自动驾驶技术随着人工智能的崛起，迎来了飞速发展，智驾已成为新能源车标配，L2及L2+智驾渗透率已经从2024年的66%提升到了80%。为了满足市场需求，数据的快速闭环以及模型的天级迭代已成为智驾训练的刚需。自动驾驶技术也在不断演进，从传统的模块化、规则化发展到 BEV + Transformer 架构，如今正逐步迈向端到端、VLM 和 VLA 等更前沿的技术，其应用场景也从最初的高速领航、智驾开城，进化到无图也能开、城市 NOA、车位到车位等更加复杂和多样的模式。
然而，自动驾驶技术本身具有功能复杂、训练数据规模庞大、模型训练周期长等挑战，并且在发展过程中还面临着开源模型版本配套复杂、兼容性差等问题，这些都给自动驾驶模型的开发带来了诸多挑战。
昇腾AI发布全新的Driving SDK自动驾驶训练加速套件，基于昇腾AI集群系统，提供丰富的模型和算子库，全面提升自动驾驶模型开发效率，加速自动驾驶技术的创新和应用。
Driving SDK自动驾驶加速套件包含高性能算子库、模型训练优化加速和自动驾驶优选模型库，旨在为客户提供自动驾驶系统开发的基础能力，加速模型训练效率。
● 高性能算子库
提供50+算子自动驾驶场景高性能算子，涵盖典型智驾算子如DCN、MSDA、SparseConv3D等，快速打通迁移训练链路。
●优选模型库
预置50+主流智驾模型，包含BEV、OCC、Lane&Map、端到端等多个类别，覆盖感知、规划控制等多个场景。
●训练优化加速技术
提供Host Bound、小算子下发多、CPU负载高等加速优化手段，快速提升模型性能。
三大特性，支撑智驾算法快速落地
01 极致性能，主流模型性能提升30%+
基于昇腾NPU架构特点，设计SIMD计算加速吞吐、多级指令流水线优化加速指令下发、UB融合实现连续Vector计算、Cube与Vector协同计算等方案，构建智驾高性能算子库，内置50+高性能算子，涵盖通用、目标检测、点云、融合、3D稀疏等多个智驾场景，兼容MMCV、Spconv、OpenPCDet等多个智驾三方库，支撑智驾模型无感迁移。
同时，Driving SDK自动驾驶加速套件提供多种训练优化手段，提升自动驾驶模型训练的效率。例如，部分自动驾驶模型中包含大量小算子操作以及cpu数据处理逻辑，使得模型存在Host侧下发瓶颈问题。为解决这一问题，我们通过二级流水优化、小算子融合等优化手段，使得模型性能提升20%+。
模型优化前后流水图对比
02 极简易用，分钟级构筑自有模型
Driving SDK自动驾驶加速套件提供50+主流场景模型，包含BEVFormer、MapTR、FlashOCC、LMDrive、StreamPETR和UniAD等高性能自动驾驶模型，涵盖BEV感知、OCC感知、Lidar感知、预测规划、通用目标检测等多个场景。
图：自动驾驶优选模型库的
主流场景模型的NPU性能与业界参考性能对比
同时，Driving SDK自动驾驶加速套件支持环境变量自动拼接，一键迁移功能继承典型智驾模型优化经验。
详细使用指南参考：https://www.fromgeek.com/uploadfile/pic2020/2025/0415/20250415134008163G>
03 开源开放，自定义开发效率提升20%
工程架构：算子实现与适配解耦，项目结构偏平，工程编译门槛低；
资料文档：高性能API调用逻辑统一、示例清晰易上手并附带甜点场景说明；
全量开源：算子、模型、算法全量开源，提供丰富参考设计及算子实现样例，助力客户自定义开发算子及模型。
Driving SDK自动驾驶加速套件使用示例
●昇腾亲和API替换示例
DrivingSDK仓针对智驾模型高频使用的API进行了迁移和优化，以充分利用昇腾NPU的澎湃算力。已支持的api清单和调用方法参考https://www.fromgeek.com/uploadfile/pic2020/2025/0415/20250415134009165G>
API替换参考代码：
●主流模型使用示例
DrivingSDK适配并优化了50+典型智驾模型，模型清单可在https://www.fromgeek.com/uploadfile/pic2020/2025/0415/20250415134009167G>
●一键迁移功能使用示例
DrivingSDK套件引入了一键迁移功能
(https://www.fromgeek.com/uploadfile/pic2020/2025/0415/20250415134010169G>
结语
昇腾AI联合华为车BU，将DrivingSDK自动驾驶加速套件应用于ADS 3.0智驾系统的开发中，大幅缩短ADS 3.0模型训练时长，实现模型天级迭代。未来，我们也将持续提供更丰富的模型和算子，帮助更多客户伙伴完成智驾算法创新。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
