General Perception
Technology Architecture
通用感知技术架构
技术框架:采用“感知 – 规划 – 执行”三层架构
01
感知层
视觉与雷达传感器 → 自研 AI 检测模型(单任务 / 多任务,检测框 / 语义分割)。
02
规划层
自研反畸变算法 → 真实距离转换 → 基于卡尔曼滤波的目标追踪、轨迹预测与速度估算 → 碰撞风险评估。
03
执行层
根据法规要求或风险等级,决策报警强度或制动力度 → 输出至 HMI 或报警系统。
模型轻量化
通过三类核心技术实现模型轻量化
量化 01
PTQ(后训练量化):训练完成后直接量化,成本低、速度快,典型为 8-bit。
QAT(量化感知训练):在训练过程中模拟量化效果,精度损失控制在 <2%。
模型剪枝 02
权重剪枝:去除低于阈值的权重连接。
结构剪枝:移除整个卷积层或注意力头,获得更明显的加速效果。
知识蒸馏 03
通过教师模型向学生模型迁移知识,在参数量降低 40–60% 的同时保持精度。
Perception Algorithm Advantages
极致模型压缩,精度损失小
结合自研轻量化技术,算法可高效部署在低算力边缘平台。
01/02
完善的后处理能力
支持目标追踪、真实距离转换、轨迹预测与速度估算,可设计更精细、智能的报警策略。
01/02