技术开发人员在 ADAS/AV 中寻求强大的感知
布鲁塞尔——在这里举行的 autosens 2019 的结果是，技术创新并不缺乏，因为技术开发商、一级供应商和原始设备制造商仍在寻找可以在任何道路条件下工作的“稳健感知”——包括夜间、雾、雨、雪、黑冰、石油等。
尽管汽车行业还没有找到灵丹妙药，但许多公司都提出了他们新的感知技术和产品概念。
在今年布鲁塞尔的 autosens 上，辅助驾驶 (adas) 而非自动驾驶汽车 (av) 成为更受关注的焦点。
显然，工程界不再否认。许多人承认，今天的可能性与最终推出商业人工智能驱动的自动驾驶汽车之间存在很大差距——没有人类驾驶员参与其中。
需要明确的是，没有人说自动驾驶汽车是不可能的。然而，vsi labs 的创始人兼负责人 phil magney 预测，“4 级 [自动驾驶汽车] 将在高度受限的操作设计领域内推出，[并建立在] 非常全面和彻底的安全案例之上。” “高度受限的 odd”，magney 说，“我指的是特定的道路、特定的车道、特定的营业时间、特定的天气条件、一天中的特定时间、特定的接送点等。”
当被问及人工智能驱动的汽车是否会达到“常识性理解”——知道它实际上是在驾驶并理解其环境时，康奈尔大学专门研究人工智能的计算机科学教授巴特塞尔曼在会议的闭幕小组中表示： “至少需要 10 年……，可能需要 20 到 30 年。”
与此同时，在那些渴望制造 adas 和高度自动化汽车的人中，游戏的名称在于他们如何最好地让车辆看到。
edge case research 首席技术官兼卡内基梅隆大学教授 phil koopman 指出，每辆高度自动化车辆的基础都是“感知”——知道物体在哪里。他解释说，与人类驾驶员相比，自动驾驶汽车的弱点在于“预测”——了解上下文并预测它感知到的物体接下来可能会去哪里。
将智能移动到边缘
在边缘添加更多智能是会议上出现的新趋势。许多供应商通过在边缘融合不同的感官数据（rgb 相机 + nir；rgb + swir；rgb + 激光雷达；rgb + 雷达），在感官节点上添加更多智能。
然而，业内人士对如何实现这一目标似乎存在分歧。有些人提倡边缘传感器融合，而其他人，例如 waymo，则更喜欢在中央处理器上对原始感官数据进行中央融合。
到 2020 年，随着 euro ncap 将驾驶员监控系统 (dms) 作为主要安全标准，许多新的监控系统也出现在 autosens 上。这些系统不仅可以监控驾驶员，还可以监控车内的乘客和其他物体。
一个典型的例子是安森美半导体推出的新型 rgb-ir 图像传感器与 ambarella 先进的 rgb-ir 视频处理 soc 和 eyeris 的车载场景理解 ai 软件相结合。
近红外与短波红外
需要在黑暗中看到——无论是在车内还是车外——表明使用了红外。
安森美半导体的 rgb-ir 图像传感器采用 nir（近红外）技术，而同样参展的 trieye 则更进一步，展示了 swir（短波红外）相机。
什么是短波红外线（swir）？（来源：trieye）
swir 的优势包括它能够在任何天气/光照条件下看到物体。更重要的是，swir 还可以提前识别道路危险，例如黑冰，因为 swir 可以检测到由每种材料的化学和物理特性定义的独特光谱响应。
然而，由于用于构建它的砷化铟镓 (ingaas) 成本极高，swir 相机的使用仅限于军事、科学和航空航天应用。trieye 声称它已经找到了一种使用 cmos 工艺技术设计 swir 的方法。“这就是我们取得的突破。就像半导体一样，我们从第一天开始就使用 cmos 来大批量制造 swir 相机，”trieye 首席执行官兼联合创始人 avi bakal 说。与价格超过 8,000 美元的 ingaas 传感器相比，bakal 表示，trieye 相机的售价将“数十美元”。
