高級駕駛員輔助系統 (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生側滑，從而提升車內外人員的安全性。這種靈活的AutoDevKit系統解決方案套件 (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) 遞歸神經網絡 (RNN)。

為駕駛模式部署邊緣AI——TinyML如何轉變駕駛狀態檢測？

根據最新研究，對于希望創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J.D.Power 2023年的一項研究，由于消費者仍然存在續航里程焦慮，如果在最佳續航條件下能夠將電池壽命提高約三分之一可以顯著提高客戶滿意度。駕駛模式還需要應對潮濕、結冰或雪地等危險條件做出調整，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的設置。

駕駛模式太好了！為什么它們不能是自動的？

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

傳統的Eco模式降低響應能力并改變傳動比以優先考慮節能，而Comfort模式則調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，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。雪地模式調整變速器，降低油門響應，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。該系統通過減緩響應并強制更穩定的加速，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，高度關注道路的駕駛員不應該考慮切換駕駛模式。隨著天氣的突然變化，汽車應該幫助用戶專注于周圍環境，而不是通過模式和設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等功能一直是強制性的。 系統也變得如此智能，牽引力控制可以在正常情況下幫助駕駛員避免轉彎時轉向不足或轉向過度。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新的自然演變。

然而，建立一個自動駕駛模式系統和道路檢測機制可能具有挑戰性，工程師們經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：停車、正常路況、顛簸路面、打滑或轉彎。以下是三個簡單的步驟，可以讓項目走上正軌，并減少向市場發布產品所需的時間。

步驟1 獲取AEKD-AICAR1套件

創建一個機器學習應用程序似乎是一項艱巨的任務。當團隊考慮在微控制器上收集數據、訓練神經網絡和實現算法時，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據科學家，也沒有處理神經網絡的專業知識。因此，我們發布了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，并配有預訓練的神經網絡。簡單地說，AEKD-AICAR1傳感器節點套件具備開發人員開始使用機器學習應用程序所需的一切。

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。還有一個設置，用一個典型的12V電池或八個AA電池為整個系統供電，以提高整體移動性。

步驟2 使用ST的軟件生態系統

開箱即用，預先訓練的神經網絡可以識別四種狀態：正常道路、顛簸道路、打滑和停車。此外，還可以將這些狀態與其他情況結合起來，如在正常道路上打滑、在顛簸道路上打滑，在發動機打開的情況下停車或在發動機關閉的情況下泊車。

顯然，我們使用了一小組訓練數據，因為該應用程序僅用于演示目的。然而，盡管一開始可用的訓練數據非常有限，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，團隊已經可以想象他們可以用更多的信息和復雜的算法來完成什么。

要開始測試模型，開發人員只需獲取AutoDevKit Studio和SPC5-Studio-AI插件，這將使他們能夠導入最流行的深度學習框架，如Keras和TensorFlow Lite。ST插件甚至可以驗證神經網絡，并可以在微控制器上模擬其性能，讓開發人員了解所需的內存占用和推理時間。

盡管這一步驟很重要，但無論團隊的專業知識水平如何，它尤其可以幫助經驗較少的工程師。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用程序的硬件需求。

步驟3 測試并完善您的應用程序

下一步是將AEKD-AICAR1放置在駕駛員側的地板上，朝向車輛前部，以測試算法并獲取更多數據。事實上，這復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計一種更智能的駕駛狀態檢測，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據，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據科學方面幾乎沒有經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。開發人員仍然需要優化他們的解決方案，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，該計劃由具有專業知識的公司組成，為客戶提供獨特的優勢。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它的人。