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://gitee.com/ascend/DrivingSDK/blob/master/docs/get_started/patcher.md
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://gitee.com/ascend/DrivingSDK/tree/master/docs/api/context。
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://gitee.com/ascend/DrivingSDK/tree/master/model_examples获取。按照 README 操作执行，即可在昇腾服务器上启动模型训练。
● 一键迁移功能使用示例
DrivingSDK 套件引入了一键迁移功能
(https://gitee.com/ascend/DrivingSDK/blob/master/docs/get_started/patcher.md)，解决了智驾模型迁移优化周期长、手动复用优化经验易出错等问题，使用方法非常简单，只需要给 main 函数加上 patcher 的作用域。例如，对于没有迁移过的模型，框架提供了默认的 patcher，其中涵盖了所有通用优化特性，只需要在train.py中的 main 函数添加即可：
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。
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。