汽车行业是推进人工智能（人工智能）进步的要紧行业之一，这是由于该行业致力于自动驾驶汽车和高级驾驶员辅助系统（ADAS）的泛在利益。
汽车正在变得愈来愈智能，但是假如汽车行业要达成完全自动驾驶的目的，他们还有很长的路要走。尽管业界还在讨论达成全智能化所需的理想技术组合，但是有一点是明确的，那就是人工智能，尤其是神经互联网将发挥要紧功效。
神经互联网
神经互联网的用途是实行对于传统视觉或模式辨别系统来说具有挑战性的任务。通过使每一个神经互联网各自不一样，并针对特定任务进行设计，它可以更有效、更准确地实行任务。
所有神经互联网的组织模式都是在多个层面上多次处置数据。因此，神经互联网可以在不一样的输入模式下运行十到二十次，而不是用一组特定的参数只运行一次操作。这个想法是，通过所有这些不一样的路径，选择的数目就会增加。当到了需要做出决策的时候，它已经从输入中提取了所有的信息。
在路标辨别的示例中，一层可能正在探寻一个标识的角形状，然后是颜色等各个步骤实行下去，直到它可以很确信地说这是一个路标并说明其含义。这样做的优势在于无需对每个步骤都进行编程，神经互联网将会自身完成，并且伴随时间的推移而不断学习。该算法知道它需要辨别的内容，并将尝试不一样的办法，直到达成目的，并在过程中不断学习。一旦神经互联网在经过培训之后，它便可以在实质应用中发挥功效。这意味着工程师不必花费数小时来微调复杂的算法，他们仅需向神经互联网展示它需要发现的内容并让其自学完成。
这些技术已经在汽车中被广泛用于目的测试、分类和剖析，而驾驶员监测、访问控制以及语音和手势辨别也可以借助不一样种类的神经互联网。此外，将传统视觉与神经互联网相结合的人工智能办法，可用于行人路径剖析和环绕视图等应用场景，它将同时依靠于图形处置器（GPU）和神经互联网加速器（NNA）。
在从传感器到电子控制单元（ECU）整个链路中也可以采用神经互联网，在预处置、中间处置和后处置中采用的各种技术将人工智能引入了其中。
此外，车联网（V2X）技术正在开发中，该技术将主要采用自动驾驶汽车作为传感载体，为各种智慧城市和智慧交通场景供应数据和信息。同样，这些进展将依靠于使用GPU和NNA的办法达成人工智能，以支持来自愈来愈大的输入集的各种剖析和计算。
传感器融合
自动驾驶和高度智能化的汽车将紧急依靠各类型型的传感器，包括摄头、热成像、雷达、激光雷达（LiDAR）等。所有这些传感器传出的信号都需要进行解析和融合，以便全方位知道汽车内部和外部发生的状况。
传感器融合对于自动驾驶至关要紧，它将涉及到GPU和神经互联网以及机器学习和人工智能的结合。
汽车内部传感器融合的一个非常不错的示例是驾驶员监测。在当今的汽车中，各种各样的传感器都可以测试到驾驶员是不是注意力不集中。神经互联网可以剖析拍摄到的驾驶员图像，以判断他或她是不是在睡觉、处于疲倦状况、注意力不集中，甚至通过手机讲话或发信息。这对于早期的自动驾驶汽车来说是至关要紧的信息，由于它可能需要驾驶员在某些时候重新控制汽车，由于汽车需要知道驾驶员是不是处于适合的状况才能这样做。
驾驶员监测是怎么样工作的？对准驾驶员面部的摄头为剖析面部元素（尤其是眼睛）的算法供应了输入。是睁着眼睛还是闭着眼睛？假如是闭着眼睛，闭眼多长期？眼神是不是飘忽不定？驾驶员正在看向哪儿？
研究整个面部可以确定驾驶员是生气还是悲伤。假如是愤怒，系统会建议驾驶员先靠边停车并冷静下来，然后再继续行驶。
所有这些都是基于构建一个面部图像，提取重点并采用神经互联网提取情绪、注视时间等来判断驾驶员的精神状况。
