> 声明：本文主要参考开源资料进行学习整理，如有错漏，欢迎评论交流~..在自动驾驶场景下，摄像头 + 激光雷达的传感器融合方案是最常见的感知技术路线，目标是充分利用二者的互补性：..- 摄像头优势：分辨率高、纹理丰富、颜色信息齐全，有利于识别语义信息（车道线、交通灯、行人类别等）。.- 激光雷达优势：天然地具有深度信息，直接测得高精度距离和稠密点云，有利于构建 3D 几何结构和检测障碍物。...融

> 声明：本文主要参考开源资料进行学习整理，如有错漏，欢迎评论交流~.# 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-be

声明：本文主要参考开源资料进行学习整理，如有错漏，欢迎评论交流~1. 引言当我们把一个训练好的大语言模型（以 Qwen3-VL-2B-Instruct 为例，vocab_size=151936，hidden_size=2048）部署到端侧时，会看到一个有意思的现象：模型里有一个 embed_tokens 模块，负责把 token id 转成向量；模型里还有一个 lm_head 模块，负责把最后的隐

# 量化为什么会有损失：从量化误差到精度下降..## 1. 引言..在上一篇文章中，我们介绍了模型量化的基本概念。..模型量化通过降低模型参数和计算过程中的数值精度，将原本使用 FP32 等高精度浮点数据表示的模型转换为 INT8 等低比特整数模型，从而降低模型存储空间、减少计算开销，并提升模型在边缘设备上的推理效率。..然而，模型量化带来的收益并不是没有代价的。..在 FP32 模型中，一个参数

# 模型量化入门：从浮点模型到低比特表示..## 1. 引言..随着深度学习模型不断发展，网络结构越来越复杂，参数规模和计算量也持续增长。大型神经网络虽然能够带来更强的特征表达能力，但同时也带来了更高的存储需求、更大的计算开销以及更高的部署成本。..在云端服务器环境中，大规模模型通常可以依靠强大的计算资源运行，但对于移动端、嵌入式设备和边缘 AI 芯片而言，计算资源、内存容量以及功耗预算都更加有限

# YOLOv5x 在 Horizon J6 上的端到端部署实践（下）：板端推理与精度评估..上篇完成了模型从 PyTorch 到 HBM 的转换。本篇继续介绍板端 C++ 推理部署，包括 NV12 输入构造、UCP/DNN API 调用、YOLOv5 输出解析、交叉编译、板端运行以及 mAP 精度评估。..> 前置产物：`yolov5x_640x640_nv12.hbm` .> 板端输入：NV

1. 问题背景在 Horizon J6 Open Explorer 工具链中部署 YOLOv8s 时，最初采用 Ultralytics 标准导出的 ONNX 模型。标准 YOLOv8 ONNX 的输出通常为：output0: [1, 84, 8400]其中：84 = 4 个边框坐标 + 80 个类别分数该输出已经在 ONNX 图内完成了：Detect Head 卷积.→ DFL reshape.→

本文记录 YOLOv8s 在地平线 J6M 上的最终可复现部署流程。正式方案统一采用 Raw6 六路输出、PTQ INT8、NV12 Runtime 输入、CPU 后处理。文中命令需要根据实际 SDK 安装目录、服务器地址和开发板目录调整。1. 环境搭建1.1 创建 OpenExplorer 容器目的：使用固定版本的 OpenExplorer 工具链，隔离模型转换和编译环境。本文使用的镜像为：op

本文主要针对开源资料学习整理，如有错漏欢迎评论交流~1. 引言理解 MoE，不妨从一个直觉说起——假设你有一家医院，来了一个病人，你希望给他最好的治疗。一种做法是：养一个全能医生，什么病都他一个人看。这个医生必须精通所有科室，能力极强，但每次看诊都要把全部知识过一遍，非常累，看得也慢。另一种做法是：养一百个专科医生，再配一个分诊台。病人来了，分诊台判断他该看哪几个科室，然后只让对应的专科医生出手。

内存与 CPU 相互纠缠：内存不足 → alloc/free 频繁 → CPU 升高 → 帧率下降；CPU 过载 → Cache 同步不及时 → DDR 带宽争抢 → 延迟跳变。以下策略从根源打破这个循环。一、内存优化1. 关闭未使用后端UCP 启动时为所有后端创建调度线程并预分配 ION 内存，即使未使用。每个关闭的后端省 ~数百 KB。export HB_UCP_ALL_BACKENDS_DE

