伴随着深度神经网络技术的发展，高阶自动驾驶算法正从传统2D感知向更先进的3D感知范式加速转变，这在为智能驾驶落地应用提供更多可能性的同时，也对实际开发效率提出了更高的挑战。在这个“快鱼吃慢鱼”的时代，“效率”已然成为产业玩家决胜智能驾驶“世界杯”的关键。抢滩智能驾驶技术高地，需要比快再快一点。
为了帮助产业开发者更高效地完成基于征程®系列芯片的性能验证与开发部署，地平线面向智能汽车产业客户与生态伙伴提供了参考算法开发加速包，避免对于典型任务的“重复造轮”，大幅降低算法开发门槛，加速产品原型的开发与迭代，实现计算与效率的并进“狂飙”。
地平线作为最懂芯片的软件公司和最懂软件的芯片公司，始终践行“软硬结合”的技术理念，依托征程®系列芯片平台打造的地平线天工开物®芯片工具链，能够让算法充分受益软硬结合所带来的极致性能表现。
天工开物提供了算法开发全生命周期内所需的完善软件工具，能够满足模型量化、优化、编译、仿真、部署、调试等各个开发环节的需要。特别是在模型量化方面，提供量化感知训练（QAT）和训练后量化（PTQ）两类方式，可有效缩减模型大小，加速深度学习推理效率。同时，地平线在工具链基础之上，进一步提供了丰富的参考算法，全面满足开发者对计算性能与开发效率的要求与期待。
降低软件开发门槛，灵活满足多样化开发需求
目前，地平线芯片工具链已积累近200家客户与生态伙伴的应用实践经验，研发水平各异的开发团队均能借助这一“得力武器”显著提升开发效率。经统计，通过天工开物芯片工具链在征程与旭日芯片上进行算法部署的用户，模型首次迁移成功率超过80%，性能和精度水平都能够充分满足业务预期。
丰富参考算法，满足差异化开发需求
基础参考算法
通过对智能驾驶算法演进与渐进式落地的持续探索，地平线构建了包含数百款算法模型的benchmark验证库，用于验证芯片工具链对于各类算法的广泛适用性，地平线还进一步筛选典型模型作为基础示例，帮助开发者快速开展benchmark性能评测，其中既包含产业普遍关注的常见模型，也包含了地平线推荐的基础模型。值得一提的是，为响应高阶智能驾驶开发需求，地平线还基于公版Transformer结构开发了适配于征程5的Swin-Transformer，能够高效支持SW-MSA和W-MSA结构，该模型在征程5芯片上的性能与端侧最强GPU上的部署性能相当。
推荐阅读 - SwinT在征程5上的快速量化部署
除了基于公版改进的基础示例模型，地平线还开发提供了包含MixVarGENet在内，更为高效的自研模型。这类模型结构能够充分发挥征程5的算力优势，显著提升网络性能、减少访存时间。用户通过自由选用征程芯片高效支持的基础模型，在保证运行效率和任务表现的前提下，轻松实现自有算法的快速迁移与二次开发。
征程5芯片工具链现已正式上线开发者社区
驾驶场景参考算法
面对此类挑战，地平线提炼了智能驾驶场景下的各类典型难题，并基于公开数据集提供了一系列经过充分优化的场景参考算法，当前已覆盖目标检测、光流预测、语义分割、车道线检测等常见自动驾驶任务，还提供支持摄像头与激光雷达等多类传感器的感知模型，面向高阶智能驾驶应用，地平线还提供支持Transformer、BEV等当下主流算法的先进模型示例，助力客户与生态伙伴快速布局高阶智能驾驶业务。
2D场景参考算法
3D感知参考算法