swir 相机剥离（来源：trieye）
缺乏注释数据
人工智能面临的最大挑战之一是训练数据的短缺。更具体地说，“带注释的训练数据”，magney 说。“推理模型只与数据和收集数据的方式一样好。当然，训练数据需要用元数据进行标记，这非常耗时。”
autosens 对 gan（生成对抗网络）方法进行了热烈的讨论。根据 magney 的说法，在 gan 中，两个神经网络竞争创建新数据。据报道，给定一个训练集，该技术学习生成具有与训练集相同统计数据的新数据。
例如，drive.ai 正在使用深度学习来增强注释数据的自动化，以加速繁琐的数据标记过程。
在 autosens 的一次演讲中，koopman 还谈到了准确注释数据的艰巨挑战。他怀疑很多数据仍然没有标记，因为只有少数大公司有能力做对。
事实上，参加展会的 ai 算法初创公司承认支付第三方注释数据所带来的痛苦。
全新iMac和Mac mini将亮相，苹果春季发布会或能见到
焊接机器人的分类介绍
济南能华：直流远距离供电系统（局端机/远端机）解决方案
无源RC滤波器与有源滤波器介绍
浅谈中国官方专用系统：“红旗win10”
技术开发人员在 ADAS/AV 中寻求强大的感知
浅析HarmonyOS基于AI的通用文字识别技术
运放-3. 基本电路
电源设计过程中的EMI抑制要素讲解
农药残留检测仪的作用原理是怎样的
AR再次大火 各大科技公司开始将目标对准AR
可用收发器架构中存在的一些权衡及适用于不同类型的系统
英国禁止华为设备系迫于美国压力
LineageOS 17.1 正式版发布 基于Android 10深度定制
三星Note8发布会前瞻：三星Note8邀请函已出，三星Note8干点大事！
介绍微波介质陶瓷优势前景及用途
什么时候校准很重要
宁德时代欲高薪挖韩国电池企业人才
十年磨一剑！中电数通产业布局全国，构建智慧城市安全蓝图
KUKA电机之同步电机工作原理
尽管汽车行业还没有找到灵丹妙药，但许多公司都提出了他们新的感知技术和产品概念。
在今年布鲁塞尔的 autosens 上，辅助驾驶 (adas) 而非自动驾驶汽车 (av) 成为更受关注的焦点。
显然，工程界不再否认。许多人承认，今天的可能性与最终推出商业人工智能驱动的自动驾驶汽车之间存在很大差距——没有人类驾驶员参与其中。
需要明确的是，没有人说自动驾驶汽车是不可能的。然而，vsi labs 的创始人兼负责人 phil magney 预测，“4 级 [自动驾驶汽车] 将在高度受限的操作设计领域内推出，[并建立在] 非常全面和彻底的安全案例之上。” “高度受限的 odd”，magney 说，“我指的是特定的道路、特定的车道、特定的营业时间、特定的天气条件、一天中的特定时间、特定的接送点等。”
当被问及人工智能驱动的汽车是否会达到“常识性理解”——知道它实际上是在驾驶并理解其环境时，康奈尔大学专门研究人工智能的计算机科学教授巴特塞尔曼在会议的闭幕小组中表示： “至少需要 10 年……，可能需要 20 到 30 年。”
与此同时，在那些渴望制造 adas 和高度自动化汽车的人中，游戏的名称在于他们如何最好地让车辆看到。
edge case research 首席技术官兼卡内基梅隆大学教授 phil koopman 指出，每辆高度自动化车辆的基础都是“感知”——知道物体在哪里。他解释说，与人类驾驶员相比，自动驾驶汽车的弱点在于“预测”——了解上下文并预测它感知到的物体接下来可能会去哪里。
将智能移动到边缘
在边缘添加更多智能是会议上出现的新趋势。许多供应商通过在边缘融合不同的感官数据（rgb 相机 + nir；rgb + swir；rgb + 激光雷达；rgb + 雷达），在感官节点上添加更多智能。
