更多的數據意味著將智能演算法和專用硬件融合在一起，以獲得自動駕駛系統的設計優勢。
ADAS開發人員一直專註於將不斷擴大的自動駕駛功能列表推向市場。在這種競爭方面，智能演算法不再是影響能力和效能的唯一區別因素——硬件已經上升到一個更突出的角色，隨著制造商接近5級，完全自主的能力，這一點尤其重要。為什麽硬件現在更重要？因為積累數據只是授權ADAS的第一步。數據及其在嚴格設定中的無延遲處理是ADAS安全和成功的關鍵。
深度學習訓練和深度學習推理（數據密集型操作）對 ADAS 開發過程是至關重要的。深度學習訓練使用大型數據集，教導深度神經網絡執行影像和語音辨識等AI任務。深度學習推理利用這種訓練來預測新數據的含義。這是一個基於穩步增長的數據需求（如今，單輛車每天高達4TB的數據需求）而發展的開發過程，並且需要專門的解決方案，例如AI邊緣推理電腦。系統必須包含大量高速固態數據儲存，並經過強化，以承受沖擊、振動、環境汙染物和極端溫度，即使在處理和儲存來自各種來源的大量數據時也是如此。在這裏，理想的設計將基於軟件的深度學習功能與針對邊緣和雲處理進行最佳化的堅固耐用的硬件策略相結合。
訓練模型
雖然深度學習訓練通常是建立AI最具挑戰性和時間密集型的方法，但它為深度神經網絡（DNN）提供了完成任務的方法。多層相互連線的人工神經元組成了一個DNN。這些 DNN 必須學會執行特定的AI 任務：語音到文本轉換、影像分類、影片分類或建立推薦系統。數據被饋送到 DNN，然後 DNN 使用它來預測數據的含義。
透過饋送深度神經網絡數據來完成深度神經網絡的教學或訓練，允許 DNN 預測數據表示的內容
例如，DNN 可能會學習區分三個不同的物件：狗、單車和汽車。第一步涉及編譯一個由數千張影像組成的數據集，包括狗、單車和汽車。下一步涉及將影像饋送到 DNN；然後，DNN 根據其訓練確定影像的含義。每當做出不正確的預測時，就會糾正錯誤並修改人工神經元，以便在將來進行更準確地推斷。使用這種方法，網絡每次獲得新的數據集時，都可能取得更大的成功。此訓練過程將持續存在，直到預測達到首選的準確性級別。從這裏開始，訓練的模型被認為已經準備好使用其他影像來做出準確的預測。
深度學習訓練是高度計算密集型的。訓練一個DNN通常需要數十億的計算。這一過程依賴於強大的計算能力，能夠即時執行計算。在數據中心，深度神經網絡訓練依賴於GPUs、VPUs、多核處理器和其他效能加速器。這些都是提高人工智能工作負載的速度和準確性的要素。
使模型發揮作用
深度學習推理增加了深度學習訓練的價值。透過使用經過完全訓練的 DNN，可以根據更接近其生成位置的全新數據進行預測。在深度學習推理中，將影像等新數據添加到網絡中，便於對所述影像進行DNN分類。例如，在"狗、單車、汽車"的基礎上構建，將狗、汽車和單車以及其他物件的新影像載入到 DNN 中。結果是一個經過完全訓練的 DNN，可以準確地預測影像所表示的內容。
完全訓練後，DNN 可以復制到其他器材上。然而，DNN可能非常大，通常包括數百層連線數十億個權重的人工神經元。在部署之前，必須對網絡進行調整，以降低對記憶體、能量和計算能力的需求。雖然模型的精確度略低，但其簡化的好處足以彌補這一點。
深度學習推理是透過向網絡提供新數據（例如新影像）來執行的，從而使 DNN 有機會對影像進行分類
要修改 DNN，可以使用以下兩種方法之一：修剪或量化。修剪涉及數據科學家將數據饋送到 DNN，然後進行觀察。檢測並移除有問題的神經元，而不會對預測準確性產生重大影響。量化需要降低重量精度。例如，將 32 位浮點數減少到 8 位浮點數會生成一個使用較少計算資源的小模型。這兩種方法對模型準確性的影響都微乎其微。該模型變得更小、更快，從而減少了能源使用和計算資源的消耗。
邊緣的 ADAS
混合模型通常用於邊緣的深度學習推理。邊緣電腦從傳感器或網絡攝影機收集資訊，並將該數據傳輸到雲中。交付到雲、分析和返回的數據需要幾秒鐘，這在需要即時推理分析和檢測的應用程式中會產生不可接受的延遲。相反，推理分析可以透過專為瞬間自主決策和車載部署而設計的邊緣計算器材即時執行。這些工業級系統可承受各種電源輸入場景，包括車輛電池，堅固耐用，可承受極端溫度、沖擊、振動、灰塵和其他環境挑戰。這些內容，再加上獨特的高效能，緩解了許多與深度學習推理演算法的雲處理相關的問題。
憑借可配置的處理能力，Premio AI 邊緣推理電腦能夠在邊緣執行機器學習和深度學習推理分析
例如，GPUs和TPUs能夠快速跟蹤執行各種線性代數計算的能力，從而允許系統串聯執行此類操作。與執行AI推理計算的CPU不同，GPU或TPU(兩者都更擅長數學計算)承擔了大大加快推理分析的工作負載。相反，CPU專註於執行標準應用程式和作業系統。
本地推理處理消除了延遲問題，並解決了與原始數據傳輸相關的互聯網頻寬問題，尤其是大型影片源。有線和無線連線技術，包括千兆乙太網路、10 千兆乙太網路、蜂窩 4G LTE 和 Wi-Fi 6，都支持各種條件下的系統互聯網連線。有前途的5G無線技術以其閃電般的數據速率，更低的延遲和增加的頻寬進一步擴充套件了選擇。這些豐富的連線選項支持關鍵任務數據的雲解除安裝，並適應無線更新。透過額外的CAN總線支持，該解決方案可以記錄來自車輛總線和網絡的車輛數據。可以從車輪速度、車速、發動機轉速、轉向角等資訊中收集即時洞察，以及其他豐富的數據，傳遞有關車輛的基本資訊。
充分利用汽車大數據
汽車大數據就在這裏，ADAS整合或自動駕駛汽車產生的數據的巨大範圍證明了這一點。雷達、激光雷達(LiDAR)、高分辨率攝影機、超聲波傳感器、GPS和其他傳感器提供的感知資訊將為不同級別的自動駕駛提供資訊，尤其是隨著3級、4級和5級自動駕駛的出現，這些資訊變得尤為重要。這是一項艱巨的工作，而且只會越來越艱巨——促使設計師戰略性地將復雜的軟件設計和創新的硬件策略結合起來，以提高汽車的效能、乘客的健康和道路安全。
by Dustin Seetoo，Premio Inc.產品行銷總監