在将来的两三年内，驾驶员监测可能会成为需要从欧洲新车评估计划（NCAP）和美国国家高速公路通行安全管理局（NHTSA）获得批准的一项需要，因此驾驶员监测会成为汽车制造商需要要推行的技术，不仅要适用于高端汽车，还要适用于所有汽车。
自动驾驶的等级
美国汽车工程师学会（SAE）和美国高速公路交通安全管理局已将自动驾驶汽车的能力分为六个等级。基本上，等级0完全没有智能化，而在等级1中，汽车将为驾驶员供应一些协助。等级2具有更多的驾驶辅助功能，甚至可以自主实行一些任务，例如自动紧急制动以防止碰撞。
等级3是一个棘手的问题，虽然汽车是自动驾驶，但驾驶员需要随时筹备驾驶汽车。驾驶员监测将是等级3自动驾驶的重要，由于驾驶员需要做好干预的筹备，并且在一定量上，汽车有责任确保驾驶员做好筹备。
在等级4中，即便驾驶员可以接手汽车驾驶，但从理论上讲，汽车也可以处置它所处现场的所有状况。等级5的汽车将达成全智能化，没有方向盘和踏板。
汽车自动驾驶性能每提升一个级别，所需的计算性能就会增加强约十倍。这就是为何神经互联网非常重要的理由，由于它们可以在很低的功耗下供应这种性能。
目的测试
以一个行人为例，汽车的车载摄头和传感器可以记录行人是在行走或站立；神经互联网可被用于绘制行人可能要走的路线，并计算汽车是不是需要减速或迅速制动。神经互联网还可以观察同一幅图像并对其进行分割，从中挑选出其他物体，并应用目的辨别技术来判断出它们是不是代表了汽车应该注意的东西。所有这些都需要把汽车的位置以及它想要去的地方纳入分析之中，假如汽车正在倒车，并测试到在汽车后面有一个孩子，就需要飞速处置并进行刹车。要做到这一点，就需要人工智能和神经互联网来查询那里是不是有物体存在，并对其进行辨别认出是一个孩子，然后向实行器或驾驶员发送一个信号，以采取措施。
由于摄头一般会带有某种鱼眼镜头，因此这将使其变得愈加复杂。这会产生一张变形的图片，需要先矫正然后进行解析。来自这个设施以及其他传感器的输入需要结合起来，从而在瞬间做出决策。
数据处置
与此同时，来自汽车周围的其他信息也源源不断地被送达，包括来自于所有传感器的以及从其他汽车或基础设施通过无线通信接收到的信息。这是一个巨大的数据量，可能在太字节（terabyte）范围内。
ECU将遍布汽车各处，并依据数据做出决策。这可能会涉及到100个或者更多的ECU。业界正在采用一些办法来研究怎么样用更少的ECU和更多的计算能力来达成这一点。摄头或传感器旁边的嵌入式人工智能可以做出一些决定，从而降低汽车需要传递的信息。
这意味着需要不一样等级的处置方法。数据可以在捕获点进行预处置，例如拉直鱼眼镜头的图像。中间处置可能包括各种已计划的任务、目的辨别、决策拟定等。之后可以进行后处置，当信息可以被清理整齐并显示在屏幕上时，让驾驶员就知道正在发生什么或已经发生了什么。
应用
这些数据处置技术也被用于创建当今正在开发的应用，以在车内创建虚拟环视车身支撑柱。在此用例中，将在支撑柱（连接车顶和车身的支撑柱）上装配摄头来捕获车外发生的事情。支撑柱的内部将供应一个显示器，以显示这些摄头正在捕获的内容，从而为驾驶员供应一个不间断的视场。
这个过程很难以达成。系统需要知道驾驶员正在查询的另一侧是什么情景。图片将需要修正变形并放置在不平整或弯曲的表面上，然后重新变形到支撑柱的轮廓上。
尽管这一进步是将来的趋势，但一些高端汽车已经供应了环绕视图系统，并且它们很快将应用于中档和入门级汽车。GPU被用于剖析遍布汽车周围的各个摄头所捕获的图像（一般有四个或五个摄头），并将图像拼接在一起。依据拼接的图像，神经互联网将实行目的测试和路径预测，以查询这些目的是不是有可能拦挡汽车的路径。
信息导航
