自动驾驶

自动驾驶是边缘计算的重要应用，自动驾驶需要100-1000TOPS边缘AI算力，其具有高性能、低功耗特点的边缘AI（Edge AI）成了行业壁垒。AI计算需要域来优化算法和数据流架构，摩尔定律已逼近极限，若没有正确的算法和架构，仅基于处理技术的驱动性能将无法实现预期的结果。

自动驾驶汽车和先进驾驶辅助系统（ADAS）对更高带宽、更低延迟提出了更迫切的需求。车载以太网已经成为搭建更高速汽车网络的新骨干。对发射机、接收机、链路分段和高层协议功能进行的全面测试确保其得到成功实施。

渗透率快速提升、电子电气架构集中化、软硬件解耦、OTA升级、软件定义汽车、格局生态化……自动驾驶六大发展趋势逐渐呈现。

而对于交通行业来说，有些应用场景对传输延迟有非常严格的要求，强实时数据体量不断增加，在应用现场进行数据处理的需求也随之上升，于是智能交通领域也开始应用“边缘计算”技术。

近年来，随着人们对汽车创新的强烈需求的不断增加，而这些创新要求反过来又极大地增加了车辆中的软件内容。这些创新正在自动驾驶，高级驾驶员辅助系统（ADAS），数字座舱技术，车辆电气化等领域发生。当前有几种影响汽车电子的关键趋势，这些趋势导致对计算平台要求的需求不断增加，车辆结构不断变化，并突出了安全性和功能安全性的重要性。

许多人声称自动驾驶汽车是车辆技术的下一步。考虑到制造商在驾驶辅助技术方面取得的突飞猛进，这种说法似乎是正确的。然而，尽管这些安全功能看起来很先进，但与完全自动化汽车所需的相比，它们只是基本步骤。在我们开始计算在自动驾驶汽车成为大规模生产的现实之前我们需要等待多长时间之前，我们首先需要了解自动化水平以及我们在这项技术方面取得了哪些进展。

自动驾驶已然成为汽车行业热词。在大家殷切的期盼下，近几年上市的车型，多少都要有和“自动驾驶”功能相关才能赢得消费者青睐。对国内而言，特斯拉落子上海临港，并宣布新推出车型均配备自动驾驶功能——这无疑犹如鲶鱼效应，更加推动了各家车企的研发进度。

近年来，自动驾驶技术技术的发展速度非常快。预计达到完全自动驾驶L5的程度是指日可待的。自动驾驶的核心技术主要是人工智能中的机器学习与深度学习两个方向。在本文中，我们的关注点在于机器学习算法在自动驾驶技术中的应用。