自动驾驶
8 人感兴趣 · 133 次引用
- 最新
- 推荐
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。
地平线 3D 目标检测 bev_sparse 参考算法 -V1.0
在自动驾驶视觉感知系统中，为了获得环绕车辆范围的感知结果，通常需要融合多摄像头的感知结果。目前更加主流的感知架构则是选择在特征层面进行多摄像头融合。
对通用骨架提取方法的改进
骨架（或中轴线）具有在二进制形状和自然图像中提供紧凑而有意义的对象表示的潜力（以下简称为“形状”和“图像”），适用于图像表示和各种多媒体应用。
征程 6 环视快启 sample
环视 4V 解串器直接接到 main 域，mcu 访问 main 域 i2c、gpio、lpwm，对 camera sensor、serdes 以及 lpwm 进行初始化，完成环视的快速出图。
地平线与英伟达工具链 PTQ 工具功能参数对比与实操
在阅读本文之前，希望大家对 PTQ（Post-Training Quantization） 训练后量化有一定的了解～
征程 6 工具链常用工具和 API 整理
征程6 工具链目前已经提供了比较丰富的集成化工具和接口来支持模型的移植和量化部署，本帖将整理常用的工具/接口以及使用示例来供大家参考，相信这篇文章会提升大家对 征程6 工具链的使用理解以及效率。
