更多的数据意味着将智能算法和专用硬件融合在一起，以获得自动驾驶系统的设计优势。
ADAS开发人员一直专注于将不断扩大的自动驾驶功能列表推向市场。在这种竞争方面，智能算法不再是影响能力和性能的唯一区别因素——硬件已经上升到一个更突出的角色，随着制造商接近5级，完全自主的能力，这一点尤其重要。为什么硬件现在更重要？因为积累数据只是授权ADAS的第一步。数据及其在严格设置中的无延迟处理是ADAS安全和成功的关键。
深度学习训练和深度学习推理（数据密集型操作）对 ADAS 开发过程是至关重要的。深度学习训练使用大型数据集，教导深度神经网络执行图像和语音识别等AI任务。深度学习推理利用这种训练来预测新数据的含义。这是一个基于稳步增长的数据需求（如今，单辆车每天高达4TB的数据需求）而发展的开发过程，并且需要专门的解决方案，例如AI边缘推理计算机。系统必须包含大量高速固态数据存储，并经过强化，以承受冲击、振动、环境污染物和极端温度，即使在处理和存储来自各种来源的大量数据时也是如此。在这里，理想的设计将基于软件的深度学习功能与针对边缘和云处理进行优化的坚固耐用的硬件策略相结合。
训练模型
虽然深度学习训练通常是创建AI最具挑战性和时间密集型的方法，但它为深度神经网络（DNN）提供了完成任务的方法。多层相互连接的人工神经元组成了一个DNN。这些 DNN 必须学会执行特定的AI 任务：语音到文本转换、图像分类、视频分类或创建推荐系统。数据被馈送到 DNN，然后 DNN 使用它来预测数据的含义。
通过馈送深度神经网络数据来完成深度神经网络的教学或训练，允许 DNN 预测数据表示的内容
例如，DNN 可能会学习区分三个不同的对象：狗、自行车和汽车。第一步涉及编译一个由数千张图像组成的数据集，包括狗、自行车和汽车。下一步涉及将图像馈送到 DNN；然后，DNN 根据其训练确定图像的含义。每当做出不正确的预测时，就会纠正错误并修改人工神经元，以便在将来进行更准确地推断。使用这种方法，网络每次获得新的数据集时，都可能取得更大的成功。此训练过程将持续存在，直到预测达到首选的准确性级别。从这里开始，训练的模型被认为已经准备好使用其他图像来做出准确的预测。
深度学习训练是高度计算密集型的。训练一个DNN通常需要数十亿的计算。这一过程依赖于强大的计算能力，能够实时运行计算。在数据中心，深度神经网络训练依赖于GPUs、VPUs、多核处理器和其他性能加速器。这些都是提高人工智能工作负载的速度和准确性的要素。
使模型发挥作用
深度学习推理增加了深度学习训练的价值。通过使用经过完全训练的 DNN，可以根据更接近其生成位置的全新数据进行预测。在深度学习推理中，将图像等新数据添加到网络中，便于对所述图像进行DNN分类。例如，在"狗、自行车、汽车"的基础上构建，将狗、汽车和自行车以及其他对象的新图像加载到 DNN 中。结果是一个经过完全训练的 DNN，可以准确地预测图像所表示的内容。
完全训练后，DNN 可以复制到其他设备上。然而，DNN可能非常大，通常包括数百层连接数十亿个权重的人工神经元。在部署之前，必须对网络进行调整，以降低对内存、能量和计算能力的需求。虽然模型的精确度略低，但其简化的好处足以弥补这一点。
深度学习推理是通过向网络提供新数据（例如新图像）来执行的，从而使 DNN 有机会对图像进行分类
要修改 DNN，可以使用以下两种方法之一：修剪或量化。修剪涉及数据科学家将数据馈送到 DNN，然后进行观察。检测并移除有问题的神经元，而不会对预测准确性产生重大影响。量化需要降低重量精度。例如，将 32 位浮点数减少到 8 位浮点数会生成一个使用较少计算资源的小模型。这两种方法对模型准确性的影响都微乎其微。该模型变得更小、更快，从而减少了能源使用和计算资源的消耗。
边缘的 ADAS
混合模型通常用于边缘的深度学习推理。边缘计算机从传感器或摄像头收集信息，并将该数据传输到云中。交付到云、分析和返回的数据需要几秒钟，这在需要实时推理分析和检测的应用程序中会产生不可接受的延迟。相反，推理分析可以通过专为瞬间自主决策和车载部署而设计的边缘计算设备实时执行。这些工业级系统可承受各种电源输入场景，包括车辆电池，坚固耐用，可承受极端温度、冲击、振动、灰尘和其他环境挑战。这些属性，再加上独特的高性能，缓解了许多与深度学习推理算法的云处理相关的问题。
凭借可配置的处理能力，Premio AI 边缘推理计算机能够在边缘运行机器学习和深度学习推理分析
例如，GPUs和TPUs能够快速跟踪执行各种线性代数计算的能力，从而允许系统串联执行此类操作。与运行AI推理计算的CPU不同，GPU或TPU(两者都更擅长数学计算)承担了大大加快推理分析的工作负载。相反，CPU专注于运行标准应用程序和操作系统。
本地推理处理消除了延迟问题，并解决了与原始数据传输相关的互联网带宽问题，尤其是大型视频源。有线和无线连接技术，包括千兆以太网、10 千兆以太网、蜂窝 4G LTE 和 Wi-Fi 6，都支持各种条件下的系统互联网连接。有前途的5G无线技术以其闪电般的数据速率，更低的延迟和增加的带宽进一步扩展了选择。这些丰富的连接选项支持关键任务数据的云卸载，并适应无线更新。通过额外的CAN总线支持，该解决方案可以记录来自车辆总线和网络的车辆数据。可以从车轮速度、车速、发动机转速、转向角等信息中收集实时洞察，以及其他丰富的数据，传递有关车辆的基本信息。
充分利用汽车大数据
汽车大数据就在这里，ADAS集成或自动驾驶汽车产生的数据的巨大范围证明了这一点。雷达、激光雷达(LiDAR)、高分辨率摄像机、超声波传感器、GPS和其他传感器提供的感知信息将为不同级别的自动驾驶提供信息，尤其是随着3级、4级和5级自动驾驶的出现，这些信息变得尤为重要。这是一项艰巨的工作，而且只会越来越艰巨——促使设计师战略性地将复杂的软件设计和创新的硬件策略结合起来，以提高汽车的性能、乘客的健康和道路安全。
by Dustin Seetoo，Premio Inc.产品营销总监
