高級駕駛員輔助系統(tǒng) (ADAS) 能夠檢測車輛運動和道路狀況，這種解決方案可以提醒駕駛員路面不平坦或是車輛正在發(fā)生側(cè)滑，從而提升車內(nèi)外人員的安全性。這種靈活的AutoDevKit系統(tǒng)解決方案套件 (AEKD-AICAR1) 基于在SPC58 C系列汽車微控制器上運行的長短時期記憶單元 (LSTM) 遞歸神經(jīng)網(wǎng)絡(luò) (RNN)。

為駕駛模式部署邊緣AI——TinyML如何轉(zhuǎn)變駕駛狀態(tài)檢測？

根據(jù)最新研究，對于希望創(chuàng)造終極駕駛體驗的汽車制造商來說，駕駛模式可能是新的埃爾多拉多（西班牙語“理想國度“的意思）。在2021年發(fā)表的一篇論文中，研究人員表明，某些駕駛模式會使在高速公路上行駛的電動汽車的耗電量增加15%至30%。

根據(jù)J.D.Power 2023年的一項研究，由于消費者仍然存在續(xù)航里程焦慮，如果在最佳續(xù)航條件下能夠?qū)㈦姵貕勖岣呒s三分之一可以顯著提高客戶滿意度。駕駛模式還需要應(yīng)對潮濕、結(jié)冰或雪地等危險條件做出調(diào)整，以提供更安全的駕駛。問題是，在模式之間切換需要駕駛員手動選擇適當?shù)脑O(shè)置。

駕駛模式太好了！為什么它們不能是自動的？

本質(zhì)上，駕駛模式代表了旨在創(chuàng)造或強調(diào)特定駕駛體驗的各種傳動系配置，例如通過修改轉(zhuǎn)向系統(tǒng)的響應(yīng)、懸架的靈活性或再生制動的積極性，該系統(tǒng)將創(chuàng)造截然不同的駕駛體驗，以專注于特定目標。

傳統(tǒng)的Eco模式降低響應(yīng)能力并改變傳動比以優(yōu)先考慮節(jié)能，而Comfort模式則調(diào)整懸架以更多地吸收顛簸。相反，運動模式確保了強大的油門、更重的轉(zhuǎn)向和更嚴厲的懸架，使駕駛員體驗到更接近比賽而非巡航的體驗。

汽車制造商不會自動從一種模式轉(zhuǎn)換到另一種模式，因為不同模式之間形成了鮮明的對比，自動切換模式可能會嚇到司機。然而，除非在人煙稀少的高速公路上一次性長時間行駛，否則駕駛條件很少是一致的。通常情況下，用戶會體驗到緩慢的交通，這將需要Eco模式；然后是一個正在進行的顛簸區(qū)域，這將非常適合舒適模式；再然后需要快速加速才能擺脫靜止狀態(tài)，這將在返回Eco之前從短時間的運動模式中受益匪淺。這甚至還不包括天氣的突然變化。雪地模式調(diào)整變速器，降低油門響應(yīng)，以降低功率和扭矩。其目的是通過保護駕駛員免受惡劣天氣和自身的影響，防止汽車被卡住。該系統(tǒng)通過減緩響應(yīng)并強制更穩(wěn)定的加速，即使駕駛員突然踩下油門，也能限制車輪進入雪地的風險。

然而，高度關(guān)注道路的駕駛員不應(yīng)該考慮切換駕駛模式。隨著天氣的突然變化，汽車應(yīng)該幫助用戶專注于周圍環(huán)境，而不是通過模式和設(shè)置來分散他們的注意力。

為機器學習和ST量身定制的問題

這個問題的解決方案可能在于機器學習。由于有了無數(shù)的傳感器，汽車能夠比任何人都更準確地檢測道路、天氣和其他情況。事實上，車輛在管理濕滑或危險條件方面非常精確和精明，幾十年來，牽引力控制和防抱死制動系統(tǒng)等功能一直是強制性的。 系統(tǒng)也變得如此智能，牽引力控制可以在正常情況下幫助駕駛員避免轉(zhuǎn)彎時轉(zhuǎn)向不足或轉(zhuǎn)向過度。因此，使用機器學習來檢測路況并自動選擇最佳模式是多年來塑造汽車創(chuàng)新的自然演變。

