自动驾驶的几乎所有关键环节。.从基于世界模型的高效仿真训练，到利用对抗学习提升策略鲁棒性；从使用RL约束多模态轨迹生成的质量，到优化VLA模型的推理与反思能力。.这些研究有的致力于构建高效的“神经模拟器”以突破数据瓶颈，有的尝试让智能体在与环境的闭环交互中自主学习复杂策略，还有的巧妙地将RL作为“裁判”与“教练”，引导其他生