CFA pattern：J6:RGGB/RCCB/RCCG/RYYCY J5:RGGB/RCCB/RCCG/RGBIR/RCCC如上，看到J5是支持RGB-IR CFA pattern的，J6上删除了，请问是基于什么考虑啊？看介绍RGB-IR很适合在低光下使用，是车载不需要吗？

# 1. 前言.在完成模型的转换编译后，会得到可以在开发板上部署的hbm模型，hbm（Horizon BPU Model）可以使用地平线推理库UCP( BPU SDK API)进行推理。.horizon_j6_open_explorer 发布物的 samples/ucp_tutorial/dnn/basic_samples/ 路径下有很多的示例，本文会使用samples/ucp_tutorial/

引言在上一篇文章中，我讲述了J6工具链中导出 qat.bc时修改输入输出名称和顺序的教程，其实在板端部署中，hbm模型的 desc信息也很重要。在板端部署工作中，用户可以将模型的版本、task 名称、roi坐标、bbox的scale等信息写进 desc中，然后使用ucp的hbDNNGetInputDesc、hbDNNGetOutputDesc、hbDNNGetModelDesc等接口获取到对应de

夏洛克 · 福尔摩斯蒙着眼睛坐在椅子上。突然，有人摘下他的兜帽，一个60多岁的男人托马斯爵士正坐在一个宏伟的办公室面对他。“福尔摩斯先生”那人开始说。“很抱歉这样叫你来。我相信你在哪里、我是谁，是个谜。”他自豪地开始说。小罗伯特·唐尼饰演的福尔摩斯沉默了一会儿，然后开始说：“至于我在哪里——我在查林十字和霍尔本之间迷失了一会儿。但路过藏红花山的面包店时得救了，因为这是唯一一家在面包上使用某种法国糖

# 1.Abstract.在自动驾驶领域，开发安全且可信赖的自动驾驶策略仍然是一项重大挑战。近年来，结合人类反馈的强化学习（RLHF）因其提升训练安全性和采样效率的潜力而备受关注。然而，现有的RLHF方法在面对不完美的人类示范时，往往会表现不佳，可能导致训练振荡甚至表现比基于规则的方法更差。受人类学习过程的启发，我们提出了物理增强的人类反馈强化学习（PE-RLHF）。该新框架协同融合了人类反馈（如

01 写在最前面从踏入职业生涯就开始接触所谓的 SOA，一直都在思考什么是 SOA，通信基石又是什么？是以太网？是 someip？是 dds？亦或者其他协议？那我的答案：都不是，是大带宽和 IP。SOA 在车载真的是一个很新的东西么？在我看来，其实也不算是，在 cp 中，站在高层开发者来说，RTE+SWC 未尝就达不到我们所谓 SOA 需要解决的痛点！那为啥依然 SOA 还会成为主流的“软件定义汽

前阵子，我参与了一个开源的自动驾驶赛车计划，我们的团队领导要求我们做的第一件事是研究目标检测算法。.我们被困住了。哪种情况下应该使用 go？在工程领域，学术派喜欢默认的技术，让工程师自己审阅论文，然后在一两周后分享他们的结论。我认为这是浪费时间，因为大多数人可能根本没看过，或者在最后一秒匆忙完成。.我们有一个“早期融合”策略，它涉及在我们阅读论文之前就将我们的大脑融合在一起……我们还有一个“晚期融

.SSD:.Q1：单J6如何接入ssd？..J6域控提供PCIe U.2接口引出，可以连接U.2转M.2 NVm设备或其他U.2接口PCIe设备。.J6 PCIe提供PCIe gen4.0 × 2lane，目前由于U.2接口性能限制，可以达到PCIe gen3.0 × 2lane的速率(理论速率2GB/s，实际可达到1.4GB/s)。.将U.2 转M.2 Nvme设备接入域控，使能PCIe需要的信

本文梳理了车载摄像头、毫米波雷达、超声波雷达、激光雷达、V2X，含当前现状、上车情况等，基础科普性质。...自动驾驶三大核心技术分别是环境感知、融合决策、线控执行。其中，环境感知作为自主行驶的基础和前提，是自动驾驶发展的第一个关键环节，其核心在于使自动驾驶系统更好的模拟、最终超越人类驾驶员的感知能力，准确的感知并且理解自身及周围的交通环境。.环境感知是一个复杂的系统，它需要多种车载传感器实时获取周

# 1. 背景.首先感谢地平线工具链用户手册和官方提供的示例，给了我很大的帮助，特别是代码注释写了很多的知识点，超赞！要是注释能再详细点，就是超超赞了！下面开始正文。..最近想着学QAT(量化感知训练)玩玩，大体看了一下地平线的用户手册，不说精度调优之类比较复杂的，光一个QAT上手，就感觉对我这种小白不是很友好，捣鼓了好久，感觉在用户手册中很多基础概念都没写，不同模块之间的关联性也没有详细地介绍，

> 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.高清地图是自动驾驶系统的重要组件，提供精确的驾驶环境信息和道路语义信息。传统离线地图构建方法成本高，维护复杂，使得依赖车载传感器的实时感知建图成为新趋势。早期实时建图方法存在局限性，如处理复杂地图元素的能力不足、缺乏实例级信息等，在实时性和后处理复杂度上存在挑战。..为了解决这些问题，基于Transformer的Map

# 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