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，芯片組方案則采用NVIDIADRIVEPX2，融合不同傳感器的數據，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境及角落下面就隨汽車電子小編一起來了解一下相關內容吧。

　　工研院機械所正研究員/自駕車復雜環境數據融合感知技術計劃主持人連豊力指出，由于工研院所開發的自駕車，是從零開始打造，其采用的車用計算機、通訊協議，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階段我們進行開車場景的錄制，完成后將數據丟到NVIDIADRIVEPX2超級計算機開發平臺中，去對應車用數據庫，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，則又會再送回數據庫去做學習。連豊力表示，未來自駕車的發展，很可能會是讓車上使用車上處理器，并直接做現場的處理與篩選，但在一段時間后，仍會上傳到數據庫，以便做比對。

　　連豊力進一步表示，目前自駕車的開發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的，運用傳感器所能感測的模擬訊號，例如根據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，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，尤其是當道路并非高速公路般筆直，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、右轉、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，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、右轉。因此當計算機的影像紀錄越多，自動駕駛能使用的數據庫也就更為豐富。不過相較于傳統方式，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，目前工研院在發展自動駕駛時，是兩種方式同步進行。由于圖形、影片的數據量相當大，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。