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PETR 是一个 3D 目标检测模型，它把 3D 位置引入 Transformer 解码：通过 3D 位置编码将图像特征与 3D 空间位置关联，Transformer 的 query 直接与 3D 位置编码特征交互预测 3D 检测框，无需显式 BEV 特征构造。本文将介绍 PETR 在地平线 J6 平台上的优化部署。性能精度指标PE

引言一个有意思的现象是：Qwen2.5-VL 3B 和 7B 两个规模，用的是同一份代码、同一张结构图、同一套模块名，只是跑出来的网络一大一小。按直觉，规模不同应该要写 if size == "3B": ... else: ... 这样的分支才对。但实际上没有。本文要回答的核心问题就是：为什么仅靠读取 config.json，就能用同一份代码完成 3B 和 7B 两种规模的网络构建？答案可以浓缩成

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-cen

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感知系统中，激光雷达（LiDAR）凭借直接测距、不受光照影响的优势，是3D目标检测的重要传感器。LiDAR 3D 检测通常先将无序点云体素化（voxel/pillar 化）为规则的伪图像表征，再通过2D卷积网络提取特征并完成检测框的回归与分类，代表性方法包括 VoxelNet、PointPillars、CenterPoin

..前几篇里，我分别测试了 OE-Skills Router 的路由纪律，以及 OE-Skills、OE MCP 对征程6工具链回答的影响。..这些实验让我发现一个更实际的问题：当任务从“某个工具怎么用”变成长链路规划时，应该让 Agent 一次性给出完整方案，还是让它先拆阶段、逐段展开，最后再汇总？..直觉上，分阶段规划应该更稳。..它有更多轮次，可以逐步检查模型、数据、PTQ、HBDK/HBM

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感知系统中，激光雷达（LiDAR）凭借直接测距、不受光照影响的优势，是3D目标检测的重要传感器。LiDAR 3D 检测通常先将无序点云体素化（voxel/pillar 化）为规则的伪图像表征，再通过2D卷积网络提取特征并完成检测框的回归与分类，代表性方法包括 VoxelNet、PointPillars、CenterPoin

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，BEV（Bird's Eye View）感知通过将多视角图像特征转换到统一的鸟瞰图空间，实现多摄像头融合的3D感知。其中基于 Lift-Splat-Shoot（LSS）的 BEV 方法通过深度估计与视锥点云投影完成 2D 到 3D 的视角转换，是主流的 BEV 感知路线之一。bev_vtv2 是基于 LSS

该示例为参考算法，仅作为在J6上模型部署的设计参考，非量产算法简介图像分类是视觉感知的基础任务，也是许多检测、分割等下游任务的 backbone 来源。在车端部署时，分类/特征提取网络既要有足够的精度，又要兼顾 BPU 的算力利用与访存带宽约束，因此通常需要针对芯片计算特性做软硬件协同设计。MixVarGENet 是地平线自研的面向分类任务的高效 backbone，高度秉承"软硬结合"的设计理念，

上一篇里，我用 10 组固定的征程6任务盲测了 OE-Skills Router。那一轮回答了一个问题：面对 ONNX PTQ、PyTorch QAT、HBDK/HBM 编译、UCP 推理和真实板端性能请求时，Router 能不能把任务送到合适的 Skill，同时守住“没有 OE、没有 J6 板卡就不能假装已经跑通”的边界。但还有一个更直接的问题没有回答：**如果把同一组征程6问题交给普通 Cod

上一篇里，我用 Codex + OE-Skills 把征程6模型部署里常见的几个概念先理了一遍：HMCT、HBDK、HBM、UCP，以及 PTQ 和 QAT 两条不同的入口。但当时还有一个问题没有验证：OE-Skills 真遇到具体的征程6开发任务时，能不能稳定找到正确的 Skill？比如普通 ONNX 做 PTQ，应该进入 HMCT；PyTorch 模型做 QAT，应该进入 Plugin；到了 