在车载信息管理软件（IVI）和导航方面，GPU也起着要紧功效。它们还参与语音控制，这很可能成为人与车之间的重要接口。因此，对于导航系统来说，驾驶员不必操作按钮和键盘来输入目的地，而是仅需说出邮政编码或街道名字，然后就可需要系统绘制出路线。
仪表盘将被连接到外部摄头，以用于路标辨别等操作。假如摄头捕捉到一个限速的标志，该标志可以在有效的时间内显示在驾驶员面前；假如汽车超越限速，就会发出声响警告。
实质上，整个仪表显示区将采用GPU进行图像渲染和信息优先级排序。假如系统确定驾驶员需要知道一些重要信息，该信息可能会从仪表显示区中弹出，甚至可以投射到挡风玻璃上。挡风玻璃上的图像也可以被用作导航系统的一部分，向驾驶员显示正确的转弯方向或说明汽车在即将到来的路口需要驶入哪条车道。
后视镜的换代是另一个主要的、潜在的进步方向。一些新型汽车已经在开发中，其上的后视镜已被可显示来自不一样摄头视图的屏幕取代。与传统的后视镜一样，除去显示车后发生的状况之外，它们还可被用于盲点测试。在此，神经互联网可以向驾驶员发出关于有关其没办法看到的汽车的警告，并自动阻止汽车变道进入另一辆汽车的路线。
智慧城市
世界各国的各地政府正在朝着一个长期目的迈进，那就是让智慧城市拥有自动驾驶和高度智能化的汽车，并将其集成到覆盖整个城镇或城市的智能交通系统中。
其背后的理念是，所有的城市服务和规划工作都是相互协调和联系的，以便让市民获得更多的信息，让城市生活更愉快，更要紧的是愈加健康。为达成这一目的，降低污染和交通拥堵至关要紧。
智能交通系统将控制整个城市的交通基础设施。该基础设施将与汽车进行通信，交通信号灯和汽车也将相互通信，并将采集到的数据发送回去。
这方面的一个实例就是控制交通信号灯，使汽车畅通无阻地以极限速度通过一个地区。假如紧急服务汽车需要迅速驶入，则可以采用这些相同的交通信号灯来阻止其他道路采用者，并为他们创建一条安全的道路。
假如一地发生交通堵塞，汽车可以将此信息传递给基础设施；反过来，基础设施又可以通知其他汽车离得远远的该地区，这样就不会增加问题的紧急性，以便交通堵塞可以被更快地被清除。这甚至可以被用于城市以外的地方，例如在高速公路的入口匝道上。假如系统已经从反向行驶的汽车中获悉了备用信息，它可以在驾驶员驶入高速公路之前对其发出警告，从而使他们可以分析其他路线。
为了达成这一目的，城市将需要有一个中央智能枢纽，该枢纽可以处置传入的信息并计算哪些数据要发送给其他汽车或交通信号灯。这只有在结合了神经互联网、人工智能、机器学习和先进算法之后才能达成。
结论
NHTSA的研究发现：高度智能化的汽车将比由人类驾驶的汽车愈加安全，94％的事故是由人为失误造成的。基于人工智能的技术在响应能力和辨别需要迅速响应的威胁方面已经优于人类驾驶。
为了达成这些汽车所需的处置能力，将需要NNA和GPU配合采用。伴随汽车行业转向全自动驾驶汽车，计算能力将需要被大幅提高，NNA将应需而扮演要紧角色。据估计，一辆等级5自动驾驶汽车需要的计算能力是等级1自动驾驶汽车的10,000倍。
这是处置性能的很大提升，但也需要在一个给定的功耗预算内完成。一个神经互联网加速器（NNA）的性能已经是中央处置器（CPU）的100到800倍，而其成品封装却比CPU大小小大量。一辆车可能有一个很大的CPU，同时还有许多NNA遍布于汽车各处，并以比同样遍布汽车各处的CPU低得多的功耗和更高的性能来实行各种任务。
Imagination Technologies供应了GPU和NNA硅常识产权（IP）。其应用在数字仪表盘中的技术比任何角逐对手都要多，并且公司在先进驾驶员辅助系统（ADAS）和自动驾驶汽汽车市场场中也处于先导地位。赋能自动驾驶汽车实用化所需的所有要点都将取决于这些技术，而这些技术成为现实只是时间问题。
