自动驾驶

地平线开发者

QAT 实战：从 PyTorch 模型到 J6E 实板精度与延时验证本文从 CIFAR-10 浮点模型开始，依次完成校准、QAT 微调、BC 导出、HBM 编译，最后通过 UCP 在 J6E 开发板上验证精度和推理延时。整个流程基于 OpenExplorer 3.8.1，目标架构为 nash-e。

星光级是什么？——星光级摄像机是什么？0.001Lux 照度门槛与选型真相星光级是安防行业按最低照度划分的夜视等级，通常指 0.001–0.01Lux 下仍能保持彩色成像的摄像机。本文讲清它的照度门槛、实现路径，以及和超星光、黑光、微光全彩的区别，帮你不被名词绕晕。

【World Model】Drive-WM条件编码-视角分解-扩散与规划全流程详解对应：Drive-WM 精读。本页依据论文 §3–5、附录 B–D，以及 ConvNeXt、CLIP、Latent Diffusion、CVT、FID/FVD 原始论文。解释和教学例子不等于实验环境运行证据；本次没有执行模型。

qnx hypervisor 的中文版Understanding QNX Virtual EnvironmentsQHS 和其他 QNX hypervisor（以下简称"hypervisor"）的设计目标，是满足 Popek/Goldberg 定理中所规定的一款 hypervisor 应达到的各项期望。

ROS2 为啥要拆成二三十个节点？一台小车背后的真实结构ROS 2 里根本没有「主程序」这回事，只有一堆靠 topic（话题）连线的 node（节点）。拆节点的真正收益是 fault isolation（故障隔离）和部署自由：一个节点崩了，其他节点照跑；代价是每条消息多一次 serialization（序列化）。而节点又不等于进程——composition（组件化）可以把高频链路塞进同一个 container（容器），换来零拷贝。

爱分享的康康

初创车企自动驾驶数采设备选配指南：参数、接口与分阶段选型思路在自动驾驶原型开发、ADAS 实车路测阶段，数采系统承担相机、激光雷达、惯导、车载总线数据记录工作。初创团队普遍面临预算有限、传感器配置迭代快、进口设备交期长的现实问题，一旦选型不当，容易出现硬件无法扩容、接口不匹配、时间同步不达标，造成设备重复采购、研发进度延后康谋科技。

【VLA与模仿学习】SparseDrive论文精读：稀疏场景表示的端到端自动驾驶一句话定位多相机图像进，不用稠密 BEV 栅格，只用稀疏「实例」（车框 + 地图折线）表示场景；检测/跟踪/建图共用对称结构，他车预测与自车规划并行做，再靠碰撞感知重打分挑一条最安全的轨迹。比 UniAD / VAD 更安全、更快。

跳过L3直奔L4，还是L3是绕不过去的生死坎？：何小鹏激辩杨冬生，全球自动驾驶下半场的责任鸿沟与底盘重构——读2026世界智能网联汽车大会巅峰对话2026 世界智能网联汽车大会 · 巅峰对话 | 对话嘉宾：何小鹏（小鹏汽车董事长、CEO）与杨冬生（比亚迪集团高级副总裁、汽车新技术研究院院长） | 议题：全球自动驾驶如何进入“下半场”？

地平线开发者

【玩转征程6 算法工具链：PTQ 工具篇】hb_verifier在模型部署过程中，我们经常会遇到这样的问题：浮点模型结果正常，但经过模型优化、量化或者编译之后，模型输出开始出现差异，这个差异到底是在哪个阶段引入的？

rtu遥测终端机

四信助力无人车远程接管与遥操作，低时延通信是安全底线在矿山、港口、园区等封闭场景低速无人驾驶项目中，远程接管是无安全员运营的必备安全兜底机制。很多项目在实验室测试时延达标，但进入真实工况，电磁干扰、信号遮挡、带宽拥塞，会造成视频卡顿、指令延迟，直接导致远程接管失效。从车端工程落地视角，远程遥操作不是单纯的视频传输，而是感知视频、车辆状态、控制指令的双向低可靠传输系统。

