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
