Renesas Electronics Corporation ogłosiła wspólny rozwój opartego na głębokim uczeniu rozwiązania do rozpoznawania obiektów dla inteligentnych kamer używanych w zaawansowanych aplikacjach systemu wspomagania kierowcy oraz kamerach ADAS poziomu 2 i nowszych. To nowe rozwiązanie inteligentnej kamery wykorzystuje głębokie uczenie się do rozpoznawania obiektów z wysoką precyzją i niskim zużyciem energii; przyspiesza również powszechną adaptację ADAS.
Współpraca między Renesas i StradVision umożliwiła tej nowej technologii rozpoznawanie niechronionych użytkowników dróg (VRU), takich jak piesi i rowerzyści, a także innych pojazdów i oznaczeń pasów. StradVision został zoptymalizowany swoje oprogramowanie dla systemu-on-chip motoryzacyjnego Renesas R-Car (SoC) R-Car V3H i R-Car V3M który ma udokumentowane jako pojazdów produkowanych seryjnie. Te urządzenia R-Car mają dedykowany silnik do przetwarzania głębokiego uczenia o nazwie CNN-IP (Convolution Neural Network Intellectual Property), który umożliwia im uruchamianie z dużą szybkością samochodowej sieci głębokiego uczenia StradVision SVNet.
Kluczowe cechy
1) Rozwiązanie wspiera wcześniejszą ocenę produkcji masowej
Oprogramowanie do głębokiego uczenia SVNet firmy StradVision to potężne rozwiązanie do percepcji AI do masowej produkcji systemów ADAS ze względu na jego zdolność do precyzyjnego rozpoznawania w słabym świetle i zdolność radzenia sobie z okluzją, gdy obiekty są częściowo ukryte przez inne obiekty. Podstawowe oprogramowanie R-Car V3H może jednocześnie rozpoznawać pojazd, osobę i pas ruchu poprzez przetwarzanie obrazu z szybkością 25 klatek na sekundę, co umożliwia szybką ocenę i rozwój POC. Za pomocą tych podstawowych funkcji programista może dostosować oprogramowanie, dodając znaki, oznaczenia i inne obiekty jako cel rozpoznawania.
2) Układy SoC R-Car V3H i R-Car V3M zwiększają niezawodność systemu inteligentnych kamer przy jednoczesnym obniżeniu kosztów
Renesas R-Car V3H i R-Car V3M są wyposażone w mechanizm rozpoznawania obrazu IMP-X5. Połączenie złożonego rozpoznawania obiektów opartego na głębokim uczeniu się i wysoce weryfikowalnego przetwarzania rozpoznawania obrazu z regułą stworzoną przez człowieka pozwala projektantowi zbudować solidny system. Wbudowany procesor sygnału obrazu (ISP) może konwertować sygnały czujnika do renderowania obrazu i przetwarzania rozpoznawania. Możliwe jest więc skonfigurowanie systemu przy użyciu niedrogich kamer bez wbudowanego ISP. Umożliwiło to skonfigurowanie systemu przy użyciu niedrogich kamer, zmniejszając całkowity koszt listy materiałów (BOM).
Nowe wspólne rozwiązanie do głębokiego uczenia się, w tym oprogramowanie i wsparcie programistyczne od StradVision, będzie dostępne dla programistów na początku 2020 roku.