卡车和乘用车自动驾驶虽然在技术路径上共享了一部分底层逻辑，但由于应用环境及使用场景的巨大差异，两者在技术实现上其实走的是两条完全不同的路线。那卡车和乘用车自动驾驶技术上有何不同？为什么卡车需要在一公里外就开始观察？感知距离是卡车与乘用车在传感器层面最显著的区别，对于自重约两吨的乘用车，在时速100公里的情况下，紧急制动距离在40米左右，加上系统反应时间，两百米的感知范围已经绰绰有余。但一辆满载后达

## 1. 写在前面..J6E/M Matrix 板卡是面向 J6 系列芯片开发、调试和部署验证的开发平台。对于第一次接触 Matrix 板卡的同学来说，最关键的不是马上跑模型，而是先把板卡的**供电、散热、网络、串口调试链路**正确连接起来，保证板卡可以稳定上电、正常启动，并能通过网络或串口进入系统。..本文作为 J6E/M Matrix 板卡使用系列的第一篇，主要介绍三件事：..1. Matr

> 本文基于开源内容进行学习整理，如有错漏，欢迎评论交流~..### 背景..J6M 开发板要求量化感知训练与板端推理采用同一模型，流程连贯。本文基于 `plugin_basic/run_pipeline/fx_mode.py` 示例完成 QAT 量化编译，再使用 `ucp_tutorial/dnn/basic_samples/code/00_quick_start/resnet_rgb/src/

# 深度可分离卷积：轻量化网络设计的经典方法..## 1. 引言..在上一篇文章中，我们已经分析了标准卷积为什么会成为卷积神经网络中的主要复杂度来源。其根本原因在于，标准卷积将空间特征提取和通道信息融合绑定在一次高成本操作中完成：每个输出通道都要与全部输入通道相连，同时卷积核还要在整张特征图上反复滑动。这样虽然保证了较强的表达能力，但也带来了较高的参数量和 FLOPs。..轻量化卷积的目标，并不是

# 从标准卷积到轻量化卷积..## 1. 引言..在前两篇文章中，我们已经分别讨论了神经网络模型为什么需要轻量化，以及如何从参数量、模型大小、FLOPs 和推理时延等指标去衡量一个模型是否轻量。沿着这条思路继续往下分析，一个很自然的问题就是：模型为什么会重？..对于卷积神经网络而言，这个问题的答案往往首先指向卷积层。卷积层是 CNN 中最核心的计算单元，它承担了绝大多数特征提取任务，也通常贡献了模

2026年4月底，特斯拉开始向北美用户推送FSD V14.3。这个版本在技术层面做了很多改动，其将车辆控制环节最后的30多万行手写C++代码全部移除，改由神经网络直接输出驾驶指令。与此配套的还有编译器重写、模型规模大幅提升，以及时空记忆能力首次落地等。今天就详细和大家聊一聊特斯拉的FSD V14.3。图片源自：网络端到端的最后一块拼图，是怎么做到的？其实从V12开始，特斯拉就将感知和路径规划这两个

地平线征程6M（J6M）采用“四芯合一”超异构架构，将控制算法部署在片内集成的MCU安全岛、其余算法部署在SOC域，核心是两类算法的核心需求与硬件特性匹配，同时满足车规功能安全、硬实时性、系统冗余与算力效率的硬性要求，具体原因如下：一、车规功能安全与合规的硬性约束这是架构划分的核心前提。车辆控制算法（横向/纵向控制、制动/转向执行器控制、故障安全处理）属于智能驾驶最高安全等级的安全关键任务，直接关

高阶辅助驾驶一旦实质依赖视觉系统，问题就不再是“某个模块好不好用”，而是视频链路、网络带宽、中央算力、降级边界与整车工程目标共同作用后的系统结果很多人讨论辅助驾驶时，习惯把体验差异直接归因到“某个摄像头不好”“某个模块不行”或“某套方案水平高低”。但从整车工程角度看，只要系统已经实质依赖视觉输入，视频系统就不再是单一部件问题，而是摄像头数量、链路拓扑、带宽预算、中央计算平台、故障降级策略，以及OE

最近刷智驾新闻，两个词频繁“打架”：VLA 和世界模型。有人站VLA，说它是端到端的终极答案；有人挺世界模型，认为这才是通往自动驾驶的必经之路。评论区更是吵得不可开交，仿佛车企分成了两个对立阵营。但说实话，这很可能是一场误会。VLA 和世界模型，根本不是“二选一”的单选题。 它们是两个不同层次、不同分工的技术，而且现在主流玩家已经在悄悄把它们揉在一起用了。01 先搞清概念：一个是“大脑”，一个是“

摘要随着高阶自动驾驶技术的量产落地与研发迭代，仿真测试已从辅助验证工具升级为自动驾驶全生命周期研发的核心基础设施，是解决实车测试成本高、极端场景覆盖难、功能安全与预期功能安全合规要求的核心手段。本文系统梳理了当前自动驾驶仿真测试的核心架构、主流技术体系、工程落地范式与行业标准，重点阐述了高保真多传感器仿真、自动化场景生成、云原生闭环测试、仿真置信度量化等前沿关键技术，分析了当前行业面临的核心挑战与

