自动驾驶领域从来不缺“颠覆性”的概念。从早年的DNN取代传统CV，到BEV+Transformer的鸟瞰统一，再到如今行业里言必称的“端到端”，以及最近开始冒头的“VLA”。相信每个行业内人都能深刻感觉到，算法架构的每一次迭代，本质上都是工程师在“系统复杂度”与“性能上限”之间寻找平衡点的挣扎。行业内最经典的三种技术分别是：传统模块化（Modular）、端到端（End-to-End）、以及视觉语言

在人工智能从数字空间向物理世界跨越的进程中，自动驾驶和具身智能是现阶段较为瞩目的实现形式。从广义上讲，自动驾驶汽车可以被视为一种特殊的、带轮子的具身智能体，但两者在技术实现的底层逻辑、对大模型的需求以及运行环境的约束上，存在着显著的差异。自动驾驶专注于在高度结构化的交通规则下实现高效且极度安全的移动，而具身智能则试图在更广泛、更复杂的非结构化环境中，赋予机器像人类一样感知、推理及操纵物体的能力。物

（一）Horizon Journey 5 Evaluation and Development Kit 开箱及内容物开箱本次测评的是Horizon Journey 5 Evaluation and Development Kit。Horizon Journey 5 Evaluation and Development Kit 产品外包装为开盖印刷纸箱。箱内共包含两层，首层为电源适配器、各类线束等配

1. 激光雷达数据获取与解析UDP 接收模块 ：- 端口配置 ：监听 UDP 端口 （Helios-32 标准端口）- 数据包大小 ：支持 1206 字节的标准 Helios-32 数据包- 接收缓冲区 ：8192 字节，确保能完整接收数据包2.BPU 模型加载与推理模型文件 ：- 路径 ： /userdata/test/model.hbm- 类型 ：Horizon 打包模型（.hbm）- 模型

在自动驾驶行业，一个常见的认知误区是：只要不断提升感知精度，系统就会变得更安全。然而现实是，即使感知准确率达到99.9%，车辆依然可能发生事故。这揭示了自动驾驶安全的核心困境——系统级安全的缺失。真正的风险往往不在于感知本身，而在于模块间的耦合缺口。当感知完美识别出一个突然出现的行人，但预测模块误判了其运动意图，或规控模块选择了过于激进的避让策略，悲剧依然可能发生。这就是典型的“木桶效应”：任何一

当我们看一张照片时，可以通过肉眼自然地判断照片中的物体远近，这种对于空间和距离的感知，对于人类来说是本能，是从幼儿时期开始就形成的一种能力。对于自动驾驶汽车来说，为了能更好地辨别路况，也需要类似的能力。什么是深度估计？自动驾驶汽车必须理解环境中物体距离它有多远，需要能快速辨别前面是行人还是车？那个车到底是在十米开外还是一两百米远？深度估计就是让机器从感知到的图像或传感器数据中估计出物体到自身的距离

算法通过了，系统挂了。这是自动驾驶测试里最扎心的一种失败。一、22ms延迟案例：为什么SIL发现不了真实ECU的系统问题深夜十一点，测试室的灯还亮着。工程师盯着屏幕，闭环SIL（Software-in-the-Loop，软件在环仿真）已经跑了5000个场景，通过率100%。他从椅子上站起来，伸了个懒腰，心里有点飘——这套感知规划算法，在仿真世界里已经无懈可击了。第二天，他把代码烧进真实ECU（El

1640起碰撞事故背后，美国自动驾驶的十点观察基于NHTSA Standing General Order全量数据 | 709起ADS + 931起ADAS数据截至2026年2月17日 | 覆盖13家ADS实体 + 17家ADAS实体引言2021年6月，NHTSA史无前例地动用监管权力，强制要求自动驾驶（ADS，SAE L3-5）和辅助驾驶（ADAS，SAE L2）系统的制造商报告碰撞事故。截至2

## 1. 概述..`ObserverBase` 是 `horizon_plugin_pytorch` 量化框架中所有 Observer 的抽象基类。它定义了量化校准器的统一接口和核心功能，为各种量化策略（MinMax、MSE、KL等）提供了基础架构。..---..## 2. ABCMeta 深度解析..### 2.1 Python 元类机制..在 Python 中，**类也是对象**，类是由**

自动驾驶系统能否稳定、安全地工作，关键在于它能不能持续学习、持续改进。自动驾驶系统并不是靠一个写好的程序就能一直用下去的，它在运行过程中会经常遇到“看不懂”或“判断错”的情况。如果无法将这些在实际驾驶中出现的问题和新场景反馈给研发团队，团队就难以修复缺陷、提升系统能力。数据闭环，正是为了解决这个问题而建立的完整循环。它指的是把车辆在真实道路或测试中收集到的数据，持续传回给开发团队，经过处理、学习、