然而，业内人士对如何实现这一目标似乎存在分歧。有些人提倡边缘传感器融合，而其他人，例如 waymo，则更喜欢在中央处理器上对原始感官数据进行中央融合。
到 2020 年，随着 euro ncap 将驾驶员监控系统 (dms) 作为主要安全标准，许多新的监控系统也出现在 autosens 上。这些系统不仅可以监控驾驶员，还可以监控车内的乘客和其他物体。
一个典型的例子是安森美半导体推出的新型 rgb-ir 图像传感器与 ambarella 先进的 rgb-ir 视频处理 soc 和 eyeris 的车载场景理解 ai 软件相结合。
近红外与短波红外
需要在黑暗中看到——无论是在车内还是车外——表明使用了红外。
安森美半导体的 rgb-ir 图像传感器采用 nir（近红外）技术，而同样参展的 trieye 则更进一步，展示了 swir（短波红外）相机。
什么是短波红外线（swir）？（来源：trieye）
swir 的优势包括它能够在任何天气/光照条件下看到物体。更重要的是，swir 还可以提前识别道路危险，例如黑冰，因为 swir 可以检测到由每种材料的化学和物理特性定义的独特光谱响应。
然而，由于用于构建它的砷化铟镓 (ingaas) 成本极高，swir 相机的使用仅限于军事、科学和航空航天应用。trieye 声称它已经找到了一种使用 cmos 工艺技术设计 swir 的方法。“这就是我们取得的突破。就像半导体一样，我们从第一天开始就使用 cmos 来大批量制造 swir 相机，”trieye 首席执行官兼联合创始人 avi bakal 说。与价格超过 8,000 美元的 ingaas 传感器相比，bakal 表示，trieye 相机的售价将“数十美元”。
swir 相机剥离（来源：trieye）
缺乏注释数据
人工智能面临的最大挑战之一是训练数据的短缺。更具体地说，“带注释的训练数据”，magney 说。“推理模型只与数据和收集数据的方式一样好。当然，训练数据需要用元数据进行标记，这非常耗时。”
autosens 对 gan（生成对抗网络）方法进行了热烈的讨论。根据 magney 的说法，在 gan 中，两个神经网络竞争创建新数据。据报道，给定一个训练集，该技术学习生成具有与训练集相同统计数据的新数据。
例如，drive.ai 正在使用深度学习来增强注释数据的自动化，以加速繁琐的数据标记过程。
在 autosens 的一次演讲中，koopman 还谈到了准确注释数据的艰巨挑战。他怀疑很多数据仍然没有标记，因为只有少数大公司有能力做对。
事实上，参加展会的 ai 算法初创公司承认支付第三方注释数据所带来的痛苦。
全新iMac和Mac mini将亮相，苹果春季发布会或能见到
焊接机器人的分类介绍
济南能华：直流远距离供电系统（局端机/远端机）解决方案
无源RC滤波器与有源滤波器介绍
浅谈中国官方专用系统：“红旗win10”
技术开发人员在 ADAS/AV 中寻求强大的感知
浅析HarmonyOS基于AI的通用文字识别技术
运放-3. 基本电路
电源设计过程中的EMI抑制要素讲解
农药残留检测仪的作用原理是怎样的
AR再次大火 各大科技公司开始将目标对准AR
可用收发器架构中存在的一些权衡及适用于不同类型的系统
英国禁止华为设备系迫于美国压力
LineageOS 17.1 正式版发布 基于Android 10深度定制
三星Note8发布会前瞻：三星Note8邀请函已出，三星Note8干点大事！
介绍微波介质陶瓷优势前景及用途
什么时候校准很重要
宁德时代欲高薪挖韩国电池企业人才
十年磨一剑！中电数通产业布局全国，构建智慧城市安全蓝图
KUKA电机之同步电机工作原理