汽車正在變得越來越智能，但是如果汽車行業(yè)要實(shí)現(xiàn)完全自動駕駛的目標(biāo)，他們還有很長的路要走。盡管業(yè)界還在討論實(shí)現(xiàn)全自動化所需的理想技術(shù)組合，但是有一點(diǎn)是明確的，那就是人工智能，尤其是神經(jīng)網(wǎng)絡(luò)將發(fā)揮重要作用。

神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的作用是執(zhí)行對于傳統(tǒng)視覺或模式識別系統(tǒng)來說具有挑戰(zhàn)性的任務(wù)。通過使每個神經(jīng)網(wǎng)絡(luò)各自不同，并針對特定任務(wù)進(jìn)行設(shè)計，它可以更高效、更精確地執(zhí)行任務(wù)。

所有神經(jīng)網(wǎng)絡(luò)的組織模式都是在多個層面上多次處理數(shù)據(jù)。因此，神經(jīng)網(wǎng)絡(luò)可以在不同的輸入模式下運(yùn)行十到二十次，而不是用一組特定的參數(shù)只運(yùn)行一次操作。這個想法是，通過所有這些不同的路徑，選擇的數(shù)量就會增加。當(dāng)?shù)搅诵枰龀鰶Q策的時候，它已經(jīng)從輸入中提取了所有的信息。

在路標(biāo)識別的示例中，第一層可能正在尋找一個標(biāo)識的角形狀，然后是顏色等各個步驟執(zhí)行下去，直到它可以非常確信地說這是一個路標(biāo)并說明其含義。這樣做的好處在于無需對每一個步驟都進(jìn)行編程，神經(jīng)網(wǎng)絡(luò)將會自己完成，并且隨著時間的推移而不斷學(xué)習(xí)。該算法知道它需要識別的內(nèi)容，并將嘗試不同的方法，直到實(shí)現(xiàn)目標(biāo)，并在過程中不斷學(xué)習(xí)。一旦神經(jīng)網(wǎng)絡(luò)在經(jīng)過培訓(xùn)之后，它便可以在實(shí)際應(yīng)用中發(fā)揮作用。這意味著工程師不必花費(fèi)數(shù)小時來微調(diào)復(fù)雜的算法，他們只需向神經(jīng)網(wǎng)絡(luò)展示它需要發(fā)現(xiàn)的內(nèi)容并讓其自學(xué)完成。

這些技術(shù)已經(jīng)在車輛中被廣泛用于目標(biāo)檢測、分類和分析，而駕駛員監(jiān)測、訪問控制以及語音和手勢識別也可以利用不同類型的神經(jīng)網(wǎng)絡(luò)。此外，將傳統(tǒng)視覺與神經(jīng)網(wǎng)絡(luò)相結(jié)合的人工智能方法，可用于行人路徑分析和環(huán)繞視圖等應(yīng)用場景，它將同時依賴于圖形處理器(GPU)和神經(jīng)網(wǎng)絡(luò)加速器(NNA)。

在從傳感器到電子控制單元(ECU)整個鏈路中也可以使用神經(jīng)網(wǎng)絡(luò)，在預(yù)處理、中間處理和后處理中使用的各種技術(shù)將人工智能引入了其中。

此外，車聯(lián)網(wǎng)(V2X)技術(shù)正在開發(fā)中，該技術(shù)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數(shù)據(jù)和信息。同樣，這些進(jìn)展將依賴于采用GPU和NNA的方法實(shí)現(xiàn)人工智能，以支持來自越來越大的輸入集的各種分析和計算。

傳感器融合

自動駕駛和高度自動化的車輛將嚴(yán)重依賴各種類型的傳感器，包括攝像頭、熱成像、雷達(dá)、激光雷達(dá)(LiDAR)等。所有這些傳感器傳出的信號都需要進(jìn)行解讀和融合，以便全面了解車輛內(nèi)部和外部發(fā)生的情況。

傳感器融合對于自動駕駛至關(guān)重要，它將涉及到GPU和神經(jīng)網(wǎng)絡(luò)以及機(jī)器學(xué)習(xí)和人工智能的結(jié)合。

車輛內(nèi)部傳感器融合的一個很好的示例是駕駛員監(jiān)測。在當(dāng)今的車輛中，各種各樣的傳感器都能夠檢測到駕駛員是否注意力不集中。神經(jīng)網(wǎng)絡(luò)可以分析拍攝到的駕駛員圖像，以判斷他或她是否在睡覺、處于疲倦狀態(tài)、注意力不集中，甚至通過移動設(shè)備講話或發(fā)信息。這對于早期的自動駕駛車輛來說是至關(guān)重要的信息，因為它可能需要駕駛員在某些時候重新控制車輛，因為汽車需要知道駕駛員是否處于合適的狀態(tài)才能這樣做。