伴隨著深度神經(jīng)網(wǎng)絡技術的發(fā)展，高階自動駕駛算法正從傳統(tǒng)2D感知向更先進的3D感知范式加速轉變，這在為智能駕駛落地應用提供更多可能性的同時，也對實際開發(fā)效率提出了更高的挑戰(zhàn)。在這個“快魚吃慢魚”的時代，“效率”已然成為產(chǎn)業(yè)玩家決勝智能駕駛“世界杯”的關鍵。搶灘智能駕駛技術高地，需要比快再快一點。

為了幫助產(chǎn)業(yè)開發(fā)者更高效地完成基于征程^®系列芯片的性能驗證與開發(fā)部署，地平線面向智能汽車產(chǎn)業(yè)客戶與生態(tài)伙伴提供了參考算法開發(fā)加速包，避免對于典型任務的“重復造輪”，大幅降低算法開發(fā)門檻，加速產(chǎn)品原型的開發(fā)與迭代，實現(xiàn)計算與效率的并進“狂飆”。

軟硬協(xié)同優(yōu)化，發(fā)揮極致計算性能

地平線作為最懂芯片的軟件公司和最懂軟件的芯片公司，始終踐行“軟硬結合”的技術理念，依托征程^®系列芯片平臺打造的地平線天工開物^®芯片工具鏈，能夠讓算法充分受益軟硬結合所帶來的極致性能表現(xiàn)。

天工開物提供了算法開發(fā)全生命周期內(nèi)所需的完善軟件工具，能夠滿足模型量化、優(yōu)化、編譯、仿真、部署、調(diào)試等各個開發(fā)環(huán)節(jié)的需要。特別是在模型量化方面，提供量化感知訓練（QAT）和訓練后量化（PTQ）兩類方式，可有效縮減模型大小，加速深度學習推理效率。同時，地平線在工具鏈基礎之上，進一步提供了豐富的參考算法，全面滿足開發(fā)者對計算性能與開發(fā)效率的要求與期待。

降低軟件開發(fā)門檻，靈活滿足多樣化開發(fā)需求

目前，地平線芯片工具鏈已積累近200家客戶與生態(tài)伙伴的應用實踐經(jīng)驗，研發(fā)水平各異的開發(fā)團隊均能借助這一“得力武器”顯著提升開發(fā)效率。經(jīng)統(tǒng)計，通過天工開物芯片工具鏈在征程與旭日芯片上進行算法部署的用戶，模型首次遷移成功率超過80%，性能和精度水平都能夠充分滿足業(yè)務預期。

豐富參考算法，滿足差異化開發(fā)需求

智能駕駛算法工程師在開發(fā)部署中主要涉及兩類典型訴求，一方面是期待快速了解某個典型模型在征程芯片上的性能表現(xiàn)，另一方面則希望針對具體場景任務，高效完成在征程芯片上的部署調(diào)優(yōu)。針對前者，地平線提供了豐富基礎算法與相應的benchmark；對于后者，則提供一系列經(jīng)過充分調(diào)優(yōu)的場景參考算法。

基礎參考算法

通過對智能駕駛算法演進與漸進式落地的持續(xù)探索，地平線構建了包含數(shù)百款算法模型的benchmark驗證庫，用于驗證芯片工具鏈對于各類算法的廣泛適用性，地平線還進一步篩選典型模型作為基礎示例，幫助開發(fā)者快速開展benchmark性能評測，其中既包含產(chǎn)業(yè)普遍關注的常見模型，也包含了地平線推薦的基礎模型。值得一提的是，為響應高階智能駕駛開發(fā)需求，地平線還基于公版Transformer結構開發(fā)了適配于征程5的Swin-Transformer，能夠高效支持SW-MSA和W-MSA結構，該模型在征程5芯片上的性能與端側最強GPU上的部署性能相當。

除了基于公版改進的基礎示例模型，地平線還開發(fā)提供了包含MixVarGENet在內(nèi)，更為高效的自研模型。這類模型結構能夠充分發(fā)揮征程5的算力優(yōu)勢，顯著提升網(wǎng)絡性能、減少訪存時間。用戶通過自由選用征程芯片高效支持的基礎模型，在保證運行效率和任務表現(xiàn)的前提下，輕松實現(xiàn)自有算法的快速遷移與二次開發(fā)。