然而，建立一個自動駕駛模式系統(tǒng)和道路檢測機制可能具有挑戰(zhàn)性，工程師們經(jīng)常想知道他們從哪里開始。ST首款機器學習解決方案，可識別四種汽車狀態(tài)：停車、正常路況、顛簸路面、打滑或轉(zhuǎn)彎。以下是三個簡單的步驟，可以讓項目走上正軌，并減少向市場發(fā)布產(chǎn)品所需的時間。

步驟1 獲取AEKD-AICAR1套件

創(chuàng)建一個機器學習應(yīng)用程序似乎是一項艱巨的任務(wù)。當團隊考慮在微控制器上收集數(shù)據(jù)、訓(xùn)練神經(jīng)網(wǎng)絡(luò)和實現(xiàn)算法時，甚至在第一次概念驗證之前，他們就會氣餒。

小公司甚至可能沒有數(shù)據(jù)科學家，也沒有處理神經(jīng)網(wǎng)絡(luò)的專業(yè)知識。因此，我們發(fā)布了AEKD-AICAR1評估試劑盒，以揭開這一過程早期階段的神秘面紗。

線束包括AEK-CON-SENSOR1連接器板和AIS2DW12三軸加速計。主板本身裝有SPC58EC Chorus微控制器，帶有4 MB閃存，并配有預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)。簡單地說，AEKD-AICAR1傳感器節(jié)點套件具備開發(fā)人員開始使用機器學習應(yīng)用程序所需的一切。

我們甚至提供了一個顯示器來顯示代表汽車狀態(tài)的簡單UI，以確保團隊能夠更容易地演示他們的概念驗證。還有一個設(shè)置，用一個典型的12V電池或八個AA電池為整個系統(tǒng)供電，以提高整體移動性。

步驟2 使用ST的軟件生態(tài)系統(tǒng)

開箱即用，預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以識別四種狀態(tài)：正常道路、顛簸道路、打滑和停車。此外，還可以將這些狀態(tài)與其他情況結(jié)合起來，如在正常道路上打滑、在顛簸道路上打滑，在發(fā)動機打開的情況下停車或在發(fā)動機關(guān)閉的情況下泊車。

顯然，我們使用了一小組訓(xùn)練數(shù)據(jù)，因為該應(yīng)用程序僅用于演示目的。然而，盡管一開始可用的訓(xùn)練數(shù)據(jù)非常有限，但我們獲得了94%的成功率，僅在一些附加條件下存在問題。簡單地說，團隊已經(jīng)可以想象他們可以用更多的信息和復(fù)雜的算法來完成什么。

要開始測試模型，開發(fā)人員只需獲取AutoDevKit Studio和SPC5-Studio-AI插件，這將使他們能夠?qū)胱盍餍械纳疃葘W習框架，如Keras和TensorFlow Lite。ST插件甚至可以驗證神經(jīng)網(wǎng)絡(luò)，并可以在微控制器上模擬其性能，讓開發(fā)人員了解所需的內(nèi)存占用和推理時間。

盡管這一步驟很重要，但無論團隊的專業(yè)知識水平如何，它尤其可以幫助經(jīng)驗較少的工程師。在邊緣進行機器學習時，很容易高估RAM或計算吞吐量要求。我們的工具可以幫助更快地準確了解應(yīng)用程序的硬件需求。

步驟3 測試并完善您的應(yīng)用程序

下一步是將AEKD-AICAR1放置在駕駛員側(cè)的地板上，朝向車輛前部，以測試算法并獲取更多數(shù)據(jù)。事實上，這復(fù)制了真實世界的性能，可以收集更多信息。因此，工程師們并不是簡單地設(shè)計一種更智能的駕駛狀態(tài)檢測，而是同時完善它。

隨著團隊從加速度計或連接到套件的其他傳感器收集更多數(shù)據(jù)，就有可能準確檢測更多路況，從而為真正智能的駕駛模式選擇打開大門。我們的用戶手冊甚至提供了Python腳本和Google Colab的簡介，因此即使是那些在數(shù)據(jù)科學方面幾乎沒有經(jīng)驗的人也可以開始使用。

把握市場先機

遵循這三個步驟將有助于團隊在正確的軌道上起步。開發(fā)人員仍然需要優(yōu)化他們的解決方案，并找到一條使其具有競爭力的市場之路。然而，ST不僅提供支持，而且還提供了一個完整的合作伙伴計劃，該計劃由具有專業(yè)知識的公司組成，為客戶提供獨特的優(yōu)勢。簡單地說，問題不在于機器學習是否會自動選擇駕駛模式和檢測路況，而在于誰將是第一個實現(xiàn)它的人。