在如今的电动车发布会上，如果不甩出128/256/512线激光雷达这张王牌，似乎都不好意思说自己懂智驾。很多人以为加了激光雷达，车辆就有了上帝视角，计算压力会变小。大错特错。今天我们就从底层数据的角度，扒一扒激光雷达到底占用了多少算力，以及它为何让智驾芯片有苦说不出。算力消耗如果只看 NPU 的账面数字，处理激光雷达的数据似乎并不贵。以主流的 NVIDIA Orin-X 平台为例，运行一个经典的

相信很多人小时候看动画片的时候，一定看到过这么一个画面，动画片中的主角会在墙壁上画出极其逼真的隧道，从而误导对手撞向墙壁。就在去年，前美国国家航空航天局工程师马克·罗伯就利用类似的手段，在泡沫塑料墙上绘制了一幅三维道路画作，结果成功骗过了一辆处于自动辅助驾驶状态的特斯拉（开启Autopilot功能）。实验中，特斯拉在时速四十英里的情况下，完全没有做出制动动作，直接穿透了这堵假墙，而另一辆配备了激光

# 1. 问题描述.A同学训完一阶段浮点模型P_model_float，将模型提供给B同学，B同学固定P_model_float权重后（用一阶段浮点输出），分别用不同数据分开去训练二阶段prediction、planning两个分支，最后拼到一起成 float_model_all 提供给C同学用于量化部署。..![Description](https://prod-dc-resources.oss

.一、写在前面：为什么要写这篇文章.在 BPU 推理链路中，VP（Vision Pipeline）承担了大量图像前处理工作，例如裁剪、缩放、颜色格式转换等。相比普通的软件图像处理接口，VP 接口直接面向硬件，性能优势明显，但也引入了严格且隐含的使用约束。.在实际项目中，hbVPRoiResize 是一个非常常用的接口，同时也是一个非常容易踩坑的接口。本文基于一次真实的客户问题排查过程，对 hbVP

.# Sparse4D：从 Dense BEV 到工程可落地的世界建模..---..## 引言：当 BEV 走到工程拐点..在 BEV 路线逐渐成为智能驾驶感知主流之后，一个现实问题开始变得无法回避： .BEV 在方法论上是正确的，但以 Dense BEV 为核心的实现方式，并不天然适合长期运行在真实系统中。..无论是 BEVFormer 还是 BEVFusion，它们都隐含着一个共同前提——

..在接触智能驾驶算法之前，我对“感知”的理解更多来自图像世界：图像是规则的二维网格，像素密集、连续，卷积网络天然适配。.而当真正进入 3D 感知、多传感器融合、BEV 表达以及工程落地 之后，点云成了一个绕不开的核心对象，也成了很多复杂问题的源头。.这篇文章是我在从「会用点云模型」到「逐步理解点云数据、算法结构与工程落地」这个阶段，对点云算法的一次系统整理。希望读完后，你能形成一张清晰可复用的点

.在智能驾驶相关的算法中，RT（R|T） 几乎无处不在。但在实际工程中，RT 往往被当作“理所当然存在的几何工具”，很少被系统性地讨论。.直到开始做多模态融合、BEV、时序对齐，以及模型量化和部署，很多人才会意识到：..RT 相关的几何链路，往往是数值最敏感、量化最容易出问题的一环。..文章从客户支持过程中遇到的问题进行整理，尝试从可理解的角度，系统梳理 RT 的基本概念、使用方式、与内参外参的关

# 智能驾驶感知算法的演进 .## 从 2D 感知到 BEV 世界模型..---..## 一、问题的本质：自动驾驶究竟要“理解”什么..智能驾驶中的感

自动驾驶开发者，你是否还在为“安全”与“高效”的永恒矛盾而头疼？一套算法在空旷高速上表现完美，一到复杂路口就“怂”成乌龟。另一套算法交互激进，却又在舒适度上丢分。2024年CommonRoad规划大赛的冠军方案，用一套“双脑”协同的博弈论策略，给出了一个令人惊艳的解法：牺牲少量“最优解”质量，换取覆盖99%以上复杂场景的超强鲁棒性。 读完本文，你将彻底掌握这套顶级规划器的核心架构与博弈精髓。❓ 为

超声波雷达作为一种基于声波反射原理的非接触式传感设备，凭借其结构简单、成本低廉、对障碍物识别灵敏等优势，在智能驾驶领域得到了广泛应用。本篇文章简单介绍超声波雷达原理、分类、安装、特性及其应用。工作原理超声波雷达的核心原理基于超声波的发射、传播与反射特性，通过计算声波往返时间实现距离测量，整体工作流程可分为四个关键步骤：超声波发射：雷达内部的压电换能器（核心部件）在电信号激励下发生机械振动，产生频率