> 声明：本文来自网络资源学习整理，如有错漏，欢迎评论交流~..# 1. 语义检索定义.语义检索模型，是把感知结果从“固定类别 + 数值输出”，升级为“可被文本/概念查询的语义空间”，用于完成目标定位、场景理解、记忆对齐和风险检索的能力模块。..以智驾中语义检索为例，传统智驾感知是：.```.检测 / 分割 / OCC.→ 固定类别（car / ped / lane / drivable）.→ 几

（五）YOLOv5性能评估静态性能验证cd /data/horizon_j5/model_output..hb_perf yolov5n-det.bin..2026-05-19 09:57:25,892 INFO log will be stored in /data/horizon_j5/model_output/hb_perf.log..2026-05-19 09:57:25,899 INFO

上文已经完成了wsl，ubuntu22.04和docker环境的安装进入wsl ubuntu之后进入解压的文件夹目录下运行 bash run_docker.sh ~/horizon/data cpu看到root@数字就进入了open explorer的docker环境，可以开始运行例程中的PTQ 。在wsl ubuntu中进入解压目录运行 这里我只是把run_docker_gpu.sh内容增加了一

各位可以查看https://developer.horizon.auto/docs/J5/toolchain/1.1.77/brief 的文档来进行环境的安装，查看视频【征程5】算法工具链系列课程https://developer.horizon.auto/course/10037 的前8节来了解如何安装环境。不得不吐槽下视频名称和顺序上传的有点乱，而且内容相对较老。win系统安装需要线安装wsl

智能驾驶（Intelligent Driving / Automated Driving）是当代汽车产业最核心的技术变革方向之一，它不仅是人工智能技术的集大成应用场景，更是衡量一个国家汽车产业竞争力和科技实力的重要标志。按SAE J3016标准，智能驾驶从L0（无自动化）到L5（完全自动驾驶）共分为六个等级，当前行业主流量产车型已跨越L2辅助驾驶阶段，正加速向L3有条件自动驾驶和L4高度自动驾驶迈

（四）YOLOv5模型PTQ量化YOLOv5模型介绍Ultralytics YOLOv5 🚀 是由 Ultralytics 开发的尖端、最先进（SOTA）计算机视觉模型。YOLOv5 基于 PyTorch 框架构建，以其易用性、速度和准确性而闻名。它融合了广泛研究与开发中的见解和最佳实践，使其成为各种视觉 AI 任务的热门选择，包括目标检测、图像分割和图像分类。（以上内容取自 Ultralyti

本文梳理当前自动驾驶领域主流的两种冗余架构（对称式、非对称式），均严格遵循ISO 26262功能安全标准，具备独立仲裁模块，完整覆盖感知、定位、规划、决策、控制、诊断、仲裁七大核心功能，可适配L2+至L4级自动驾驶场景，兼顾可靠性、安全性与工程可实现性。一、架构核心通用要求无论对称式还是非对称式冗余架构，均需满足以下基础要求，确保功能安全与冗余有效性：•功能安全合规：核心安全模块（仲裁、诊断、从系

本篇论文出发点：传统端到端方法主要专注于模仿专家轨迹，缺乏对环境进行深入理解和推理，尤其是在一些少见或复杂的场景中表现不足。随着视觉-语言模型VLM的发展，视觉语言模型能够拥有大量世界知识并具备推理能力，因此备受关注。在VLM基础上，视觉-语言-动作模型VLA更近一步，将场景理解拓展为"行动"，生成自车可执行的轨迹，但当前VLA模型中仍然存在着不少问题：1.动作生成要么不符合物理约束，要么模型结构

你有没有想过，未来的智能驾驶系统会不会有一天真的能像一个经验丰富的老司机那样开车？不是那种只会机械执行指令的机器，而是懂得察言观色、会礼让行人、能在拥堵路段见缝插针、甚至还能预判前方路况的"活"司机？小鹏的第二代VLA（视觉语言动作模型）正在让这个想象变成现实。从"翻译官"到"直觉反应"：AI开车的思维革命要理解VLA2.0的突破，我们先得看看传统智能驾驶是怎么工作的。以前的系统就像一个刚学外语的

智能驾驶车辆通过环境感知系统，实时检测自车行驶的交通环境信息如交通参与者、道路信息、交通设施信息等，并综合自车行驶状态，判断自车按照既定路线能否安全到达目的地，若不能则自车会要求驾驶员/自动实时调整行驶状态（制动、转向、加速），保证车辆以最优的方式安全到达目的地。智能驾驶系统分为三类，驾驶辅助（仅有提醒功能，不会对车辆进行任何干预）、高级驾驶辅助（可在横向或/和纵向上对驾驶员进行辅助，但不允许驾驶