#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。  

.1. 引言.当前，地平线 J6 工具链已经全面支持了 BEVPooling V2 算子，并与 mmdetection3d 的实现完成了精准对齐。然而，需要注意的是，此算子因其内在的复杂性以及相关使用示例的稀缺，致使部分用户在实际运用过程中遭遇了与预期不符的诸多问题。.在这样的背景下，本文首先会对 BEVPooling V2 的实现进行全方位、细致入微的剖析讲解，，让复杂的原理变得清晰易懂。随后，

不久前，特斯拉“We，Robot”发布会直播吸引了全球的目光，无方向盘和踏板等传统驾驶系统的 Cybercab 和 Robotvan 的亮相，让人们把注意力又一次集中到特斯拉的FSD（Full Self-Drive）自动驾驶端到端技术。端到端自动驾驶技术，作为自动驾驶领域的一大创新方向，通过直接从传感器输入数据到输出控制指令的方式，简化了传统模块化设计的复杂流程，提高了系统的整体性能。然而，随着这

# 1. 背景 ## 1.1 量化的误差来自于哪里 $$ quantized\_value = clamp(round(\frac{float\_value}{scale}), qmin, qmax) $$ 如上是一个标准的对称量化公式，产生误差的地方主要有： 1. round 产生的舍入误差。例如：当采用 int8 量化，scale 为 0.0078 时，浮点数值 0.0157 对应的定点值为

该示例为参考算法，仅作为在J6上模型部署的设计参考，非量产算法简介在自动驾驶视觉感知系统中，为了获得环绕车辆范围的感知结果，通常需要融合多摄像头的感知结果。目前更加主流的感知架构则是选择在特征层面进行多摄像头融合。其中比较有代表性的路线就是这两年很火的BEV方法，继Tesla Open AI Day公布其BEV感知算法之后，相关研究层出不穷，感知效果取得了显著提升，BEV也几乎成为了多传感器特征融

在自动驾驶系统中，感知技术是核心基础之一。感知技术为车辆提供环境信息，使其能够实现对周围环境的理解、分析与决策，从而保证安全性和高效性。通常大家对感知的介绍停留在“眼睛”的作用，但这样的解释太宽泛了例如感知到底是什么？由哪些模块组成？输入输出有什么含义？数据怎么流转的？会经历哪些硬件模块？下面来简单看一下。..> 现在大家不都是在提倡感知规控“端到端”吗？为什么还要拆开介绍？个人理解：完全端到端还

.自动驾驶技术的快速发展加速交通行业变革，为实现车辆自动驾驶，需要车辆对复杂动态环境做出准确、高效的响应，而多传感器融合技术为提升自动驾驶系统的稳定性和安全性提供了关键支持。通过将不同种类的传感器数据整合分析，多传感器融合不仅能够弥补单一传感器的局限性，还大大提升了感知系统的精确性。. ...智能驾驶传感器的种类及技术概述.1.1 激光雷达.激光雷达（LiDAR）作为自动驾驶技术的核心传感器之一，

..本文为笔者个人见解，如有不同意见欢迎评论..1.引言.为了节省端侧计算资源以及简化部署工作，目前智驾方案中多采用动静态任务融合网络，地平线也释放了 Lidar-Camera 融合多任务BEVFusion参考算法。这种多任务融合网络的浮点训练策略可以简述为：...首先在大量数据的条件下完成多任务模型backbone部分的浮点训练；...然后，固定 backbone的权重，分别接多个 task h

..背景.相对于传统CNN模型来说，Transformer模型的最大的一个特点就是灵活性。这个灵活性主要体现在模型中穿插大量的数据重排操作，即Reshape和Transpose。如下图1所示，对于一个典型的Attention结构来说，Reshape和Transpose操作的数量大概可以占到所有操作的一半。. ......图1 Attention结构示例. .由于在Transformer模型中，Re

.【J6工具链部署实用技巧-1】如何修改bc和hbm模型的输入输出名称和顺序.【J6工具链部署实用技巧-2】如何读取和修改模型的desc信息.1. 引言.在模型部署工作中，当出现hbm模型精度不符合预期的情况时，需要做精度一致性的验证，即QAT模型、bc、hbm模型的输出精度一致性。精度一致性一直都是相对繁琐的工作，而且相对于 J5 工具链，J6 工具链的 QAT 链路有着显著的不同，且其复杂程度

..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