# ubuntu推荐的必装环境.](https://prod-dc-resources.oss-cn-beijing.aliyuncs.co

背景 & 目标为了 提供针对 J6 系列芯片专门设计的高效 backbone，我们充分利用了 J6 芯片的硬件特性，设计了高效模型 HENet (Hybrid Efficient Network)性能&精度数据HENet_TinyM总体结构HENet_TinyM (Hybrid Efficient Network, Tiny for J6M) 采用了纯 CNN 架构，总体分为四个 stage，每个

【参考算法】地平线双目深度估计参考算法StereoNetPlus-v1.2.11. 引言本文将介绍地平线基于公版的双目深度估计算法StereoNet做的优化设计。首先介绍了双目深度估计的原理以及双目点云和Lidar点云的对比，然后由公版StereoNet的介绍切入到地平线参考算法的针对性优化，最后对可视化结果进行了解读。2.双目深度估计原理2.1 基本假设假设双目系统是标准形式，即：两相机内参数相

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）特征

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

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query-

原文链接：https://www.thinkautonomous.ai/blog/tesla-cnns-vs-transformers/翻译：有一件事让我对 CNN 和 Transformer 之争特别感兴趣。先讲讲来龙去脉：埃隆-马斯克和 Yann LeCun（CNN 的发明者）之间的微信交流本文的分析基于特斯拉的会议、2021 年和 2022 年的人工智能日以及 2023 年的 CVPR，可以

# 论文信息.题目：SimpleLLM4AD: An End-to-End Vision-Language Model with Graph Visual Question Answering for Autonomous Driving..作者：Peiru Zheng, Yun Zhao, Zhan Gong, Hong Zhu, Shaohua Wu..机构：IEIT Systems..原文链

# 01 引言...图1. LMDrive 框架功能概览图.*说明：LMDrive 接收语言指令和多模态多视角的传感器数据作为输入，并实时输出决

去年上海车展回来写了《自动驾驶域控制器的来龙去脉2023》，没想到这篇文章居然有四、五万的点击量，也从侧面说明智能驾驶行业确实非常火热。今年本来北京车展完了就要更新的，但囿于琐事一直拖更到现在，实在是抱歉。今年我们继续讨论域控以及三个行业趋势：L3、大模型和舱驾一体，最后我们再简单聊聊车路协同。....# #01 行业大势：快速出清、头部聚集...去年域控制器的方案可谓是百花齐放，我在写上一篇文

..# 原来这才是【生成式AI】！！..随着ChatGPT、文心一言等AI产品的火爆，生成式AI已经成为了大家茶余饭后热议的话题。..可是，为什么要在A

1. 简介.3D Occupancy Networks 的基本思路是将三维空间划分成体素网格，并对每个网格进行各类感知任务的预测。目前以网格为中心的方法能够预测每个网格单元的占用率、语义类别、未来运动位移和实例信息。3D occupancy 可以对道路障碍物进行更细粒度的划分，同时获取更精确的占用和语义信息。然而，三维体素表示的处理带来了巨大的内存和计算开销，导致当前占用率预测方法的部署受到限制。

天准科技 TADC-D52-域控FAQ_V1.0 ，详见附件。

**前言：**2023年以来，在行业龙头特斯拉的标杆作用、大模型代表的AGI技术范式、以及自动驾驶拟人化和安全性需求的共同推动下，自动驾驶行业对于端到端的关注度一路升温。产业界、学术界和资本市场在端到端自动驾驶领域都有里程碑事件发生。...端到端自动驾驶已经成为明确的行业共识。...## 1、传统自动驾驶架构...传统的自动驾驶架构多衍生于机器人架构，因此，在机器人领域的感知-定位-规划三大模块及

## 写在前面 & 笔者的个人理解..运动规划是一项具有挑战性的任务，在高度动态和复杂的环境中生成安全可行的轨迹，形成自动驾驶汽车的核心能力。在本文中，我们提出了DRAMA，这是第一个基于Mamba的自动驾驶端到端运动规划器。DRAMA融合了相机、特征空间中的LiDAR鸟瞰图图像以及自我状态信息，以生成一系列未来的自我轨迹。与传统的基于变换器的方法不同，DRAMA能够实现计算强度较低的注意力复杂度

1. Camera模块简述：本文档简单介绍Camera子系统软件架构、列出已支持的Camera模组，并提供相应的配置说明，同时引用Sensor点亮调试方法介绍一颗新模组接入的步骤，再按根据重要功能按专题介绍接入方案限制、EMB接收等，并最终汇总平台已有单板的Camera接入使用说明，用于指导J6在Camera接入上的量产调试。1.1 硬件特性：J6上Camera接入后，进入后级模块处理，其数据流通

# 1. 使用场景.地平线J6算法工具链提供了一套板端实测 性能分析工具UCP trace，通过在 UCP 执行的关键路径上嵌入 trace 记录，进而深入分析 UCP 应用程序 调度逻辑。特别是在出现性能异常时，可以通过分析UCP trace，快速找到异常发生的时间点。另一方面，在工程任务调度层面，可以分析出 模型推理 是否在持续进行。.![Description](https://prod-d

背景J6算法工具链的参考算法示例在使用export接口导出qat.bc的时，输入名称默认为{'_input_0','_input_1',...}，输出名称默认为{'_output_0','_output_1',...}，但是在板端部署场景下，部署代码可能需要根据hbm模型的输入名称来准备输入数据（hbm模型的输入输出名称和顺序和bc模型一致），根据输出名称来适配后处理代码，导出qat.bc的默认配

写在前面基于视觉的3D语义场景补全（SSC）通过3D volume表示来描述自动驾驶场景。然而，场景表面对不可见体素的遮挡给当前SSC方法在幻想精细3D几何形状方面带来了挑战。这里提出了一种名为HybridOcc的混合方法，该方法结合了Transformer框架和NeRF表示生成的3D volume查询建议，并在一个由粗到细的SSC预测框架中进行优化。HybridOcc通过基于混合查询建议的Tra

以前提到过规划中的行为模型和行为预测，其实是规划中的一部分，也是最新的部分。也提到过端到端的机器学习做规划以及做控制（无论输入是原始感知器数据，还是感知的输出），前者输出的是车轨迹，后者就直接输出车的线控信号，即brake，throttle，steering。..那么，这里回顾一下整个自动驾驶的规划控制的经典框架和方法。..## > 1 S. Dixit et al.,“Trajectory pl