写点什么

自动驾驶

8 人感兴趣 · 170 次引用

  • 最新
  • 推荐
https://static001.geekbang.org/infoq/fc/fc956a6a88593d578a979c3c38b33d03.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

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。

https://static001.geekbang.org/infoq/2f/2f971ac8ef41d3a508694f1f4a18f8cd.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

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。

https://static001.geekbang.org/infoq/6e/6e4d6dc86b780c6723b6236820ca9e8a.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

QAT 查表算子调优 01|如何定位引起误差的查表算子

如何确定是定点查表导致的误差?如何确定具体的定点查表算子导致的误差?

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

https://static001.geekbang.org/infoq/15/151a35e8a9c1ee7c8680d721ccc00860.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

七大技术路线解析:自动驾驶如何被数据重新定义

自动驾驶技术从实验室的算法验证走向大规模量产应用,是一场充满挑战的征程。这段征程的核心驱动力,不仅是芯片和传感器的升级,更是一场关于数据的“喂养”竞赛——从简单的像素标注到多模态大模型的理解,数据需求的演变悄然推动着自动驾驶的每一次跨越。

https://static001.geekbang.org/infoq/d3/d3076a2edf45fc447aeb6af3fc4d58dc.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

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。

https://static001.geekbang.org/infoq/d3/d3076a2edf45fc447aeb6af3fc4d58dc.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6X VDSP 调试方法

VDSP FW 的日志默认输出到串口中,用户可直接查看串口。

https://static001.geekbang.org/infoq/00/0097fb538bc7e8b0de194c0ec58524d3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6|工具链 VP 示例中日志打印解读

LOGE_AND_RETURN_IF 到底是怎么写的呢?有没有什么门道可以介绍一下?

https://static001.geekbang.org/infoq/ea/ead3a45a04465bf001db1fe85f766e55.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

智能驾驶中预测模块简介

轨迹预测是自动驾驶系统“感知-预测-规控”流程中的核心环节,位于感知与规划模块之间,起到承上启下的作用。

https://static001.geekbang.org/infoq/00/0097fb538bc7e8b0de194c0ec58524d3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

【征程 6】工具链 VP 示例为什么能运行

在上一篇文章【征程 6】VP 简介与单算子实操 中,介绍了 VP 是什么,并以单算子 rotate 为例,介绍了 VP API 使用方法

https://static001.geekbang.org/infoq/00/0097fb538bc7e8b0de194c0ec58524d3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6 系统 power 状态机介绍

征程 6x 内部有 AON、MCU 和 Main 域三个电源域。其中 AON 为非下电状态需要一直供电的电源域,MCU 电源域用于给 Hsm 和 MCU 及其内部 IP 供电,Main 域给其他部分供电。

https://static001.geekbang.org/infoq/90/902c7a712d53a89ba0a5cf11da36a28d.jpeg?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

揭秘自动驾驶的"眼睛"——目标检测技术

用户头像
JustYan
03-29

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。

https://static001.geekbang.org/infoq/17/176ea9726badf26687180a7bc4768ae0.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

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。

https://static001.geekbang.org/infoq/00/0097fb538bc7e8b0de194c0ec58524d3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6X CAMSYS 性能测试方案介绍

CAMSYS 其性能指标主要包括:帧率、延迟,以及系统的 DDR 带宽、CPU 占用率等。

https://static001.geekbang.org/infoq/37/37d2039b4d3a12fbe41b3b2d392d0bbb.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6 VP 简介与单算子实操

VP,全称 Vision Process,指 UCP 中的视觉处理功能模块。

https://static001.geekbang.org/infoq/37/37d2039b4d3a12fbe41b3b2d392d0bbb.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

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。

https://static001.geekbang.org/infoq/80/80989f2fb4ebff2167edbcb0c4680028.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

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。

https://static001.geekbang.org/infoq/a6/a68ff819c217ba66ad0c0726498b03c3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

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

https://static001.geekbang.org/infoq/a6/a68ff819c217ba66ad0c0726498b03c3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

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

自动驾驶_自动驾驶技术文章_InfoQ写作社区