ST机器学习解决方案助力车企探索汽车AI可能性

意法半导体的首款车规机器学习解决方案SL-AIAID012401V1由AEKD-AICAR1 评估套件、AI 人工智能插件和AutoDevKit 车规开发板组成，能够识别驻车、正常路况、崎岖道路、车轮侧滑或突然转向四种汽车状态。这是一个难得的机会，可以通过测试和开发汽车人工智能应用，以确定该技术是否适合这个市场。事实上，许多车企还在探索在行业现阶段，机器学习对他们是否有意义。从头开始创建算法需要投入大量的人力和资金。把评估解决方案导入我们的 AutoDevKit 平台，可以让开发人员更轻松地探索车规人工智能的可行性。

虽然机器学习的热度在消费市场上稳步上升，但是，汽车行业仍在探究机器学习技术可以为汽车带来什么。几十年来，人工智能一直是汽车行业的一个热门话题，研究人员早在 2001年就已经在探索如何在导航系统中应用机器学习。然而，人工智能趋向于用在几种应用场景，例如，自动驾驶或事故检测。此外，出于安全性和可靠性考虑，汽车行业几十年来一直依赖启发式方法。简而言之，汽车制造商在不需要训练神经网络的情况下就已经擅长提供先进的功能。因此，开发平台必须降低汽车机器学习的技术门槛，同时又不影响设计者构想较为传统的应用。

找到正确的工具

为了帮助开发人员创建他们的杀手级应用程序，无论它是否使用机器学习算法，AEKD-AICAR1都配备了一个带有4mb闪存的MCU，以及AEK-LCD-DT028V1显示屏，用于UIs和更一般的应用程序。主板还提供两个 CAN FD 收发器和两个电位器，用于测试模数转换器的性能。因此，这个电路板可以连接执行器板驱动电机，处理无线通信功能，或者管理 LED 等设备。因此，这块板子的灵活性足以帮助开发团队用其他的系统开发应用。然而，顾名思义，我们的开发团队用AEKD-AICAR1开发应用，因为汽车行业要求降低机器学习的技术门槛。

AEKD-AICAR1 配有 AEK-CON-SENSOR1连接器板和 AIS2DW12 三轴加速度计。开发人员可以获取MEMS数据，并使用长短期记忆 (LSTM) 递归神经网络(RNN)确定汽车的四种状态。该套件还旨在简化演示应用的开发，因为 AEKD-AICAR1在 MCU闪存内预装了提前训练好的神经网络。LSTM RNN当前版本是在 Google Colab环境中使用 TensorFlow 2.4.0框架开发的神经网络，然后，我们使用意法半导体的工具将提前训练好的神经网络转换为适合在STM32上运行的C 代码库。

为了进一步指导和培训开发者，我们为用户提供了一份Google Colab环境、模型训练、数据采集等工具的 用户入门指南。用户可以使用 TensorFlow 等众多热门机器学习框架创建、训练和验证神经网络，从而使团队能够借用许多现有的社区项目。然后，我们还展示了意法半导体神经网络所用人工智能插件是如何优化算法，使其适合在微控制器上运行。简而言之，我们分享我们的知识经验和实用工具，以便开发人员可以更轻松地测试项目，确定机器学习是否适合汽车应用。

使用真实环境

最终，工程师将获得一个程序，这个程序可以让他们尝试用传感器开发新应用，评估自己的需求，并更好地了解从头开始需要付出的成本的一小部分内是可行的需求。在AEKD-AICAR1 捆绑包中有连接器板，这意味着用户可以轻松换用另一个传感器，做进一步的评测。汽车行业固有的安全性和可靠性限制要求让开发者无法用市面上可以买到的消费级电路板测试汽车产品概念。AEKD-AICAR1通过在许多人用于开发实际应用的汽车级平台上进行实验，从而解决了这个问题。

构想原创应用

由于汽车行业的机器学习仍处于起步阶段，用户经常寻找具有最大灵活性的平台。事实上，用一个系统开发多个项目有助于节省时间和资源，例如，有一位客户对LSTM 节点稍加改动，即可分析车辆悬架的响应性能，确定弹簧补偿程度，从而改善驾驶体验。同样，开发人员可以用传感器开发新应用，例如，预测电池的充电状态，或将传感器安装在方向盘上，用于检查驾驶员的心率。 简而言之，AEKD-AICAR1 灵活多变，应用不限于传统的汽车应用及状态检测。