根據(jù)最新研究，駕駛模式可能成為汽車制造商尋求打造終極駕駛體驗的新契機。

在一份于2021年發(fā)表的論文中，研究人員表明，特定的駕駛模式可能會使電動汽車 (EV) 在高速公路上巡航時的電能消耗增加15%至30%。

AI道路狀態(tài)監(jiān)測

根據(jù)J.D. Power于2023年進行的一項研究，消費者仍然受到續(xù)航焦慮的困擾，在理想情況下，將電池壽命提高約三分之一可能會顯著提高客戶滿意度。駕駛模式還可應(yīng)對濕滑、結(jié)冰或積雪等危險路況，支持更安全的駕駛。問題在于，在不同模式之間切換需要駕駛員手動選擇適當?shù)脑O(shè)置。

駕駛模式真的太棒了！為什么它們不能是自動的呢？

本質(zhì)上，駕駛模式代表著各種動力傳動配置，這些配置旨在創(chuàng)造或強調(diào)特定的駕駛體驗。例如，通過修改轉(zhuǎn)向管柱的響應(yīng)、懸掛的靈活性或再生制動的激進性，系統(tǒng)將創(chuàng)造截然不同的駕駛體驗，從而專注于特定的目標。

傳統(tǒng)的Eco模式降低了響應(yīng)性并改變了變速比以優(yōu)先考慮節(jié)能，而Comfort模式調(diào)整了懸掛以更好地吸收顛簸。相反，Sport模式確保強勁的油門響應(yīng)、更重的方向盤和更硬的懸掛，使駕駛者體驗更接近賽車而非巡航。

汽車制造商不會自動從一種模式轉(zhuǎn)換到另一種，因為它們之間的差異非常顯著，可能會驚嚇到司機。然而，除非在現(xiàn)代高速公路上長時間連續(xù)行駛，否則駕駛條件很少是一致的。

往往，用戶會遇到需要Eco模式的緩慢交通，然后是在大規(guī)模施工下的顛簸區(qū)域，適合Comfort模式，之后需要快速加速以脫離停滯，這時短暫啟用Sport模式將極大地受益，然后應(yīng)再切換回Eco模式。這還沒有考慮到突然的天氣變化。雪地模式會調(diào)整傳動并降低了油門響應(yīng)，從而降低動力和扭矩。目標是防止汽車卡住，從而避免駕駛員受到來自自然環(huán)境和他們自己的傷害。通過減慢響應(yīng)并強制平穩(wěn)加速，大幅減少車輪陷入雪地的風險，即便駕駛員突然踩下油門，也不會輕易失控。

然而，駕駛員應(yīng)該高度專注于道路本身，不該花精力考慮駕駛模式的切換。面臨天氣的突然變化，汽車應(yīng)該幫助用戶專注于周圍環(huán)境，而不是用模式和設(shè)置分散他們的注意力。

一個為機器學習和意法半導體量身定制的問題

AI與人

解決這個問題的方案可能在于機器學習。由于擁有眾多傳感器，車輛能夠比任何人更準確地檢測道路、天氣和其他條件。事實上，車輛在處理濕滑或危險條件時非常精準且敏銳，以至于牽引控制和防抱死制動系統(tǒng)等功能幾十年來一直是強制性的。

系統(tǒng)也變得如此智能，牽引力控制可以在正常條件下協(xié)助駕駛員避免在轉(zhuǎn)角處欠轉(zhuǎn)向或過度轉(zhuǎn)向。因此，使用機器學習自動檢測道路條件并選擇最佳模式是多年來塑造汽車創(chuàng)新的自然演變。

然而，構(gòu)建自動的駕駛模式系統(tǒng)和道路檢測機制可能具有挑戰(zhàn)性，工程師們常常疑惑從何處入手。以下是啟動項目并縮短產(chǎn)品上市時間的三個簡單步驟。

第一步

獲取AEKD-AICAR1套件

創(chuàng)建一個機器學習應(yīng)用可能看起來是一項艱巨的任務(wù)。當團隊考慮收集數(shù)據(jù)、訓練神經(jīng)網(wǎng)絡(luò)以及在微控制器上實施算法時，他們甚至在第一個概念驗證之前就可能會感到氣餒。

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

該套裝包括AEK-CON-SENSOR1連接開發(fā)板和AIS2DW12三軸加速度計。主板本身配備了SPC58ECChorus微控制器，內(nèi)置4 MB的Flash存儲器，并預(yù)裝了一個經(jīng)過訓練的神經(jīng)網(wǎng)絡(luò)。簡而言之，AEKD-AICAR1傳感器節(jié)點套件包含了開發(fā)者開始機器學習所需的一切應(yīng)用程序。

我們甚至提供了一個顯示屏，展示代表汽車狀態(tài)的簡單UI，確保團隊可以更容易地演示概念驗證。系統(tǒng)還有一個設(shè)置，可以使用典型的12 V電池或八節(jié)AA電池供電，從而提高整體移動性。

第二步

利用意法半導體的軟件生態(tài)系統(tǒng)

開箱即用，預(yù)訓練的神經(jīng)網(wǎng)絡(luò)能夠識別四種狀態(tài)：正常道路、顛簸道路、打滑和停車。此外，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、發(fā)動機運轉(zhuǎn)時停車或熄火時停車。

顯然，由于該應(yīng)用僅用于演示目的，我們使用了一小組訓練數(shù)據(jù)。然而，盡管一開始可用的訓練數(shù)據(jù)非常有限，我們?nèi)垣@得了94%的高成功率，僅在一些額外的條件下存在問題。簡而言之，團隊已經(jīng)可以設(shè)想，擁有大量更多信息和復(fù)雜算法后他們能夠取得什么樣的成就。

為開始測試模型，開發(fā)人員只需獲取AutoDevKit Studio和SPC5-STUDIO-AI插件即可，這將使他們能夠?qū)胱盍餍械?a href="http://m.sdkjxy.cn/v/tag/448/" target="_blank">深度學習框架，如Keras和TensorFlow Lite。意法半導體插件甚至可以驗證神經(jīng)網(wǎng)絡(luò)，并在微控制器上模擬自身性能，能夠幫助開發(fā)人員基本了解所需的內(nèi)存占用和推理時間。

無論團隊的專業(yè)水平如何，這一步都非常重要，對于經(jīng)驗較少的工程師，所帶來的幫助則尤為巨大。在邊緣進行機器學習工作時，很容易高估RAM或計算吞吐量的要求。我們的工具可以幫助更快、更準確地了解應(yīng)用的硬件需求。

第三步

測試您的應(yīng)用并加以完善

下一步是將AEKD-AICAR1置于在駕駛員一側(cè)的地板上，靠近車輛前部，從而測試算法并捕獲更多數(shù)據(jù)。實際上，這樣可以模仿現(xiàn)實世界的性能并收集更多信息。因此，工程師不僅僅是在設(shè)計一個更智能的駕駛條件檢測，而且同時也是在完善它。

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)，就有可能更準確地檢測到更多道路條件，從而為真正意義上的駕駛模式智能選擇奠定基礎(chǔ)。我們的用戶手冊甚至提供了Python腳本和Google Colab的操作指南，因此即使對數(shù)據(jù)科學沒有太多經(jīng)驗的人也可以開始使用。

另請閱讀：AEKD-AICAR1-汽車中基于意法半導體開發(fā)板的機器學習功能，既不盲目上馬，也不輕易落后

爭當?shù)谝坏母傎?/strong>