伴随着人工智能的浪潮，自动驾驶领域也呈现出爆发式的增长。无论是芯片巨头，还是AI初创公司都争先恐后地展开布局，意在迅速抢占这个令人热议又尚未被完全开发的市场。
近日，AI初创公司深鉴科技宣布已经完成面向自动驾驶/高级辅助驾驶领域的技术整合及商业布局，实现了方案落地及订单转化。自2017年推出深度学习专用处理器架构Aristotle及国内首个针对深度学习打造的软件工具链DNNDKTM以来，深鉴在短时间内积累了大量来自自动驾驶及高级辅助驾驶领域的客户使用反馈，在不断的产品打磨和迭代后，深鉴科技正式进入ADAS高级辅助驾驶系统领域，推出基于FPGA的车载深度学习处理器平台DPhiAutoTM，打造芯片级高级辅助驾驶系统解决方案，以高能效、低功耗、灵活易部署等特性获得日本、北美、欧洲和国内知名汽车主机厂商及一级供应商的订单，这或许标志着中国在高级辅助驾驶和自动驾驶领域内已经产生真正具备实质性技术转化能力及商业落地的企业。
近年来，在自动驾驶领域竞争日趋火热的局势下，中国汽车市场也提早布局，催生出全新的投资机遇和产业链。然而现阶段，由于核心技术自主性尚有缺失，行业门槛限制较高，硬件及人力成本增高等诸多因素，相比拥有数十年汽车电子研究积累的传统车企，或诸如起源于硅谷的明星自动驾驶新兴企业，我国自动驾驶和高级辅助驾驶领域尚处在技术研发和实测交替阶段，更多的是以技术和方案引进为主，鲜有真正具备核心知识产权，同时具备商业落地能力的智能化车载计算平台和端到端解决方案。
在此背景下，深鉴科技探索出同时兼具强大处理能力且具备差异化的产品研发方向，推出基于FPGA的车载深度学习处理器平台DPhiAutoTM及完整ADAS解决方案。众所熟知，对于智能化车载计算平台和产品而言，需要对多源传感器输入的大量传感数据进行实时处理，在更高级别的自动驾驶应用中更需要在感知的基础上进一步实现决策和控制，无论计算复杂度还是性能需求都远高于传统计算平台，而功耗又需要控制在较低的范围内。此外，对于环境感知而言，相对于激光雷达、毫米波雷达、红外等传感方式，摄像头以较低成本、较高准确度、最接近人眼感知周围信息的方式，被越来越多的供应商和最终客户采纳。而对于目前的环境感知算法，为保证检测、识别等感知功能的准确率，绝大多数都采用了基于深度卷积神经网络的算法模型，对计算平台的算力要求达到了处理每帧图像需要经过数十亿次GOPs甚至百TOPs以上级别的运算操作。这一高算力、高精度、低功耗、易融合的需求，意味着车载计算平台必须实现极高的能效比水准，同时保证部署的灵活性。
深鉴科技基于FPGA的车载深度学习处理器平台DPhiAutoTM，是面向高级辅助驾驶和自动驾驶的嵌入式AI计算平台，可为高级辅助驾驶系统提供车辆检测、行人检测、车道线检测、语义分割、交通标志识别、可行驶区域检测等深度学习算法功能，是一套针对计算机视觉环境感知的软硬件协同产品。该产品融合了基于Aristotle架构的深度学习专用处理器平台，及深度神经网络开发工具套件DNNDKTM，实现灵活可配置的软硬件加速效果，以建立更稳定、更高效、更安全的计算核心。FPGA本身已具备高稳定性、高吞吐量、低功耗、可灵活配置等优势，在结合了深鉴深度学习专用处理器单元之后，用户在面向高级辅助驾驶和自动驾驶系统海量视觉计算任务的同时，可获得兼具低成本、高算力、差异化等核心竞争力的系统级产品方案。
同时，为了能在基于FPGA的高性能深度学习处理器平台上实现更经济、更快速迭代的ADAS产品方案，深鉴科技已成功将应用级深度神经网络压缩技术融入DPhiAuto车载计算平台解决方案中，实现嵌入式平台上的轻量化神经网络高效计算。该方案一方面通过搭载深度神经网络专用处理器单元，有效加速FPGA硬件处理能力，另一方面对深度学习算法模型进行大幅度近无损压缩，在确保嵌入式平台上高速计算的同时，维持了ADAS系统运行中对目标检测、分类、识别的精度，进一步稳固高级辅助驾驶及自动驾驶系统的安全性。
此外，为了满足更多汽车厂商及一级供应商打造灵活、差异化产品的需求，深鉴全面开放深度神经网络开发工具套件DNNDKTMSDK，旨在让更多客户通过自动化的工具、简单的操作，实现差异化深度神经网络在目标计算平台中的快速移植。推动高级辅助驾驶及自动驾驶产品或解决方案向更加高效、灵活、安全和个性化的方向转变。(试用DNNDKTM可前往深鉴科技官方网站)
继深入智能安防、数据中心领域后，深鉴科技的产品化能力再度加强。全面涉足最具市场潜力及技术高度的高级辅助驾驶及自动驾驶领域，通过硬件加速及深度学习算法模型压缩等核心技术赋能全新应用场景。与顶级车企厂商及一级汽车零部件供应商的深度合作，再次证明深鉴的产品落地能力已经处在行业前端，真正意义上突破AI企业的商业化落地进程。深鉴科技将持续从底层平台上不断突破，打造端到端AI解决方案，为更多应用场景带来变革性驱动力，植根产业，实现更为广泛的全球化合作。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
