工研院在2016年9月與NVIDIA簽署合作備忘錄，近期已在自動駕駛的深度學習上，有了初步成果。為使臺灣落實技術自主化，該自動駕駛車的關鍵技術皆是由工研院所自行開發(fā)，芯片組方案則采用NVIDIADRIVEPX2，融合不同傳感器的數(shù)據(jù)，使車輛具備多種感知能力，因此得以充分應付復雜的行車環(huán)境及角落下面就隨汽車電子小編一起來了解一下相關內(nèi)容吧。

　　工研院機械所正研究員/自駕車復雜環(huán)境數(shù)據(jù)融合感知技術計劃主持人連豊力指出，由于工研院所開發(fā)的自駕車，是從零開始打造，其采用的車用計算機、通訊協(xié)議，都是掌握在工研院手中，因此要做任何的操控、控制都不會有問題?，F(xiàn)階段我們進行開車場景的錄制，完成后將數(shù)據(jù)丟到NVIDIADRIVEPX2超級計算機開發(fā)平臺中，去對應車用數(shù)據(jù)庫，以進一步推論出所拍攝到的場景是汽車、巴士車，還是行人等。然而，當比對程度達到水平后，就能進一步將車外場景的主要目標對象框出來。

　　當系統(tǒng)須一邊開車一邊進行學習，其處理耗能會相當高，但當學習完成后，單純進行辨識的耗能則會降低很多。因此一般在自駕車的學習階段，會是用脫機的方式進行學習，而學習完后的辨識，則就可用在線的方式來進行。但若辨識不成功，則又會再送回數(shù)據(jù)庫去做學習。連豊力表示，未來自駕車的發(fā)展，很可能會是讓車上使用車上處理器，并直接做現(xiàn)場的處理與篩選，但在一段時間后，仍會上傳到數(shù)據(jù)庫，以便做比對。

　　連豊力進一步表示，目前自駕車的開發(fā)單位在運用傳感器去感測外界訊息上，主要有兩個做法，第一種方式是比較傳統(tǒng)的，運用傳感器所能感測的模擬訊號，例如根據(jù)車道線是白色還是黃色，去做計算機視覺分析，也就是從色彩、幾何去累積對象的特征，其可靠度較高，目前所看到的行車紀錄器或辨識系統(tǒng)，大多是運用這樣的方式在做。

　　連豊力進一步表示，另外一種做法，則是目前NVIDIA主要在采用的方式，由于每一次開車左右兩邊的場景，會有所差異，尤其是當?shù)缆凡⒎歉咚俟钒愎P直，而是彎曲的時后，若要讓一臺車學會如何開車，便必須透過錄像機與計算機，將開車的場景、指令(左轉(zhuǎn)、右轉(zhuǎn)、不動、煞車、加速等)錄下來，紀錄完成后，計算機就會開始推論，當影像場景右邊比較亂、左邊比較清楚時，代表方向盤正在左轉(zhuǎn)，而影像如果很平均，則代表方向盤沒有在動等，進而去找出中間的關聯(lián)性。

　　連豊力分析，當這樣的關系被找出，計算機就可以進而去判斷，主人的開車狀況，甚至車子該如何進一步自動進行左轉(zhuǎn)、右轉(zhuǎn)。因此當計算機的影像紀錄越多，自動駕駛能使用的數(shù)據(jù)庫也就更為豐富。不過相較于傳統(tǒng)方式，其可靠度是比較低的，因其并沒有辦法做到1對1對應，當學習中的攝影機沒有拍到某些信息，這些信息就學習不到了，也就無從判斷，因此如何讓機器的感測能力全面提升，將會是自駕車須跨越的一大門坎。

　　有鑒于此，目前工研院在發(fā)展自動駕駛時，是兩種方式同步進行。由于圖形、影片的數(shù)據(jù)量相當大，而NVIDIA最大的強項即是在前端的GPU圖像處理，這也是工研院與NVIDIA連手合作的原因。

    以上是關于汽車電子中-GPU實現(xiàn)車外場景比對 自駕車學習力大增的相關介紹，如果想要了解更多相關信息，請多多關注eeworld，eeworld電子工程將給大家提供更全、更詳細、更新的資訊信息。