物理AI技能库 让智能体驱动物理世界仿真与推理

该技能用于训练、评估和推理TAO BEVFusion模型，实现融合LiDAR点云与相机图像的多传感器3D目标检测（鸟瞰图/BEV空间），主要面向自动驾驶场景。关键词：BEVFusion、3D目标检测、多传感器融合、LiDAR、相机、BEV、自动驾驶、模型训练、模型评估、模型推理。

该技能指导用户利用Data Designer库构建合成数据集、生成合成数据或搭建数据生成流水线。它详细说明了在交互式/自动驾驶模式下如何推进工作流，并提供了列保留规则、使用提示、故障排除方法以及Python输出模板。适用于AI数据开发、数据增强、生成式数据创建和数据管道设计。关键词：合成数据集生成、Data Designer、数据生成管道、数据合成、数据增强。

该技能围绕NVIDIA TAO FoundationStereo模型，提供立体匹配深度估计（视差估计）的完整工作流，包括数据集格式转换、模型训练、评估、推理、导出和量化，支持Middlebury、KITTI、ETH3D等多种数据集，适用于3D重建、自动驾驶感知等任务。关键词：立体匹配、视差估计、深度估计、FoundationStereo、3D重建、TAO深度网络、模型训练、评估、推理、导出。

该技能用于从带有KITTI边界框标签的图像生成指代表达式（referring expressions）和接地标注（grounding annotations）。它通过一个视觉语言模型（VLM）执行四步流程：区域描述、场景标题、分组接地表达式生成及可选的双重检查验证，最终输出统一格式的annotations.jsonl，适用于自动驾驶或场景理解数据集构建。关键词：图像生成、指代表达式、KITTI标签、边界框、区域描述、场景标题、接地表达式、自动标注、VLM、视觉语言模型、数据标注。

OCDNet场景文本检测技能，基于可微分二值化方法检测自然图像中的任意方向文本区域。支持训练、评估、导出、剪枝、量化、重新训练与推理，并提供TAO部署流程。适用于场景文字识别、OCR预处理、自动驾驶路牌检测等。关键词：OCDNet, 场景文本检测, 可微分二值化, 任意方向文本, 自然图像, TAO, 模型训练, 模型推理, TensorRT

Sparse4D是NVIDIA TAO框架下用于多相机时序3D目标检测与跟踪的技能，通过稀疏查询和可变形注意力在跨相机、跨时间维度完成端到端3D感知。该技能覆盖数据转换、训练（含AutoML）、评估、导出、量化和推理流程，适用于自动驾驶场景。关键词：Sparse4D、3D目标检测、多相机融合、时序跟踪、自动驾驶、TAO、AutoML、模型训练、评估、推理。