近日，中科大王杰教授团队（MIRA Lab）和华为诺亚方舟实验室（Huawei Noah's Ark Lab）联合提出了可生成具有成千上万节点规模的神经电路生成与优化框架，具备高扩展性和高可解释性，这为新一代芯片电路逻辑综合工具奠定了重要基础。论文发表在 CCF-A 类人工智能顶级会议 Neural Information Processing Systems（NeurIPS 2024）。. ..

        本文主要根据OE包文档里的QAT流程来编写，版本是v1.1.68，以 torchvision 中的 MobileNetV2 模型为例，介绍QAT流程中每个阶段的具体操作和详细代码，读者可安装好docker环境之后，复制里面的代码一键执行。出于流程展示的执行速度考虑，我们使用了 cifar-10 数据集。为了快速展示整体方法和流程，本文未进行精细地调参提高模型精度，用户实际使用过程中

导读：由地平线和香港大学等高校最新的提出的基于的视觉语言模型（VLM）的类人端到端自动驾驶框架：HE-Drive。大量实验结果证明，它不仅在nuScenes和OpenScene数据集上取得了最好的性能(即平均碰撞率比VAD降低了71%)和效率（即比Sparse Drive快1.9倍），而且在真实世界数据上提供了最舒适的驾驶体验。PART.01 背景简介端到端自动驾驶范式以优化规划为目标，将感知、规

目前，越来越多的激光雷达厂家在最新的产品设计中应用SPAD-SoC。凭借着优秀的综合性能、高度集成化和较低的系统成本，SPAD-SoC正在成为激光雷达的最核心器件。做个不太恰当的比喻，这颗SPAD-SoC在激光雷达中的重要性，相当于“CPU+显卡+内存”对于一台电脑的重要性。本文尝试对SPAD-SoC做一下简要介绍，主要包括基本原理、集成方案、主要指标和发展趋势等。同时，近期会邀请国内头部SPAD

#01  引 言前段时间，在知乎上看到一条提问“车到底是要智能第一还是安全第一？”。我其实在知乎上很少回答问题，要么查阅技术资料，要么自己写写安全与质量体系的文章，但这条忍不住想回复一下，因为我觉得这个问题本身就是有问题的，问法逻辑有些混乱。我给出的回答如下：“这是两个维度的问题，答案不应该是二选一。就像如果问工作是赚钱重要还是能够提升能力重要，赚钱与不赚钱是二选一，能够提升能力和不能够提升能力二

UDS作为汽车电子领域必备技能，之前文章《UDS基础知识介绍》已经介绍过UDS基础知识，AUTOSAR发展至今已经20多年，是行业内各大厂商智慧的结晶，其架构设计的内容依然是如今行业学习的标杆和榜样。本文将介绍UDS是在AUTOSAR软件中如何实现的。01 如何快速理解AUTOSAR中是如何实现UDS的本文将从三个方面介绍，UDS功能如何在AUTOSAR中实现的1)从交互关系理解Dcm2)从配置

#01前 言随着汽车技术的飞速进步，尤其是电气化、自动化及互联化的深度融合，汽车行业正经历着一场前所未有的变革。在这场变革中，汽车不再仅仅是机械与金属的简单堆砌，而是转变为集成了高度复杂电子系统、先进算法与智能互联技术的移动空间。这一转变的核心驱动力之一，便是软件在汽车设计与功能实现中日益凸显的主导地位，标志着汽车正式步入了“软件定义汽车”（Software-Defined Vehicle, SD

图片来源：Yole所谓“中央计算雷达”，是指毫米波雷达中仅实现RF射频前端和很少前处理的“精简雷达”。该雷达将原始数据，通过高速总线传输给域控制器，之后在域控中完成剩余的后处理。“中央计算雷达”的MMIC和处理器分离，雷达本体内部只有很少的计算，主要的雷达处理算法在算力更强的域控中运行，因此“中央计算雷达”又被成为“雷达头”（类似于“摄像头”），或者“卫星雷达”。资料来源：《What does s

不知道是不是有很多像我一样年纪比较大的老家伙执着于喜欢eclipse，所以我想把我配置好的eclipse环境分享出来，附件文件是已经配置好的eclipse开发环境，我在x5上已经成功编译并运行了，我删掉了项目中的模型。下载aarch64的eclipse地址：https://mirrors.ustc.edu.cn/eclipse/technology/epp/downloads/release/20

