摘要：
本文为笔者个人见解，如有不同意见欢迎评论 1.引言 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。这种多任务融合网络的浮点训练策略可以简述为： 首先在大量数据的条件下完成多任务模型 b 阅读全文
posted @ 2025-02-19 21:33
地平线智能驾驶开发者
阅读(144)
评论(0)
推荐(0)
摘要：
背景 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。如下图 1 所示，对于一个典型的 Attention 结构来说，Reshape 和 Transpose 操作的数量 阅读全文
posted @ 2025-02-15 18:07
地平线智能驾驶开发者
阅读(174)
评论(0)
推荐(0)
摘要：
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？输入输出有什么含义？数据怎么流转的？会经历哪些硬件模块？下面来简单 阅读全文
posted @ 2025-02-12 20:46
地平线智能驾驶开发者
阅读(226)
评论(0)
推荐(0)
摘要：
引言 征程 6 相比于征程 5，在整体架构上得到了升级，相对应的，算法工具链的算子支持也得到了扩充，无论是算子支持的数量，还是 BPU 约束条件，征程 6 都有明显的加强，这就使得过去在征程 5 上无法部署的算法得以在征程 6 上成功部署。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 阅读全文
posted @ 2025-02-11 20:30
地平线智能驾驶开发者
阅读(175)
评论(0)
推荐(0)
摘要：
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。 1.简介 轨迹预测任务的目的是在给定历史轨迹的情况下预测未来轨迹。这项任务在自动驾驶、智能监控、运动分析等领域有着广泛应用。传统方法通常直接利用历史轨迹来预测未来，而忽略了预测目标的上下文或查询信息的影响。这种忽视可能导致预测 阅读全文
posted @ 2025-02-08 20:26
地平线智能驾驶开发者
阅读(138)
评论(0)
推荐(0)
摘要：
1.内存占用 神经网络模型常见的内存占用可以分为以下几个部分： 1.1 模型参数内存 定义：神经网络的权重和偏置等参数会占用内存。 计算方法： 参数总量 = 各层参数数量的总和。 每个参数的大小取决于数据类型（如 float32 为 4 字节，float16 为 2 字节，int8 为 1 字节）。 阅读全文
posted @ 2025-02-08 19:27
地平线智能驾驶开发者
阅读(173)
评论(0)
推荐(0)
摘要：
1.征程 6 参考算法介绍 征程 6 参考算法在覆盖 征程 5 已有的分类、检测和分割等高效参考算法的基础上，新增了面向 征程 6 平台的高效基础算法 Backbone，同时面向典型智驾场景推出针对性的场景算法，覆盖动静态目标检测、双目、道路拓扑和预测等丰富场景，秉承地平线软硬件结合的理念，极大地赋 阅读全文
posted @ 2025-02-08 12:45
地平线智能驾驶开发者
阅读(1018)
评论(0)
推荐(0)
摘要：
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 简介 BEVFormer 是当前热门的自动驾驶系统中的 3D 视觉感知任务模型。BEVFormer 是一个端到端的框架，BEVFormer 可以直接从原始图像数据生成 BEV 特征，无需依赖于传统的图像处理流程。它通过利用 Tr 阅读全文
posted @ 2025-02-07 21:28
地平线智能驾驶开发者
阅读(1056)
评论(0)
推荐(0)
浙公网安备 33010602011771号