本文摘要：汽车行业是推展人工智能（AI）发展的最重要行业之一，这是因为该行业致力于自动驾驶汽车和高级驾驶员辅助系统（ADAS）的绿在利益。

汽车行业是推展人工智能（AI）发展的最重要行业之一，这是因为该行业致力于自动驾驶汽车和高级驾驶员辅助系统（ADAS）的绿在利益。汽车正在显得更加智能，但是如果汽车行业要构建几乎自动驾驶的目标，他们还有很长的路要回头。

尽管业界还在辩论构建仅有自动化所须要的理想技术人组，但是有一点是具体的，那就是人工智能，特别是在是神经网络将充分发挥最重要起到。神经网络神经网络的起到是继续执行对于传统视觉或模式识别系统来说具备挑战性的任务。

通过使每个神经网络各自有所不同，并针对特定任务展开设计，它可以更加高效、更加准确地继续执行任务。所有神经网络的的组织模式都是在多个层面上多次处置数据。

因此，神经网络可以在有所不同的输出模式下运营十到二十次，而不是用一组特定的参数只运营一次操作者。这个点子是，通过所有这些有所不同的路径，自由选择的数量就不会减少。不论如何了必须作出决策的时候，它早已从输出中萃取了所有的信息。

在路标识别的示例中，第一层有可能正在找寻一个标识的角形状，然后是颜色等各个步骤继续执行下去，直到它可以十分相信地说道这是一个路标并解释其含义。这样做到的益处在于需要对每一个步骤都展开编程，神经网络将不会自己已完成，并且随着时间的流逝而大大自学。

该算法告诉它必须辨识的内容，并将尝试有所不同的方法，直到实现目标，并在过程中大大自学。一旦神经网络在经过培训之后，它之后可以在实际应用于中发挥作用。这意味著工程师不用花费数小时来微调简单的算法，他们只需向神经网络展出它必须找到的内容并让其自学已完成。这些技术早已在车辆中被普遍用作目标检测、分类和分析，而驾驶员监测、访问控制以及语音和手势辨识也可以利用有所不同类型的神经网络。

此外，将传统视觉与神经网络结合的人工智能方法，可用作行人路径分析和环绕着视图等应用于场景，它将同时依赖图形处理器（GPU）和神经网络加速器（NNA）。在从传感器到电子掌控单元（ECU）整个链路中也可以用于神经网络，在预处理、中间处置和后处理中用于的各种技术将人工智能引进了其中。

此外，车联网（V2X）技术正在研发中，该技术将主要用于自动驾驶汽车作为传感载体，为各种智慧城市和智慧交通场景提供数据和信息。某种程度，这些进展将依赖使用GPU和NNA的方法构建人工智能，以反对来自更加大的输出集的各种分析和计算出来。传感器融合自动驾驶和高度自动化的车辆将相当严重倚赖各种类型的传感器，还包括摄像头、热光学、雷达、激光雷达（LiDAR）等。

所有这些传感器爆出的信号都必须展开理解和融合，以便全面理解车辆内部和外部再次发生的情况。传感器融合对于自动驾驶至关重要，它将牵涉到到GPU和神经网络以及机器学习和人工智能的融合。

车辆内部传感器融合的一个很好的示例是驾驶员监测。在当今的车辆中，各种各样的传感器都需要检测到驾驶员否注意力不集中于。

神经网络可以分析摄制到的驾驶员图像，以辨别他或她否在睡、正处于疲惫状态、注意力不集中于，甚至通过移动设备讲话或放信息。这对于早期的自动驾驶车辆来说是至关重要的信息，因为它有可能必须驾驶员在某些时候新的掌控车辆，因为汽车必须告诉驾驶员否正处于适合的状态才能这样做到。

驾驶员监测是如何工作的？对准驾驶员面部的摄像头为分析面部元素（特别是在是眼睛）的算法获取了输出。是睁着眼睛还是闭着眼睛？如果是闭着眼睛，失眠多长时间？眼神否飘忽不定？驾驶员正在看向哪里？研究整个面部可以确认驾驶员是生气还是哀伤。如果是气愤，系统不会建议驾驶员再行靠边行驶并冷静下来，然后再继续行经。所有这些都是基于建构一个面部图像，萃取关键点并用于神经网络萃取情绪、身旁时间等来辨别驾驶员的精神状态。

在未来的两三年内，驾驶员监测可能会沦为必需从欧洲新车评估计划（NCAP）和美国国家高速公路通行安全性管理局（NHTSA）取得批准后的一项拒绝，因此驾驶员监测不会沦为汽车制造商必需要实行的技术，不仅要限于于高端汽车，还要限于于所有车辆。自动驾驶的等级美国汽车工程师学会（SAE）和美国高速公路交通安全管理局已将自动驾驶汽车的能力分成六个等级。

