这一步是LSS的最灵魂的操作。这一步的目的就是将上面构造出的Frustum Feature 利用相机外参和内参转换到BEV视角下。具体过程是，通过限定好BEV视角的范围，划定好一个个的grid，将能够投影到相应grid 的 Feature 汇总到一个grid 里，之后再进行 "Splat"操作。这一步虽然听起来平平无奇，但是在具体的代码实现方面却有很多trick值得学习。

进行 DNS 管理。

论文：DETRDistill: A Universal Knowledge Distillation Framework for DETR-familiesICCV2023代码：https://github.com/BIVLab-USTC/DETRDistill。

int8量化对小目标检测影响较大；int8量化相比fp16量化推理时间并不会节省一半，需实测；当fp16推理时间满足要求时，请采用fp16量化；

opencv3.4.16/platforms/linux 路径下，linux文件夹下是一些.cmake文件，对应不同的移植对象，本人需要在NVIDIA的Xavier部署模型，所以选择aarch64-gnu.toolchain.cmake 工具链。实际上，我没有使用下列命令，替换为合适的交叉编译工具就可以了，理论上下列命令有效。在该地址可以找到对opencv的一个helloworld的交叉编译的演示

typora官网：https://typora.iohttp://winddoing.github.io/software使用技巧1、插入目录使用“[toc]”会自动根据使用的一二三级标题生成目录2、插入分页符导出pdf时希望分页可以添加这个html实现<div style="page-break-after: always;"></div>参考：htt...

Scaramuzza 的模型主要用于将2D 鱼眼图像上的点转换为3D 空间中的光线方向（即从相机中心出发的单位向量）。2D 到 3D 的映射通过多项式函数fρ′f(\rho')fρ′来描述鱼眼图像的畸变特性。这里的 $\rho’ = \sqrt{u’^2 + v’^2} $ 是归一化的图像平面上的径向距离。多项式fρ′f(\rho')fρ′将ρ′\rho'ρ′映射到第三维（即光线方向的 ( z )

HBM ：High Bandwidth Memory 高带宽存储器主要作为GPU显存芯片（一般在高端产品中，比如nv面向数据中心的GPU，A100），也作为部分CPU的内存芯片（目前HPC芯片中有应用到，富岳中的A64FX）HBM将多个DDR芯片堆叠在一起，所以也是个3D结构；每个die之间通过TVS和microbump方式连接；除了堆叠的DRAM die以外，下层会有个HBM控制器逻辑die。

目前，深度学习领域中大多数激动人心的应用都基于 Transformer 架构及其核心注意力模块。许多亚二次时间架构，例如线性注意力、门控卷积和循环模型以及结构化状态空间模型 (SSM)，已被开发用于解决 Transformer 在长序列上的计算效率低下问题，但它们在语言等重要模态上的表现不如注意力模块。我们发现此类模型的一个关键弱点是它们无法进行基于内容的推理，并做出了一些改进。

与欧洲那边关于ESC的IMU信息，交涉。要求：系统实时精度：航向：0.1 °姿态：0.1°数据更新率：100Hz启动时间：≤10s陀螺仪零偏稳定性：10°/h(10s 标准方差&室温1σ)加速度计零偏稳定性：0.2mg(10s标准方差&室温 1σ)角速度和加速度传感器采用的是Bosch SMI7xx系列芯片。有些知识盲点什么是零偏（Bias）在陀螺静止时，陀螺仪仍会，以规定时间内测