自动驾驶技术路径的每一次技术转向，都伴随着底层数据处理逻辑的彻底重构。过去，智驾系统普遍依赖模块化设计，将驾驶任务拆解为感知、预测、规控等独立环节；而今，以端到端技术为核心的新路径正迅速崛起，试图通过一个统一的神经网络直接完成从传感器输入到驾驶指令输出的全过程。这种架构上的根本差异，也对数据标注提出了不同的要求。模块化与端到端的区别，图片源自：网络 模块化技术路径，以环境理解为核心的微观标注在自动

# 多 Batch 量化校准与单 Batch 校准的数值差异 .## ——从 GPU 浮点计算与并行归约谈起..在模型量化过程中，常见的一种工程优化手段是**使用多 batch 进行校准（calibration）**，以提升 GPU 利用率、缩短校准时间。在实践中可以观察到这样一个现象：在部分模型上，多 batch 校准与单 batch 校准得到的量化结果并不完全一致，甚至可能出现精度差异。..

.随着deepseek的火热，曾经长期处于相对边缘位置的强化学习成为从冷门到主流的AI技术。在自动驾驶领域，端到端架构逐渐成为行业的主流，至于端到端的架构优势可谓是有一道箩筐。在优势的背后首先是原先技术范式在当前的认知下已经触及性能天花板，其次是寻找实现系统持续优化和超越人类驾驶能力上限的关键路径。.. .在自动驾驶发展的早期和中期，模仿学习扮演了至关重要的角色。其核心逻辑是让AI系统通过海量的传

.在自动驾驶领域，经常会听到BEV相关的技术讨论。BEV是Bird’s Eye View的缩写，中文译为“鸟瞰视角”或“俯视图”。简单理解它的含义，就是把摄像头、激光雷达、毫米波雷达或地图信息，统一映射到同一张以车为中心或者以世界坐标为基准的平面上，自动驾驶系统会像站在空中俯瞰一样，同时看到车周围所有物体的位置、车道线以及静态障碍物和动态交通参与者的分布。BEV能把三维的感知问题转换成二维的空间推

# 1. 整体介绍..在模型量化部署流程中，quantized.bc包含 qdq（Quantize/DeQuant）算子，在某些场景中，这些 qdq 算子可以删除融合到前后处理使用c++实现，但必须确保删除前后的 quantized.bc vs quantized_remove.bc 推理结果保持一致。..- quantized.bc：包含完整 qdq 的量化模型.- quantized_remo

.如果将自动驾驶的发展史比作人类的学习历程，那么在过去很长一段时间里，这个“学生”其实一直都在背诵极其繁琐的教条。这一阶段的自动驾驶系统使用的是模块化架构，它的运行高度依赖于手写的成千上万条逻辑规则。比如如果遇到行人过马路，你就刹车；如果前面的车打左转向灯，你就稍微减速；如果看到黄灯闪烁，你就判断距离是否足够停车。这种方式在逻辑简单的封闭园区或是结构化程度极高的高速公路上或许管用，但在充满随机性的

.最近有小伙伴提问，现阶段智驾能否应对井盖缺失场景，比如路上井盖被盗，车辆开过去会陷下去，那么端到端能不能识别和避开？.其实在城市道路的复杂环境中，井盖缺失、路面开裂或深坑等被称为“负障碍物”的场景，这类场景始终是智能驾驶感知领域的顽疾。与行人、车辆、交通锥等高出地平面的“正障碍物”不同，井盖缺失不仅在视觉特征上具有极强的隐蔽性，在物理探测原理上也存在天然的探测难度。对于目前的智能驾驶系统而言，能

.本文是一篇关于自动驾驶领域中视觉-语言-动作模型的综述论文，系统梳理了该方向的发展历程、核心架构、数据集、评估方法以及未来挑战。..论文：https://arxiv.org/pdf/2512.16760 .GITHUB: https://github.com/worldbench/awesome-vla-for-ad .项目主页：https://worldbench.github.io/vla4

# 1. BN简介.Batch Normalization (BN)：深度学习中常用的归一化层，核心作用是对每个 batch 的特征做 (x - μ)/σ 归一化（μ 是均值，σ 是方差），并通过可学习的 γ、β 调整分布；...![Description](https://prod-dc-resources.oss-cn-beijing.aliyuncs.com/20260117/ac3d7bc

# 1. 引言.在使用地平线算法工具链进行量化部署时，遇到两种FuseMode：OnlyBN、BNAddReLu。.....引起思考，融合的目的