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。

由于部署时数据来源的硬件不同以及应用开发的高效性要求，往往会使得在板端部署阶段的数据准备操作与训练时有所差异，导致在同样的输入下，量化模型的输出结果和板端部署模型的输出结果不一致。本文将基于开发者社区中已经发布的地平线 bev 参考算法板端输入数据准备教程，以 bev_mt_lss 参考算法为例，介绍 PC 端和板端输出一致性验证的过程。PC 端输入的获取主要包括输入数据准备、输出节点配置和运行推

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。

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。

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 激光雷达天然地具有深度信息，摄像头可以提供丰富的语义信息，它们是车载视觉感知系统中两个最关键的传感器。但是，如果激光雷达或者摄像头发生故障，则整个感知框架不能做出任何预测，这在根本上限制了实际自动驾驶场景的部署能力。目前主流的感知架构选择在特征层面进行多传感器融合，即中融合，其中比较有代表性的路线就是 BEV 范

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。论文标题：YOLOP You Only Look Once for Panoptic Driving PerceptionYOLOP 的核心亮点就是多任务学习，而各部分都是拿其它领域的成果进行缝合，其网

BEVFormer基于鸟瞰图，融合时空特征，解决动态场景感知问题，采用空间交叉注意力和时序自注意力，纯视觉方案，无需激光雷达，成为BEV感知标准范式。

FlashAttention 是一种专为 Transformer 优化的高性能注意力机制。它能显著加速训练和推理，同时减少内存占用，广泛应用于 LLaMA、GPT-NeoX、PaLM 等大模型中。

随着大模型功能的不断强化，其容量也在增加，当前的 KVCache 技术已经不能满足发展需要了，所以，各种针对于 KVCache 优化的技术应时而生。

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。