工研院在2016年9月与NVIDIA签署合作备忘录，近期已在自动驾驶的深度学习上，有了初步成果。为使台湾落实技术自主化，该自动驾驶车的关键技术皆是由工研院所自行开发，芯片组方案则采用NVIDIADRIVEPX2，融合不同传感器的数据，使车辆具备多种感知能力，因此得以充分应付复杂的行车环境及角落下面就随汽车电子小编一起来了解一下相关内容吧。

　　工研院机械所正研究员/自驾车复杂环境数据融合感知技术计划主持人连豊力指出，由于工研院所开发的自驾车，是从零开始打造，其采用的车用计算机、通讯协议，都是掌握在工研院手中，因此要做任何的操控、控制都不会有问题。现阶段我们进行开车场景的录制，完成后将数据丢到NVIDIADRIVEPX2超级计算机开发平台中，去对应车用数据库，以进一步推论出所拍摄到的场景是汽车、巴士车，还是行人等。然而，当比对程度达到水平后，就能进一步将车外场景的主要目标对象框出来。

　　当系统须一边开车一边进行学习，其处理耗能会相当高，但当学习完成后，单纯进行辨识的耗能则会降低很多。因此一般在自驾车的学习阶段，会是用脱机的方式进行学习，而学习完后的辨识，则就可用在线的方式来进行。但若辨识不成功，则又会再送回数据库去做学习。连豊力表示，未来自驾车的发展，很可能会是让车上使用车上处理器，并直接做现场的处理与筛选，但在一段时间后，仍会上传到数据库，以便做比对。

　　连豊力进一步表示，目前自驾车的开发单位在运用传感器去感测外界讯息上，主要有两个做法，第一种方式是比较传统的，运用传感器所能感测的模拟讯号，例如根据车道线是白色还是黄色，去做计算机视觉分析，也就是从色彩、几何去累积对象的特征，其可靠度较高，目前所看到的行车纪录器或辨识系统，大多是运用这样的方式在做。

　　连豊力进一步表示，另外一种做法，则是目前NVIDIA主要在采用的方式，由于每一次开车左右两边的场景，会有所差异，尤其是当道路并非高速公路般笔直，而是弯曲的时后，若要让一台车学会如何开车，便必须透过录像机与计算机，将开车的场景、指令(左转、右转、不动、煞车、加速等)录下来，纪录完成后，计算机就会开始推论，当影像场景右边比较乱、左边比较清楚时，代表方向盘正在左转，而影像如果很平均，则代表方向盘没有在动等，进而去找出中间的关联性。

　　连豊力分析，当这样的关系被找出，计算机就可以进而去判断，主人的开车状况，甚至车子该如何进一步自动进行左转、右转。因此当计算机的影像纪录越多，自动驾驶能使用的数据库也就更为丰富。不过相较于传统方式，其可靠度是比较低的，因其并没有办法做到1对1对应，当学习中的摄影机没有拍到某些信息，这些信息就学习不到了，也就无从判断，因此如何让机器的感测能力全面提升，将会是自驾车须跨越的一大门坎。

　　有鉴于此，目前工研院在发展自动驾驶时，是两种方式同步进行。由于图形、影片的数据量相当大，而NVIDIA最大的强项即是在前端的GPU图像处理，这也是工研院与NVIDIA连手合作的原因。

以上是关于汽车电子中-GPU实现车外场景比对 自驾车学习力大增的相关介绍，如果想要了解更多相关信息，请多多关注eeworld，eeworld电子工程将给大家提供更全、更详细、更新的资讯信息。