地平线开发者沙龙·北京场，我们6月底见！

ReID/OSNet 算法模型量化转换实践

本文总结了Horizon模型转换与部署中的关键参数和方案选择，涉及input_shape、input_batch、separate_batch三个核心参数的作用与限制。文章详细介绍了两种模型导出形态（静态多Batch和动态多Batch）以及三种部署方案（静态多Batch+Featuremap输入、动态多Batch+Featuremap输入、NV12图像输入+separate_batch），并提供了

本文分享了地平线工具链的高效使用经验，重点强调基础但关键的操作方法。核心内容包括：理解工具链作为完整套件的组成（Docker镜像、OE包、文档）；推荐按顺序打通PTQ/QAT/部署全流程；强烈建议使用Docker环境并详细指导容器构建和目录挂载策略（如统一管理数据集和共享工作资产）；提供远程调试和SSH配置技巧；提出数据代码分离、操作脚本化等实用习惯。文章强调"先跑通链路再优化细节"的原则，指出合

VLA (Vision Language Action)是一种多模态机器学习模型，结合了视觉、语言和动作三种能力，旨在实现从感知输入直接映射到控制动作的完整闭环能力。VLA强调一体化多模态端到端架构，非感知规控的模块化方案。

精度 debug 工具，定位到敏感算子，高精度无法解决的问题，往往需要对敏感算子进行 fix_scale 配置或者改写调整对于实际部署没有使用的结构，量化上需要谨慎（例如此案例的辅助头）；

精度 debug 工具，定位到敏感算子，高精度无法解决的问题，往往需要对敏感算子进行 fix_scale 配置或者改写调整对于实际部署没有使用的结构，量化上需要谨慎（例如此案例的辅助头）；

BEV技术在智能驾驶感知领域面临工程化挑战，Dense BEV方法因全量建模导致计算复杂度高、系统不可持续。Sparse4D提出转向以对象为中心的稀疏建模，将计算资源集中于关键实体而非均匀空间，重构了感知任务本质。该方法将时间维度作为核心轴线，形成持续状态估计系统，重新定义了自动驾驶系统对世界的理解需求。Sparse4D代表了BEV技术从理论建模到工程实用的关键转折，通过聚焦决策相关对象而非完整世

地平线首次亮相“揭榜挂帅”擂台赛 聚力赋能科技创新 设置21个奖项 总奖金池约30万元，其中擂主团队奖金10万元 获奖者更有机会进入地平线人才储备池 并优先获得实习及就业的推荐机会 扫描下方二维码 立即查看赛题详情 ▼▼▼ 中国青年科技创新“揭榜挂帅”擂台赛榜题正式发布！自2017年挑战杯“揭榜挂帅”专项赛成立以来，累计吸引来自全国上千所高校、数万名学子踊跃参与，本届赛事聚焦八大前沿科创领域，精选

本文系统梳理了CenterPoint 3D目标检测模型的结构设计及其在地平线工具链中的实现。该模型采用anchor-free、center-based方法，在BEV平面上预测目标中心点并回归几何属性。文章详细解析了Head设计与box语义的绑定关系、训练与推理阶段的维度差异，以及部署模式下的输入输出语义约束。通过nuScenes到KITTI的配置修改示例，说明了模型应用级改造需要同步调整Head、