Kidwish_mini的博客

Tq：time quanta，CAN硬件每进行一次处理所需的时间，对应CAN时钟频率，互为倒数。波特率：每s可传输的bit量，（注：CAN中波特率即为位速率），可计算得到1bit的传输时间。用Tq来表示1bit时间的好处：解耦硬件，每个CAN收发器的时钟频率可能不同。通过CAN时钟频率和波特率可得到1bit传输的Tq时间（NBT）采样点（%）：表示每bit的采样点所在位置占每bit总时间的比例。PBS1、PBS2之间即采样点。

参考AUTOSAR文档：https://www.autosar.org/fileadmin/standards/R22-11/FO/AUTOSAR_TPS_ARXMLSerializationRules.pdfhttps://www.autosar.org/fileadmin/standards/R22-11/FO/AUTOSAR_TPS_ARXMLSerializationRules.pdfarxml只允许使用UTF-8编码，且不允许使用"UTF Byte Order Mask" (BOM)arxml只允

BTSxxx是HSD输出芯片；Tiexxx是HSD/LSD输出芯片。ASW/SWC想要控制PIN脚时，通过IoHwAb的接口实现。HSD/LSD： 高边驱动/低边驱动。H桥可控制电流方向，多用来控制电机。

线程基本知识

PDU：Protocal Data Unit，协议数据单元

现在时变位 规则动词 sein ich -e bin du -st bist er/sie/es -t ist wir -en sind ihr -t seid sie/Sie -en sind

冠词、人称代词

真正能够控制计算机硬件（CPU、内存、显示器等）的只有操作系统内核（Kernel），有两种跟内核交互的桥梁：图形界面和命令行要达到的目的是一样的，都是让用户控制计算机。Shell 是一个应用程序，它连接了用户和Linux 内核，让用户能够更加高效、安全、低成本地使用Linux 内核。Shell 程序本身的功能是很弱的，比如文件操作、输入输出、进程管理等都得依赖内核。我们运行一个命令，大部分情况下Shell 都会去调用内核暴露出来的接口。

在某信号线上，将电阻一端与VCC/GND相接，电阻另一端与信号线相接，此时电阻的另一端的电平即强制接近VCC/GND，接近程度取决于电阻的大小。在某信号线上，通过电阻与一个固定的高电平VCC相接，使其电压在空闲状态保持在VCC电平，此时电阻被称为上拉电阻。将某信号线通过电阻接在固定的低电平GND上，使其空闲状态保持GND电平，此时的电阻被称为下拉电阻。上拉电阻和下拉电阻是根据电阻来定义的，当上拉的电阻非常大时，能提供给信号线上负载电流非常小，此时电阻被称为。

COCO有提供api供使用者对自己推理的COCO验证集结果进行评分，步骤如下。

指定容器的mac地址，需要与license的地址相匹配。表示容器停止后，自动删除容器。i表示交互式，t表示终端。xxxx为IMAGE名称，可通过查看容器列表获得。会退出容器终端，但不会导致容器的停止。

如调用模型的代码有更改，需要重新编译，否则跳过编译步骤直接替换模型文件即可。

MIT联合丰田公司在2020年6月份发布的，用于动态驾驶场景分割的MIT DriveSeg数据集，并提供完全开放的免费下载。：手动标注版本，在马萨诸塞州剑桥市繁忙的街道上白天旅行期间捕获的2分47秒的高分辨率视频，面向车前的逐帧像素级语义标记数据集：半自动标注版本，从MIT高级车辆技术（AVT）联盟数据中提取的67个视频片段，与手动版的区别在于：1）半自动标注(比手动版粗略) 2）帧数更多(20100帧vs5000帧) 3）分辨率略低(720Pvs1080P)

CPU：中央处理器GPU：图形处理器，又称显示核心、视觉处理器、显示芯片NPU：神经网络处理器，又称AI芯片虽然GPU比CPU更擅长并行计算，但GPU和CPU本质上都属于通用处理器；AI芯片则针对性强，其目的是高效率地执行AI算法，也称为AI加速器，并衍生出了许多称呼，如NPU(神经网络处理器)、TPU(谷歌的张量处理器)、DPU(AMD加速处理器)、BPU(地平线Brain Processing Unit)等；

预训练和微调都在PC端进行，根据需求选择合适的深度学习框架，如Caffe、PyTorch、TensorFlow等。就是指预先训练的一个模型或者指预先训练模型的过程；就是指将预训练过的模型作用于自己的数据集，并使参数适应自己数据集的过程。在 CNN 领域中，实际上，很少人自己从头训练一个 CNN 网络。主要原因是自己很小的概率会拥有足够大的数据集，基本是几百或者几千张，不像 ImageNet 有 120 万张图片这样的规模。拥有的数据集不够大，而又想使用很好的模型的话，很容易会造成过拟合。

Model Zoo里面包含了TI自研的算法和目前市面上比较成熟的算法，相关的模型列表及依赖的框架可见SDK内的手册地址

openpilot对于感知的实现原理类似于特斯拉，靠的是纯视觉的解决方案，但因为camera只有两颗（一颗用于拍摄实现的路况，另一颗用于监控驾驶员），所以openpilot支持也比较有限， 主要支持车道保持 、ACC巡航、自动辅助变道这三个功能。├── opendbc # 显示如何解释汽车数据的文件，并以人类可读的方式对理解车辆CAN总线流量所需的信息进行编码。├── assets # 用于用户界面的字体、图像和声音。

摄像头感知的基本原理即从输入图像中获取特征，并将这些特征用于感知任务，其模型训练步骤可结合现代深度学习算法结构归纳如下：输入层输入backbone进行特征提取(neck进行特征的融合与增强)head进行针对性地结果输出并计算损失loss根据loss反向传播计算修正模型并进行下一轮的前向传播计算：backbone+(neck)+head若loss达到设定阈值则结束学习以YOLOv5的结构为例，其中：backbone由许多卷积模块组成，卷积模块是各个算法的区别所在，如ResNet的残差模块，YOLOv5的C3模

现代的图像感知算法由三个组件组成：Backbone、Neck和Head。

CNN从实验室走向移动端通常会遇到效率问题（包括存储问题和速度问题），通常的操作是对训练好的模型进行模型压缩，另一个角度则是设计轻量化模型。轻量化模型设计主要思想在于设计更高效的「网络计算方式」（主要针对卷积方式），从而使网络参数减少的同时，不损失网络性能。