征程5在一些典型模型下的精度與性能表現(xiàn)

駕駛場景參考算法

智能駕駛嵌入式算法開發(fā)周期長、投入大、門檻高，benchmark能夠幫助開發(fā)者快速了解典型模型在征程芯片上的性能表現(xiàn)，而在面向?qū)嶋H業(yè)務場景的開發(fā)過程中，工程師依然要在場景算法的設計與調(diào)優(yōu)上花費不少精力。

面對此類挑戰(zhàn)，地平線提煉了智能駕駛場景下的各類典型難題，并基于公開數(shù)據(jù)集提供了一系列經(jīng)過充分優(yōu)化的場景參考算法，當前已覆蓋目標檢測、光流預測、語義分割、車道線檢測等常見自動駕駛任務，還提供支持攝像頭與激光雷達等多類傳感器的感知模型，面向高階智能駕駛應用，地平線還提供支持Transformer、BEV等當下主流算法的先進模型示例，助力客戶與生態(tài)伙伴快速布局高階智能駕駛業(yè)務。

基于征程5的純視覺BEV感知原型

2D場景參考算法

地平線參考算法開放提供面向多種感知任務的2D場景模型，例如征程3、征程5芯片均可支持基于anchor-free實現(xiàn)的2D檢測模型FCOS，同時開放提供包括U-Net、DeepLab等極具代表性的語義分割模型，以及GANet車道線檢測、PWCNet光流預測等多類示例模型。

3D感知參考算法

在高階自動駕駛感知算法中，3D感知勢如破竹，成為主流技術應用方案。對此，地平線參考算法集成了基于Transformer的純視覺BEV模型、基于雷達點云的3D檢測模型以及單目3D目標檢測算法。

BEV算法能夠從高處統(tǒng)觀全局提供“上帝視角”，地平線所提供的BEV感知模型集成了目標檢測和語義分割多重任務，可開放支持包括IPM、Transformer、LSS等多種轉換方式，并在IPM基礎上提供融合時序特征的bev_ ipm_temporal模型；基于Transformer大模型，更開放提供包括DETR 3D、GKT、PETR在內(nèi)的多類感知示例。

在純視覺模型外，地平線針對基于激光雷達點云的3D檢測，還提供了備受業(yè)界關注的PointPillars參考算法。通過對voxel-based模型中的復雜前處理進行針對性編譯優(yōu)化，該模型目前能在保證性能的情況下顯著降低延時，讓開發(fā)體驗更加絲滑。

同時，地平線在FCOS 2D的基礎上進一步提供FCOS 3D目標檢測算法。通過使用征程5支持的高效模型結構efficientnet-b0替換backbone后，目前該示例模型性能可達雙核502FPS，精度表現(xiàn)更具優(yōu)勢。

目前，地平線工具鏈與系列參考算法已上線「 HYPERLINK "https://developer.horizon.ai/" \h 」，用戶可便捷了解相關技術文檔資料或獲取軟硬件開發(fā)套件。未來，地平線還將面向關鍵點檢測、地圖定位、多目標跟蹤、軌跡預測、深度估計、視覺3D等更多場景算法，不斷推動參考算法的研發(fā)擴展和升級迭代，讓智能駕駛算法的開發(fā)部署不再艱難，讓開發(fā)者收獲遠超預期的開發(fā)體驗。

堅守Tier2定位，打造更開放的智能計算平臺

在參考算法這一開發(fā)加速包以外，地平線基于軟硬結合的前瞻技術理念，以“芯片+軟件開發(fā)平臺”為核心，已搭建起開放、成熟的智能計算開放平臺。地平線通過持續(xù)提供高效能的征程系列芯片和配套完善的開發(fā)工具，全力支持客戶與生態(tài)伙伴產(chǎn)品創(chuàng)新，為產(chǎn)業(yè)差異化需求提供最優(yōu)解，助力中國智能汽車產(chǎn)業(yè)引領全球發(fā)展。