- ADCU：辅助驾驶控制单元（Autonomous Driving Control Unit）
- DDS：数据分发服务（Data Distribution Service）是分布式实时通信中间件 协议．
- NMS：非极大值抑制（Non-maximum suppression）是一种去除非极大值的算法，常用于计算机视觉中的边缘检测、物体识别等
zmq Bridge
ZMQ Bridge指的是ZeroMQ Bridge（ZeroMQ桥接），它是一种技术或工具，用于在不同的通信协议之间建立连接或桥接。 ZeroMQ（ZMQ）是一个流行的消息传递库，它提供了高性能、异步的消息传递模式。它支持多种消息传递模式，例如发布-订阅、请求-回复和推送-拉取。ZeroMQ可以在各种编程语言中使用，并且被广泛应用于构建分布式和并行计算系统、消息队列、网络通信等领域。 ZMQ Bridge的概念是基于ZeroMQ的灵活性和可扩展性。它允许在ZeroMQ和其他通信协议之间进行桥接，以便在它们之间传递消息或建立连接。这意味着你可以使用ZMQ Bridge将ZeroMQ与其他消息传递系统、通信协议或接口进行集成，实现不同系统之间的互操作性。 通过ZMQ Bridge，你可以在不修改现有系统的情况下，将ZeroMQ与其他通信协议进行连接，或者在不同的消息队列系统之间进行消息传递。这种桥接机制有助于实现系统的互联和集成，提高系统的灵活性和可扩展性。 需要注意的是，ZMQ Bridge并不是ZeroMQ库本身的一部分，而是指涉用于桥接ZeroMQ与其他通信协议的相关实现、工具或技术。具体的实现方式和工具可能因应用场景和需求的不同而有所差异。
Open Neural Network Exchange（ONNX）
是一个开放的深度学习模型交换格式。它旨在实现不同深度学习框架之间的模型互操作性，使得用户可以在不同的框架之间无缝地共享和部署深度学习模型。 ONNX 提供了一个中立的中间表示形式，可以表示和存储各种深度学习模型的结构和参数。这种中间表示形式使得用户可以将模型从一个深度学习框架转换到另一个框架，而无需重新训练模型或手动重新实现。 通过 ONNX，深度学习框架可以导出模型到 ONNX 格式，然后其他框架可以加载和执行该模型。这样做的好处是，用户可以根据自己的需求选择最适合的深度学习框架进行训练和推理，而不受特定框架的限制。 此外，ONNX 还提供了一系列工具和库，用于模型的转换、优化和部署。它支持多种流行的深度学习框架，如PyTorch、TensorFlow、Caffe、Microsoft Cognitive Toolkit等。 总而言之，ONNX 是一个跨深度学习框架的标准化格式，旨在促进模型的可移植性和互操作性，使用户能够更灵活地使用不同的深度学习框架进行模型开发和部署。
反量化
在深度学习中，反量化（Dequantization）是指将量化后的数据恢复为原始的浮点表示形式。量化是指将浮点数转换为定点数或低位精度表示，以减少计算和存储的成本。 在深度学习中，为了提高计算效率和模型大小，常常会对模型的权重和激活值进行量化。量化后的数值通常以整数形式表示，可以使用较少的位数进行存储和计算，从而减少了存储需求和计算复杂性。 然而，在某些情况下，需要将量化后的数据恢复为浮点数形式，以进行进一步的计算或后处理。这个过程就是反量化。通过应用逆量化操作，将量化后的整数表示转换回浮点数表示，使得数据可以进行准确的计算和分析。 反量化过程的具体操作取决于量化的方法和参数。常见的反量化方法包括将整数值除以一个缩放因子（scale factor），并可能添加一个偏置（bias）以进行数据的平移和缩放。 反量化在深度学习中广泛应用于量化推理和量化感知训练等技术中，以在保持计算效率的同时尽可能保留模型的精度和性能。