自动驾驶
8 人感兴趣 · 141 次引用
- 最新
- 推荐
深度剖析多任务模型 QAT 策略
为了节省端侧计算资源以及简化部署工作，目前智驾方案中多采用动静态任务融合网络，地平线也释放了 Lidar-Camera 融合多任务 BEVFusion 参考算法。
Transformer 模型在 征程 6 平台上的高效支持
相对于传统 CNN 模型来说，Transformer 模型的最大的一个特点就是灵活性。这个灵活性主要体现在模型中穿插大量的数据重排操作，即 Reshape 和 Transpose。
智能驾驶中的感知模块介绍
在自动驾驶系统中，感知技术是核心基础之一。感知技术为车辆提供环境信息，使其能够实现对周围环境的理解、分析与决策，从而保证安全性和高效性。通常大家对感知的介绍停留在“眼睛”的作用，但这样的解释太宽泛了例如感知到底是什么？由哪些模块组成？
征程 6 相比征程 5 对算子支持扩展的具体案例讲解
本文就以双目深度估计中比较经典的 CGI 算法为例，进行征程 5 和征程 6 算法工具链的编译部署对比。
DDR 带宽的计算与监控
DDR 带宽（Double Data Rate Bandwidth）是指 DDR 内存在一秒内可以传输的数据量，通常以 GB/s（Gigabytes per second） 为单位。它是衡量内存系统性能的重要指标，直接影响系统的数据吞吐能力。
地平线 Vision Mamba：超越 ViT，最具潜力的下一代通用视觉主干网络
本文的工作Vision Mamba[1]发表在ICML 2024。研究的问题是如何设计新型神经网络来实现高效的视觉表示学习。该任务要求神经网络模型能够在处理高分辨率图像时既保持高性能，又具备计算和内存的高效性。
地平线 LiDAR-Camera 融合多任务 BEVFusion 参考算法 -V1.0
该示例为参考算法，仅作为在 征程 6 上模型部署的设计参考，非量产算法。
技术、场景、商业、安全闭环已成为车联网产业未来趋势
展望未来，车联网产业将持续迭代演进，单车智能和车路协同深度耦合，通过协同感知、决策、控制实现完全自动驾驶，为全球车联网产业带来新的发展机遇，实现商业运营闭环。
火焰图理论简析与 征程 6 上运行实例
软件同学在进行性能分析时，通常需要查看 CPU 耗时，用于了解性能瓶颈在哪里，从而进行针对性的优化。火焰图（Flame Graph）是常用的性能分析工具。
原“明星级”自动驾驶创企「云骥智行」入局具身智能赛道，并完成产品首发！
目前智驾领域入局具身智能赛道方式：车企内部组建人形机器人团队、智驾背景从业者从大厂离职后创业成立具身智能公司、智驾产业链的各头部企业切入具身智能上游零部件或与人形公司战略合作
征程 6 云端 Ota 升级方案设计与实现
在开发、调测过程中，经常通过 Ota 技术升级应用软件、底软。目前，项目上已将 Matrix6 的 Demo 部署在实车上，每次软件、底软需要版本更替或版本升级时，都需要研发测试同学上到车上使用工控机进行手动升级。
bc 与 hbm 一致性比对
使用地平线 征程 6 算法工具链时，算法侧在验证 quantized.bc 精度符合预期后，软件侧反馈 hbm 精度不符合预期，此时应该怎么做呢？
地平线 bev_cft_efficientnetb3 参考算法 -v1.2.1
本文为 camera calibration free 的 transformer-based 的 BEV 感知算法的介绍和使用说明。
YOLOP 多任务算法详解
YOLOP 是华中科技大学研究团队在 2021 年开源的研究成果，其将目标检测/可行驶区域分割和车道线检测三大视觉任务同时放在一起处理，并且在 Jetson TX2 开发板子上能够达到 23FPS。
自动泊车端到端算法 ParkingE2E 介绍
在本文中，我们采用模仿学习来执行从 RGB 图像到路径规划的端到端规划，模仿人类驾驶轨迹。我们提出的端到端方法利用目标查询编码器来融合图像和目标特征，并使用基于 Transformer 的解码器自回归预测未来的航点。
征程 6E camera diag sample
本文的 demo sample 主要描述当前 camera 相关外设诊断的当前状态，并提供自定义实现的方法及使用说明。