基本上，等级0几乎没自动化，而在等级1中，汽车将为驾驶员获取一些协助。等级2具备更好的驾驶员辅助功能，甚至可以自律继续执行一些任务，例如自动紧急制动以防止撞击。等级3是一个棘手的问题，虽然汽车是自动驾驶，但驾驶员必需随时打算驾驶员车辆。驾驶员监测将是等级3自动驾驶的关键，因为驾驶员必需作好介入的打算，并且在一定程度上，车辆有责任保证驾驶员作好打算。

在等级4中，即使驾驶员可以接掌车辆驾驶，但从理论上谈，车辆也可以处置它所处现场的所有情况。等级5的车辆将构建全自动化，没方向盘和踏板。

车辆自动驾驶性能每提升一个级别，所需的计算出来性能就不会减少约十倍。这就是为什么神经网络很最重要的原因，因为它们可以在非常低的功耗下获取这种性能。目标检测以一个行人为事例，汽车的车载摄像头和传感器可以记录行人是在行驶或双脚；神经网络可被用作绘制行人有可能要回头的路线，并计算出来车辆否必须滑行或较慢制动器。神经网络还可以仔细观察同一幅图像并对其展开拆分，借此挑选出其他物体，并应用于目标辨识技术来辨别出有它们否代表了车辆必须留意的东西。

所有这些都必需把车辆的方位以及它想去的地方划入考虑到之中，如果车辆正在方向灯，并检测到在车辆后面有一个小孩，就必须很快处置并展开刹车。要做这一点，就必须人工智能和神经网络来查阅那里否有物体不存在，并对其展开辨识见到是一个孩子，然后向执行器或驾驶员发送到一个信号，以采取措施。由于摄像头一般来说不会具有某种鱼眼镜头，因此这将使其显得更为简单。这不会产生一张变形的图片，必须再行矫正然后展开理解。

来自这个设备以及其他传感器的输出必须融合一起，从而在瞬间作出决策。数据处理与此同时，来自汽车周围的其他信息也源源不断地被递送，还包括来自于所有传感器的以及从其他车辆或基础设施通过无线通信接管到的信息。

这是一个极大的数据量，有可能在太字节（terabyte）范围内。ECU将遍及汽车各处，并根据数据作出决策。这可能会牵涉到到100个或者更好的ECU。

业界正在用于一些方法来研究如何用较少的ECU和更加多的计算能力来构建这一点。摄像头或传感器旁边的嵌入式人工智能可以作出一些要求，从而增加车辆必须传送的信息。

这意味著必须有所不同等级的处理方式。数据可以在捕捉点展开预处理，例如拉直鱼眼镜头的图像。中间处置有可能还包括各种已计划的任务、目标辨识、决策制定等。之后可以展开后处理，当信息可以被清扫规整并表明在屏幕上时，让驾驶员就告诉正在再次发生什么或早已再次发生了什么。

应用于这些数据处理技术也被用作创立当前正在研发的应用于，以在车内创立虚拟世界环视车身承托柱。在此用例中，将在承托柱（相连车顶和车身的承托柱）上加装摄像头来捕捉车外再次发生的事情。承托柱的内部将获取一个显示器，以表明这些摄像头正在捕捉的内容，从而为驾驶员获取一个不间断的视场。这个过程十分难以实现。

系统必需理解驾驶员正在查阅的另一侧是什么情景。图片将必须修正变形并摆放在不平坦或倾斜的表面上，然后新的变形到承托柱的轮廓上。尽管这一变革是未来的趋势，但一些高端车辆早已获取了环绕着视图系统，并且它们迅速将应用于中档和入门级车辆。

GPU被用作分析遍及车辆周围的各个摄像头所捕捉的图像（一般来说有四个或五个摄像头），并将图像拼凑在一起。根据拼凑的图像，神经网络将继续执行目标检测和路径预测，以查阅这些目标否有可能拦挡车辆的路径。信息娱乐和导航系统在车载信息娱乐系统（IVI）和导航系统方面，GPU也起着最重要起到。它们还参予语音掌控，这很有可能沦为人与车之间的关键模块。

因此，对于卫星导航系统来说，驾驶员不用操作者按钮和键盘来输出目的地，而是只需讲出邮政编码或街道名字，然后就可拒绝系统绘制出有路线。仪表盘将被相连到外部摄像头，以用作路标辨识等操作者。如果摄像头捕捉到一个车速的标志，该标志可以在有效地的时间内表明在驾驶员面前；如果汽车多达车速，就不会发出声响警告。

实质上，整个仪表表明区将用于GPU展开图像图形和信息优先级排序。如果系统确认驾驶员必须理解一些关键信息，该信息可能会从仪表表明区中弹出有，甚至可以感应到挡风玻璃上。

本文来源：澳门最新网站游戏-www.517bst.com