#汽車電子 #人工智慧AI #先進駕駛輔助系統ADAS #車載資訊娛樂系統IVI #車聯網V2X #神經網路加速器NNA #圖形處理器GPU #感測器融合SensorFusion
【GPU＋NNA，挑動汽車視神經】
因為自動駕駛汽車和先進駕駛輔助系統 (ADAS) 的泛在利益，汽車行業已成推動人工智慧 (AI) 發展的重要行業之一；儘管業界還在討論實現全自動化所需的理想技術組合，但有一點是明確的，那就是：AI、尤其是神經網路 (NN) 將發揮重要作用，執行對於傳統視覺或模式識別系統來說具有挑戰性的任務，並針對特定任務進行設計，以便更高效、精確地執行。
所有神經網路的組織模式都是在多個層面上多次處理資料。因此，神經網路可在不同的輸入模式下運行十到二十次，而不是用一組特定的參數只運行一次操作；透過不同路徑，選擇的數量就會增加。當到了需做出決策時，它已從輸入中提取了所有資訊。在路標識別示例中，第一層可能正在尋找一個標識的角形狀，然後是顏色等各步驟依序執行，直到它非常確信地說這是一個路標並說明其含義。
這樣做的好處在於無需對每一個步驟都進行程式設計。神經網路將會自己完成，並隨時間推移而不斷學習。該演算法知道它需要識別的內容，將嘗試不同方法直到實現目標，並在過程中不斷學習。一旦神經網路經過培訓，它便可在實際應用中發揮作用。這意味著工程師不必花費數小時來微調複雜的演算法，只需向神經網路展示它需要發現的內容並讓其自學完成。
這些技術已在車輛中被廣泛用於目標檢測、分類和分析，駕駛員監測、存取控制及語音和手勢識別也可利用不同類型的神經網路。此外，將傳統視覺與神經網路結合的 AI 方法，可用於行人路徑分析和環繞視圖等應用場景，它將同時依賴於圖形處理器 (GPU) 和神經網路加速器 (NNA)。在從感測器到電子控制單元 (ECU) 整個鏈路中也可使用神經網路，在預處理、中間處理和無人車後處理使用的各種技術將 AI 引入其中。
此外，車聯網 (V2X) 將主要使用自動駕駛汽車作為傳感載體，為各種智慧城市和智慧交通場景提供資料和資訊。同樣，這些進展將依賴於採用 GPU 和 NNA 的方法實現人工智慧，以支持來自越來越大的輸入集的各種分析和計算。自動駕駛和高度自動化的車輛將嚴重依賴各種類型的感測器，包括攝像頭、熱成像、雷達、光達 (LiDAR) 等。所有這些感測器傳出的訊號都需要進行解讀和融合，以便全面瞭解車輛內部和外部發生的情況。感測器融合對於自動駕駛至關重要。
延伸閱讀：
《助力汽車自我思考》
http://compotechasia.com/a/tech_application/2020/0120/43855.html
(點擊內文標題即可閱讀全文)
#ImaginationTechnologies
