通过深入学习提高和发展车辆感知

摄像头的感应功能在今天的车辆驾驶中起着至关重要的作用。感知系统的功能类似于人体。摄像机或图像传感器充当车辆的“眼睛”，将数据从图像传感器发送到主处理器，即人脑，然后大脑使用各种算法对数据进行分析和解释。最后，通过发送命令来控制转向、加速或制动(类似于发送到手和脚的命令)，可以做出各种行为。在过去的十年里，汽车感应已经从一个基本的后视摄像头发展到一个带有停车辅助的全3D环绕视图。就像人的能力随着大脑的发展而进化一样，ADAS技术也随着不断发展的硬件平台上的创新感知算法的进化而不断发展。

当今自动驾驶领域最热门的话题之一是“深度学习”，它是机器学习的一个子集。深度学习是一种计算方法，用于基于大量数据训练的神经网络进行准确的分类和预测。神经网络是一套识别数据的算法模式。许多ADAS应用，如前摄像头传感应用，使用卷积神经网络(CNN)比传统的计算机视觉方法更有效地执行目标检测和分类任务。在下面的例子(图1)中，深度学习用于对车辆、道路、标志、行人和背景进行分类，并在输出中对它们进行视觉区分。德州仪器的深度学习能力导致了大量资源的开发，如德州仪器深度学习(TIDL)软件框架。该框架简化了开发人员的算法培训、开发和迁移过程。更多关于汽车深度学习的信息，请阅读我们的博客《汽车中的AI:实践深度学习》。