摘要：本研究基于2025年度AQEF全量评估数据，从品牌类型、能源类型、车型特征、实际产量规模、地域分布等维度展开深度剖析，系统拆解不同群体的制造质量差异与核心痛点。研究表明，全行业质量结构不均衡，车身附件及电器是最大的共性短板；质量分层特征明显，豪华品牌、头部规模化工厂质量表现显著更优，高级别车型因零部件集成度与系统复杂度更高，叠加更高的用户期望，质量管控挑战也随之增大；新能源转型带来新的质量挑

本文基于地平线征程6芯片的特性以及部署经验积累，将在各场景的模型设计上给出高效模型结构建议，以达到加速用户的模型部署效率和落地效果的目的。高效backbone为了 提供针对 J6 系列芯片专门设计的高效 backbone，结合 J6 芯片的硬件特性，设计了高效模型 HENet (Hybrid Efficient Network)。模型介绍参考社区文章：https://developer.horiz

# YOLOv5x 在 Horizon J6 上的端到端部署实践（上）：工具链部署..本文记录 YOLOv5x 从 PyTorch 权重到 J6 可执行 HBM 模型的部署流程。上篇聚焦工具链侧：环境准备、ONNX 导出、校准数据生成和 HBM 编译；下篇再展开板端 C++ 推理部署与精度评估。..> 平台：Horizon J6 (nash-e) .> SDK：horizon_j6_open_e

| 文档版本 | 修订内容 | 修订时间 |.| :---- | :---- | :---- |.| v1.1 | 新增算子自动替换，inplace操作检测 | 2026/08/10 |.| v1.0 | 初始版本 | 2026/07/09 |...# QAT链路模型改造.### 模型改造步骤.1. 量化范围界定：若模型包含前处理或后处理模块，应将不需要量化的前处理置于 QuantStub 之前，

# J6工具链模型X86推理方式说明..X86 推理是指 开发机（X86 CPU/GPU）上针对不同阶段的模型：ONNX模型、Hbir模型和hbm模型，进行相应的推理验证。绝大多数的推理验证不需要实际开发板，但是使用hbm_infer需要"board_ip"来连续开发板。以下是工具链常见的几种推理方式说明。..# ONNX模型..## HBRuntime推理库..HBRuntime是地平线提供的一

自动驾驶系统过去很像一个老派工厂：感知部门负责把世界拆成一张张清单，预测部门负责猜这些清单下一秒会去哪，规划部门拿着这些清单做路线。车、行人、锥桶、护栏、车道线、停止线，每一个对象都要被命名、归档、排序，然后再被送进规划器。这套系统的问题不在于不聪明，而在于它太依赖“命名”（障碍物必须先有ID）。现实道路并不总是配合算法分类。掉落的床垫、横放的梯子、半开的货车尾门、积水反光、施工围挡、被遮挡一半的

引言视觉-语言-动作（VLA）模型正成为自动驾驶研究的热点，但语言生成对闭环驾驶的实际影响缺乏系统量化。本文揭示语言仅在少数场景有益，却消耗大量计算，由此提出高效语言使用的解决思路。简介本文提出 BLUE，一种面向自动驾驶视觉-语言-动作模型更优语言使用的极简方法。通过约 2000 GPU 小时的闭环分析发现，语言生成仅在 14.5% 的路线上显著改善驾驶，在 23.6% 的路线上主动损害性能，而

自动驾驶最难的，不只是识别已经出现在镜头里的车。更麻烦的是：货车、建筑、路牌后面可能还藏着一个目标，但它到底会不会影响自己的行驶路线？如果系统把所有遮挡都当成高风险，就会变得过度保守，动不动就减速甚至停住；如果它只靠补全场景去猜，又可能编出并不存在的目标。真正的问题是：哪些看不见的目标，才是规划必须关心的目标？IROS 2026 论文 What’s Hidden Matters 给出的思路，是把遮

自动驾驶技术路线不断变化，过去两年，端到端自动驾驶就完成了从概念到量产的跨越，分段式端到端在2024到2025年实现了规模化落地，一段式端到端与VLA技术则在2025到2026年集中上车，而现在，物理AI又被推到了台前（相关阅读：各车企相继发布的物理 AI大模型是什么？有何优势？）。有数据显示，近18个月超百亿美元涌入物理AI赛道，市场预计2035年全球物理AI规模将达828亿美元，如此庞大的市场

不同传感器看到的世界是不一样的，前视摄像头可以捕捉前方的红绿灯和车道线，环视摄像头则用于探测车身周围的盲区，激光雷达以三维点云描绘障碍物的形状，毫米波雷达则跟踪物体的移动速度。这些来自不同坐标系、不同信息格式的数据，要让它们协同工作，就必须先把所有信息翻译到同一种通用语言中。BEV感知做的就是这件事。BEV解决了什么问题？BEV做的事情就是在车辆上方提供一个上帝视角的俯瞰图，将车辆周围的环境统一投