BEV模型在嵌入式MCU上的移植技巧 · 课程目录

01

BEV感知概述

什么是BEV？为什么在MCU上部署？课程目标与前置知识。

02

嵌入式AI芯片选型

主流MCU厂商NPU对比：STM32N6、i.MX RT、Renesas DRP-AI。

03

模型轻量化基础

量化(PTQ/QAT)、剪枝、蒸馏的基本原理。

04

ONNX模型导出与优化

PyTorch/TF导出ONNX，使用onnx-simplifier简化模型。

05

推理框架适配与选择

TensorRT/SNPE/RTM在MCU上的适配与选择。

06

模型转换与编译

ONNX转MCU格式：.tflite、.kmodel等。

07

算子支持与替换

常见不支持算子(MultiHeadAttention)手动替换方案。

08

内存优化策略

激活值复用、in-place操作、内存池设计。

09

计算图优化

算子融合、常量折叠、死节点消除。

10

定点运算实现

浮点转定点，避免精度损失。

11

数据预处理加速

图像缩放、归一化的定点化与SIMD优化。

12

后处理优化

NMS的嵌入式实现与加速。

13

多任务输出解析

BEV检测、分割、跟踪头在MCU上的统一处理。

14

传感器数据同步

多摄像头、雷达数据时间戳对齐与缓存管理。

15

DMA与双缓冲

利用DMA数据搬运，计算与传输重叠。

16

中断与任务调度

FreeRTOS下推理任务优先级与调度策略。

17

功耗与散热管理

动态电压频率调整(DVFS)与推理任务调度。

18

调试与性能分析

Cycle Counter、ITM/SWO进行性能剖析。

19

常见错误与避坑

内存对齐、Cache一致性、堆栈溢出。

20

案例实战1：STM32N6

基于STM32N6的BEV车道线检测移植。

21

案例实战2：i.MX RT1170

基于i.MX RT1170的BEV障碍物检测移植。

22

案例实战3：Renesas DRP-AI

基于Renesas DRP-AI的BEV可行驶区域分割移植。

23

模型更新与OTA

MCU上的模型热更新方案。

24

安全性与可靠性

模型输出置信度校准与异常检测。

25

多模型级联

BEV主模型与辅助模型(车辆重识别)协同工作。

26

工具链自动化

Python脚本自动化模型转换与部署流程。

27

性能基准测试

FPS、内存占用、功耗标准化测试方法。

28

端侧BEV发展方向：Mamba、状态空间模型等。

29

核心知识点回顾与常见问题解答。

30

常用工具链安装指南、参考文献与社区资源。