CVPR 2026 | 全新的五模态信息融合数据集，包括RGB、事件、热成像、4D 雷达与 LiDARCVPR 2026｜DSERT-RoLL 五模态信息融合数据集论文信息题目： DSERT-RoLL : Robust Multi-Modal Perception for Diverse Driving Conditions with Stereo Event-RGB-Thermal Cameras, 4D Radar, and Dual-LiDAR｜面向多样化驾驶条件的鲁棒多模态感知——融合双目事件-RGB-热成像相机、4D 雷达与双LiDAR

论文复现现场

自动驾驶 BEV 模型训练，2 张 A100 80GB 够不够？显存、双卡训练与租赁成本2 张 A100 80GB 可以作为 BEV 模型复现和训练的起步配置，但是否够用取决于具体模型、输入分辨率、时序长度和交付期限。能放进显存，不代表能按期跑完。

地平线 EB 级存储工程实践规模决定架构。当容量来到 EB 级、文件数以千亿计、几十万客户端接入，每周有 200PB 数据新增和删除时，开源文件系统的每一个“单点假设”都会被击穿。地平线 AIDI（智能驾驶研发数据平台）同时使用 JuiceFS 社区版与企业版承载 EB 级数据；本文将聚焦 JuiceFS 社区版的实践，分享我们四个工程命题的解决思路、实践效果与工程取舍。

自动驾驶中的边界情况处理：基于世界模型与混合专家及大语言模型的方法本文提出了一种基于世界模型（World Model）结合混合专家（Mixture of Experts, MoE）与大语言模型（Large Language Models, LLMs）的方法，用于处理自动驾驶中的边界情况（Corner Cases）。边界情况是指那些罕见、难以预测且对安全至关重要的驾驶场景，例如突然闯入的行人、异常交通标志、极端天气条件或非标准道路布局等。这些场景虽然出现频率低，却对自动驾驶系统的安全性和可靠性构成重大挑战。

CAN 和 CANFDCAN（Controller Area Network）总线自 1986 年由 Bosch 公司推出以来，已成为车载网络的事实标准。但随着现代汽车电子系统的日益复杂，经典 CAN 的局限性逐渐凸显——单帧 8 字节、最高 1 Mbps 的带宽已无法满足域控制器、自动驾驶等场景下的大数据传输需求。2012 年发布的 CAN FD（CAN with Flexible Data rate）在保持经典 CAN 最大兼容性的同时，突破了这两大瓶颈。

飞猫的边缘AI

车载相机产业链的竞争格局2026年车载相机产业链的竞争格局有个很明显的特点：中国厂商在硬件环节已经占据主导，但价值重心正从硬件向芯片和算法转移。

地平线开发者

地平线征程6M YOLOv8s 部署本文记录 YOLOv8s 在地平线征程6M 上的最终可复现部署流程。正式方案统一采用 Raw6 六路输出、PTQ INT8、NV12 Runtime 输入、CPU 后处理。文中命令需要根据实际 SDK 安装目录、服务器地址和开发板目录调整。

无人驾驶通信方案解析：Robotaxi、Robobus与无人矿卡如何选择车载网关？一、为什么不同无人驾驶车辆需要不同的车载网关？Robotaxi、Robobus和无人矿卡都需要稳定的车内网络与车外通信，但车辆架构、运行环境、业务系统和远程运维方式并不相同。

地平线开发者

MQBench QAT量化实践指南MQBench（Model Quantization Benchmark）是由ModelTC团队维护的开源模型量化评估与调优框架，旨在简化深度学习模型在各种硬件平台上的量化过程。它基于PyTorch构建，支持多种后端（如TensorRT、SNPE、OpenVINO等），并提供从量化感知训练（QAT）到模型部署的完整工具链。

飞猫的边缘AI

边缘AI在自动驾驶应用中的行话汇总边缘AI（Edge AI）：在靠近数据产生的设备（如车端、摄像头端）上直接运行AI推理，而不是将数据上传云端处理。在自动驾驶中，感知、推理、决策必须在车端完成，以满足低延迟和安全要求。