一、算法简介占据预测是指在自动驾驶系统中，根据传感器的输入，预测三维空间中的每个体素是否被物体占据。占据预测可以有效地解决三维物体检测中的长尾问题和复杂形状的缺失问题。然而，占据预测也面临着一个挑战，即如何在保证准确性的同时，提高速度和降低内存消耗。现有的占据预测方法通常使用三维卷积来处理体素级别的特征，这会导致大量的计算和存储开销，不利于部署到不同的芯片上。为了解决这个问题，文章提出了一种快速和

编译优化选项（必选）-O3 > -O2 > -O1 > -O0。O3优化效果最好，但编译速度最慢。O0无优化，编译最快。输入数据来源（必选）--input-sourceddr 普通Feature，需满足数据layout的对齐要求，额外的padding会增加读写的数据量。数据对齐受--input-layout 影响pyramid 和 resize 都是yuv420-nv12数据格式。数据量小，通常是

电子机械制动系统（EMB）是一种现代车辆制动技术，它结合了电动驱动和机械制动的优势，以实现高效、精确和灵敏的制动性能。EMB系统主要由电机、减速器、夹紧装置、卡钳和控制器等组成。华为在电子机械制动（EMB）领域的进展显著，正积极推动该技术的商业化和量产。2024年4月，华为发布了DriveONE纯电智动（EMB方案），并与江淮汽车在EMB领域展开深度合作。这一方案通过驱动和制动系统的融合控制，旨在

写在前面&笔者的个人理解由于环境多样性和场景复杂性等挑战，非结构化室外环境中的自动驾驶研究不如结构化城市环境中的研究先进。这些环境，如农村地区和崎岖的地形，构成了结构化城市地区不常见的独特障碍。尽管存在这些困难，但在非结构化室外环境中的自动驾驶对于农业、采矿和军事行动的应用至关重要。我们的调查回顾了250多篇关于非结构化户外环境中自动驾驶的论文，涵盖了离线地图、姿态估计、环境感知、路径规划、端到端

参考标题：PoliFormer: Transformer赋能的室内导航革新原标题：PoliFormer: Scaling On-Policy RL with Transformers Results in Masterful Navigators论文链接：https://arxiv.org/pdf/2406.20083项目链接：https://poliformer.allen.ai/作者单位：PR

# 1. 说明和使用方法.- 工具链的OE包默认使用的horizon_nn，使用horizon_nn_gpu时先卸载horizon_nn。.- horizon_nn_gpu版本的位置./open_exploror/ddk/package/host/ai_toolchain下的horizon_nn_gpu-XXX-py3-none-any.whl.- Gpu版本启用情况验证.``` Py

自动驾驶领域的发展见证了采用端到端算法框架的方法的快速增长，这些方法利用原始传感器输入来生成车辆运动计划，而不是专注于检测和运动预测等单个任务。与模块化管道相比，端到端系统受益于感知和规划的联合特征优化。由于大规模数据集的可用性、闭环评估以及对自动驾驶算法在具有挑战性的场景中有效执行的需求不断增加，该领域蓬勃发展。 传统的自动驾驶系统采用模块化部署策略，其中感知、预测、规划等各个功能都是单独开发并

原标题：One Policy to Run Them All: an End-to-end Learning Approach to Multi-Embodiment Locomotion论文链接：https://arxiv.org/pdf/2409.06366代码链接：https://github.com/nico-bohlinger/one_policy_to_run_them_all作者单位

1. 写在前面 & 笔者的个人理解在具身任务中，代理需要在探索过程中全面理解3D场景，这迫切要求开发一种在线、实时、细粒度且泛化性强的3D感知模型。然而由于高质量的3D数据相对匮乏，直接在3D空间中训练此类模型几乎是不可能的任务。幸运的是，视觉基础模型（Vision Foundation Models, VFM）已经在2D计算机视觉领域取得了革命性的进展，这为使用VFM辅助3D感知成为可能。但是，

#01 背 景在 2024 年 SAE COMVEC（Commercial Vehicle Engineering Congress）大陆集团商用车与特种车辆负责人 Georg Fässler 提出了几个观点：“Data processing and seamless connectivity will play a central role in future commercial vehicl

1 torch.utils.data.DataLoader 1.1 torch.utils.data.DataLoader 介绍是地平线docker里面自带的；是 PyTorch 中用于加载数据集的工具，它能够高效地批量加载数据，并支持多线程、多进程等加速数据加载的方式。下面是一个详细的使用示例，展示了如何使用 DataLoader 加载数据集。“from torch.utils import d