自动驾驶
8 人感兴趣 · 170 次引用
- 最新
- 推荐


开发者说|Aux-Think:为什么测试时推理反而让机器人「误入歧途」?
在视觉语言导航 (VLN) 任务中,机器人需要根据自然语言指令在复杂环境中做出实时决策。虽然推理在许多任务中已有广泛应用,但在 VLN 任务中,推理的作用一直未被充分探讨。
基于 MaxCompute MaxFrame 汽车自动驾驶数据预处理最佳实践
在汽车自动驾驶数据处理场景中,MaxCompute 主要完成对车端采集的大量 bag 包进行解压、处理等工作,基于 MaxCompute MaxFrame 高效、稳定的完成端到端数据处理流程。

地平线走进武汉理工,共建智能驾驶繁荣生态
7月3日,武汉理工大学汽车工程学院与地平线联合启动“智驭未来:智能驾驶技术解析与实践初探”暑期卓越学堂项目。






PAI-TurboX: 面向自动驾驶的训练推理加速框架
自动驾驶领域对高效且实时的数据处理能力提出了极高要求。如何优化深度学习模型的训练与推理流程,提升计算资源利用率,缩短模型迭代周期,并在保证精度的同时,实现低延迟、高吞吐量的部署,始终是行业面临的核心挑战。针对这些难题,PAI-TurboX为自动驾驶场

征程 6EM 常见 QConfig 配置解读与示例
在工具链用户手册《量化感知训练(QAT)-开发指南-QConfig 详解》章节专门介绍了在 J6EM 上 qconfig 是怎么回事,本文将常见配置通过示例方式进行呈现。





揭秘自动驾驶的"眼睛"——目标检测技术
在当今智能出行的时代,自动驾驶已经不再是遥不可及的科幻场景。作为一名技术从业者和小学生家长,我计划通过一个亲子项目,带领孩子深入探索自动驾驶背后的奇妙技术。本文是项目开始之前的知识准备,将聚焦于自动驾驶系统的"视觉大脑"——目标检测技术。

精度调优|conv+depth2space 替换 resize 指导
本文将介绍一种新的方法,可以有效提升上采样操作中的精度,解决传统 int8 精度量化带来的精度下降问题。



征程 6 工具链 BEVPoolV2 算子使用教程 1 - BEVPoolV2 算子详解
当前,地平线 征程 6 工具链已经全面支持了 BEVPooling V2 算子,并与 mmdetection3d 的实现完成了精准对齐。然而,需要注意的是,此算子因其内在的复杂性以及相关使用示例的稀缺,致使部分用户在实际运用过程中遭遇了与预期不符的诸多问题。

YOLOv10 解析与地平线 征程 6 模型量化
近些年来,研究人员对 YOLO 的架构设计、优化目标、数据增强策略等进行了探索,取得了显著进展。然而,后处理对非极大值抑制(NMS)的依赖阻碍了 YOLO 的端到端部署,并对推理延迟产生不利影响。

YOLOv5 的量化及部署 - RGB 专题
YOLOv5 是一种高效的目标检测算法,尤其在实时目标检测任务中表现突出。YOLOv5 通过三种不同尺度的检测头分别处理大、中、小物体;检测头共包括三个关键任务:边界框回归、类别预测、置信度预测

YOLOv5 的量化及部署 - RGB 专题
YOLOv5 是一种高效的目标检测算法,尤其在实时目标检测任务中表现突出。YOLOv5 通过三种不同尺度的检测头分别处理大、中、小物体;检测头共包括三个关键任务:边界框回归、类别预测、置信度预测