第一次接触征程6开发资料时，我遇到的第一个问题不是代码，而是一堆看起来都很重要、但一开始完全串不起来的名词：OpenExplorer、HMCT、HBDK、HBM、UCP、PTQ、QAT……它们到底分别负责什么？单独查一个概念并不难，真正麻烦的是：它们放进一条模型部署链以后，谁在前、谁在后？普通 ONNX 和 PyTorch 又是不是走同一套流程？正好看到 HorizonRobotics 官方的 O

1. 功能概述¶本文的demo sample实现4路环视鱼眼暂停和恢复数据流的功能。4V场景下，可调用VIO API hb_vio_pause_pipeline暂停指定软件通道的CIM数据流；调用VIO API hb_vio_resume_pipeline恢复指定软件通道的CIM数据流，低功耗处理场景可参考使用。1.1. 软件架构说明¶调用VIO API来实现整个数据通路，实现多路camera接入

ftrace介绍static ftracegcc -pg选项，将每个函数都将先调用__mcount，所有函数都共用同一个stub函数dynamic ftrace在函数前插入nop（什么都不做的指令）指令在开启某一个函数trace时，将函数前面的nop指令改为跳转到stub函数的指令ftrace_run_update_code()更改nop指令时，芯片层面实现同步机制（暂停其他核）避免由于并发导致问

引言Qwen2.5-VL 是一个视觉-语言多模态大模型（VLM）。要理解它，第一件事是搞清楚"它到底长什么样"——有哪些模块、每个模块叫什么名字、数据怎么流过去。本文 Qwen2.5-VL 的实现代码，描述网络的总体架构、各支路的模块组成与功能、模块名称，以及视觉 token 化的示例。1. 总体架构Qwen2.5-VL 整体由三部分组成：视觉编码器（Vision Encoder / visual

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

1.功能概述¶编码 yuv 图像，生成 h264/h265 视频或 jpg 图片。1.1. 软件架构说明¶采用MediaCodec的poll模式来解耦输入和输出，可使编码帧率性能达到最优。 在主线程中灌YUV数据：取出一个空的input buffer，配置YUV数据的地址信息（如phys addr），再queue input buffer并通知编码器处理该帧数据； 另一个线程取输出码流：通过sel

1. 功能概述¶本文的demo sample实现GDC多路处理鱼眼图，最后通过STITCH拼接成鸟瞰图。1.1. 软件架构说明¶本文的demo sample采用回灌流程，即从系统存储中读取文件作为GDC的输入图像，调用VIO API，基于GDC配置bin文件完成GDC处理，再通过videostitch API和对应的拼接LUT表文件实现对GDC输出图像的拼接，得到鸟瞰图。其中使用到的JSON配置文

# ISP sample代码位置.sample的代码位于工程目录：{sdk_dir}/test/samples/platform_samples/source/S83_Sample/S83E04_Module/isp_sample;..# 运行命令.Usage: /app/sample/S83_Sample/S83E04_Module/isp_sample/bin/isp_sample.-v --

1. 功能概述¶本文主要以J6X Matrix板子为例，介绍四个适用于不同场景的时间同步方案，包括单时间域方案和双时间域方案。目前MCU主线默认支持的是时间源接入J6 MCU的单时间域方案。注意：由于gPTP需要在AUTOSAR BSW中实现，因此对于不包括AUTOSAR BSW的地平线交付软件，本文列举的gPTP功能需要客户自行实现，地平线不负责交付。 此外，实际芯片存在多个网卡，本文sampl

1. 功能概述¶本文的demo sample实现从用户层调用secure storage密钥管理与文件存储。分别调用了安全存储服务以及安全存储接口。1.1. 软件架构说明¶按照调用的接口，将本demo分为两个部分，第一部分为persistence接口，通过调用persistence接口，访问安全存储服务，进行数据存储，称为hb_st_client_sample。第二部分为安全存储接口，通过调用se