行泊一体的本质难点，绝非行车与泊车两个功能的简单叠加，而是两大场景在底层特性上的强对立，带来的感知、定位、规控全链路算法融合、软硬件架构协同、量产全场景泛化与成本控制的系统性工程难题。（主要还是目标场景变化后【中高速场景→低速场景】的传感复用、控制成本问题）行业的核心矛盾，是用户对“全场景可用、高稳定、低接管”的体验需求，与量产方案“降本压力下的性能折中、跨场景技术割裂、长尾场景泛化不足”之间的冲

导读直击端到端自动驾驶（E2E-AD）规划器的核心矛盾：现有主流架构依赖“感知-规划分离模块+BEV特征网格”的设计，在开环数据集（如NuScenes）上因优化中间感知任务表现优异，但闭环驾驶中暴露出“可扩展性差、鲁棒性不足”的致命缺陷——高分辨率感知表示易过拟合、解纠缠轨迹表示泛化受限、生成式规划增加冗余复杂度，且三者的联合影响缺乏系统分析，导致开环优化与闭环实用需求脱节。为此，奔驰AG联合马克

.本文基于 `horizon_plugin_pytorch` 量化工具链，详细介绍多输出网络的量化配置策略、HistogramObserver使用、混合精度设置及校准流程。..## 1. 模型结构设计..### 1.1 多输出网络示例..```python.import torch.import torch.nn as nn.import torch.nn.functional as F.from

一、写在前面之前在「人在途中」系列中，分享了一些工具链使用过程中的经验与踩坑笔记。这一篇想做一个补充：不讲算法、不讲优化，只讲基础但极其影响效率的使用方式。因为我觉得很多问题不是能力问题，而是使用方式的问题。古人说得很直接：工欲善其事，必先利其器。希望这篇文章帮你把“器”用顺。二、工具链发布包到底包含什么（必须搞清楚）这是很多人第一步就忽略的点，但其实是根本问题。每次工具链发布，本质上是一个完整的

..## 1. HistogramObserver的定义与原理..HistogramObserver是horizon_plugin_pytorch中一种基于直方图统计的量化Observer。与MinMaxObserver仅记录最小最大值、MSEObserver在线性搜索中计算MSE不同，HistogramObserver通过构建完整的数值分布直方图来捕获张量的统计特性，并支持多种量化参数计算方法。

## 1. Observer的作用..在神经网络量化过程中，Observer（观察者）是连接浮点模型与量化模型的桥梁，负责在量化感知校准/训练（Calib/QAT）过程中收集张量的统计信息，并基于这些统计信息计算出最优的量化参数。..Observer的功能包括：..1. **统计信息收集**：在前向传播过程中，Observer会记录每个张量的数值分布特征，如最小值、最大值等。..2. **量化参数

作者 | 鲁大师出品 | 汽车电子与软件在自动驾驶行业的招聘信息中，“自动驾驶系统架构师”始终是高频出现的核心岗位，薪资待遇居高不下，却也让不少从业者感到困惑：这个岗位既不直接写感知算法代码，也不负责硬件焊接调试，却被称为自动驾驶系统的“总设计师”。日常工作中，架构师们频繁召开需求评审会、绘制架构蓝图、协调各模块协同，看似“不接地气”，却直接决定了自动驾驶系统的性能、安全性、可扩展性与量产落地能力

在自动驾驶领域，如何准确地感知和理解周围的三维环境始终是技术核心。早期的感知方案主要依赖于二维目标检测，即通过图像识别出车辆、行人和交通标志，并在其周围画出矩形框。这种基于框的识别方式在面对复杂和不规则物体时显得力不从心。随着技术的发展，鸟瞰图技术将多摄像头采集的图像转换到俯视坐标系中，极大地改善了路径规划的效率，但它依然忽略了高度维度的信息。占用网络的出现彻底改变了这一现状。占用网络的优势是什么

# Senna-2：对齐视觉语言模型与端到端驾驶策略以实现一致的决策与规划......# 论文卡片..> ***Senna-2通过三阶段训练******范式**

很多人在评价自动驾驶传感器时，会把关注点放在性能参数上，比如激光雷达的点云密度够不够高、摄像头的分辨率是否足够清晰、毫米波雷达在雨雾天气下是否依然稳定。但在真实道路环境中，对于传感器的要求并不只是“看得清不清楚”，还有就是“在关键时刻有没有看丢”。激光雷达点云中出现的空洞、吸点，本质上正是“看丢”的具体表现，它并不是参数不足，而是传感器在复杂场景下对信息持续获取能力的边界。激光雷达点云空洞到底是什