Driving SDK是基于昇腾NPU平台开发的适用于自动驾驶场景,机器人具身智能VLA及世界模型的算子和模型加速库,提供了一系列高性能的算子和模型加速接口,支持PyTorch框架。

📅未来规划会动态刷新在DrivingSDK RoadMap中,欢迎大家通过此链接进行互动并提出诉求

为了交流开发经验、分享使用心得、及时获取项目更新,我们创建了DrivingSDK官方微信群。

无论你是正在使用这个项目,还是有奇思妙想,都欢迎加入👋

• [Dec. 09, 2025]: 🚀 DrivingSDK仓中Spconv3d算子支持channel大于等于128并优化显存
• [Dec. 05, 2025]: 🚀 DrivingSDK仓中submSparseConv3d性能优化
• [Nov. 20, 2025]: 🚀 DrivingSDK仓支持Pi0.5模型
• [Nov. 20, 2025]: 🚀 DrivingSDK仓支持FBOcc模型
• [Nov. 13, 2025]: 🚀 DrivingSDK仓支持Cosmos-drive-dreams模型
• [Nov. 10, 2025]: 🚀 DrivingSDK仓中scatter_add算子性能优化
• [Nov. 07, 2025]: 🚀 DrivingSDK仓支持cosmos-predict2模型
• [Oct. 28, 2025]: 🚀 DrivingSDK仓支持VGGT模型
• [Oct. 28, 2025]: 🚀 DrivingSDK仓支持GROOT-N1.5模型

DrivingSDK算子支持的CPU架构,Python,PyTorch和torch_npu版本对应关系如下:

推荐基于Driving SDK容器配置环境。

1. 本项目依赖昇腾提供的torch_npu包和CANN包,需要先安装对应版本的torch_npu和CANN软件包,具体配套关系见Ascend Extension for PyTorch仓README。 请参考昇腾官方文档PyTorch框架训练环境准备。
2. 使用pip3 install -r requirements.txt 安装Python依赖,requirements.txt文件位于项目根目录下。
3. 如果您需要编译ONNX插件,请安装protobuf-devel-3.14.0, 在centos 系统上可以执行yum install protobuf-devel-3-14.0,否则请将CMakePresets.json中的ENABLE_ONNX选项改为FALSE,CMakePresets.json文件位于项目根目录下。
4. 建议您在准备好环境后,使用umask 0027将umask调整为0027,以保证文件权限正确。
5. 建议您以非root用户身份执行以下操作。
6. 使用gcc编译本仓时,推荐使用gcc 10.2版本。

当前并未正式发布whl包 ,请参考源码安装方式。

1. 克隆原始仓。

   git clone https://gitcode.com/Ascend/DrivingSDK.git

2. 编译Driving SDK。

   注意:请在仓库根目录下执行编译命令

   bash ci/build.sh --python=3.8

   参数--python指定编译过程中使用的Python版本,支持 3.8 及以上版本,缺省值为 3.8。请参考编译指导获取更多编译细节。

   生成的whl包在DrivingSDK/dist目录下, 命名规则为mx_driving-1.0.0+git{commit_id}-cp{Python_version}-linux_{arch}.whl。

3. 安装Driving SDK。

   cd DrivingSDK/dist
   pip3 install mx_driving-1.0.0+git{commit_id}-cp{Python_version}-linux_{arch}.whl
   

   如需要保存安装日志,可在pip3 install命令后添加--log <PATH>参数,并对您指定的目录做好权限控制。

PyTorch 框架训练环境的卸载请参考昇腾官方文档Pytorch框架训练环境卸载。

Driving SDK的卸载只需执行以下命令:

pip3 uninstall mx_driving

import torch, torch_npu
from mx_driving import scatter_max
updates = torch.tensor([[2, 0, 1, 3, 1, 0, 0, 4], [0, 2, 1, 3, 0, 3, 4, 2], [1, 2, 3, 4, 4, 3, 2, 1]], dtype=torch.float32).npu()
indices = torch.tensor([0, 2, 0], dtype=torch.int32).npu()
out = updates.new_zeros((3, 8))
out, argmax = scatter_max(updates, indices, out)

.
├── kernels # 算子实现
│ ├── op_host
│ ├── op_kernel
│ └── CMakeLists.txt
├── onnx_plugin # onnx框架适配层
├── mx_driving
│ ├── __init__.py
│ ├── csrc # 加速库API适配层
│ └── ...
├── model_examples # 自动驾驶模型示例
│ └── BEVFormer # BEVFormer模型示例
├── ci # ci脚本
├── cmake # cmake脚本
├── CMakeLists.txt # cmake配置文件
├── CMakePresets.json # cmake配置文件
├── docs # 文档
| ├── api # 算子api调用文档
| └── ...
├── include # 头文件
├── LICENSE # 开源协议
├── OWNERS # 代码审查
├── README.md # 项目说明
├── requirements.txt # 依赖
├── scripts # 工程脚本
├── setup.py # whl打包配置
└── tests # 测试文件

请参见算子清单。

• 支持PyTorch 2.1.0,2.6.0,2.7.1,2.8.0(算子)
• 支持ONNX模型转换,训推一体
• 支持图模式

转换前需要手动添加环境变量。

# 查看mx_driving安装路径
pip3 show mx_driving
export ASCEND_CUSTOM_OPP_PATH=xxx/site-packages/mx_driving/packages/vendors/customize/
export LD_LIBRARY_PATH=xxx/site-packages/mx_driving/packages/vendors/customize/op_api/lib/:$LD_LIBRARY_PATH

Driving SDK仓提供了包括感知、规划、端到端、VLA等自动驾驶模型基于昇腾机器的实操案例。每个模型都有详细的使用指导,后续将持续增加和优化典型模型。使用过程中,若遇到报错问题,可查看自动驾驶模型FAQ自助解决,或在Issues中留言。如下列表中Released为Y的表示已经过测试验证,N的表示开发自验通过。

Driving SDK版本分支的维护阶段如下:

1. Driving SDK提供的模型仅供您用于非商业目的。
2. 对于各模型,Driving SDK平台仅提示性地向您建议可用于训练的数据集,华为不提供任何数据集,如您使用这些数据集进行训练,请您特别注意应遵守对应数据集的License,如您因使用数据集而产生侵权纠纷,华为不承担任何责任。
3. 如您在使用Driving SDK模型过程中,发现任何问题(包括但不限于功能问题、合规问题),请在Gitcode提交issue,我们将及时审视并解决。

如果您不希望您的数据集在Driving SDK中的模型被提及,或希望更新Driving SDK中的模型关于您的数据集的描述,请在Gitcode提交issue,我们将根据您的issue要求删除或更新您的数据集描述。衷心感谢您对Driving SDK的理解和贡献。